一种预测汽油辛烷值的方法技术

本公开涉及一种预测汽油辛烷值的方法，该方法采用高斯混合模型算法对调和汽油样品进行无监督精细聚类，在最佳聚类条件下对每个子类的光谱差值集以及辛烷值差值集建模得到每个子类对应的dPLS校正子模型，采用分类建模的方法可以使dPLS校正子模型精度更高；本公开在对待测样品的辛烷值预测过程中，采用归属的目标子类的dPLS校正模型进行辛烷值差值预测，最终根据标准辛烷值以及辛烷值差值预测值得到待测样品的预测辛烷值，可以充分考虑汽油调和过程的中样品数据在时间序列上的分布特性，能更好缓解调和汽油近红外光谱与辛烷值之间的非线性，具有更高的预测精度。具有更高的预测精度。具有更高的预测精度。

【技术实现步骤摘要】
一种预测汽油辛烷值的方法


[0001]本公开涉及辛烷值检测领域，具体地，涉及一种预测汽油辛烷值的方法。

技术介绍

[0002]汽油是炼油厂最重要的盈利产品之一，占总利润的60％～70％。汽油生产涉及两个主要环节，即组分油的生产储存及其调和。一般来说，汽油调和是汽油产品交付前的最后阶段，其过程非常复杂，但利润空间巨大，因而一度被认为是炼油厂成功运营的关键过程。在汽油调和过程中，辛烷值是汽油最重要的质量指标，因此，快速测量辛烷值对整个调和过程的优化控制具有重要意义。
[0003]近红外光谱分析技术由于具有快速、无损分析的优势，因而备受关注。近红外光谱测定汽油辛烷值是石化领域研究最广泛和深入的测试项目，由于辛烷值与汽油组成的分子结构有很好的对应关系，例如甲基、烯键和芳烃的C
‑
H数量增加，辛烷值则升高，亚甲基的C
‑
H数量增加，辛烷值则降低，因此，近红外光谱吸光度与辛烷值之间有良好的线性关系，通过偏最小二乘方法可建立实用性较强的分析模型。
[0004]汽油调和是将炼油厂的几种不同成分混合在一起，生产出符合规格的混合汽油，以满足最终产品需求的过程。然而，在调和过程中，不同类型的汽油组分(例如重整组分、裂化组分、烷基化组分等)的比例混合或MTBE等抗爆剂的比例添加，会导致成品汽油的辛烷值随着调和过程的进行而不断变动，使得该过程表现出明显的非线性动态特征，此时，若采用一般的线性模型(如偏最小二乘)去近似这一过程，往往得不到满意的结果。针对此类问题，目前采用较多的是通过建立局部单模型来近似这一非线性动态过程。
[0005]局部模型的优势在于能够只针对未知样本来建立校正模型，即一个未知样本一个局部模型，且在预测结束后，丢弃该局部模型。与未知样本直接识别来预测的模型方法相比，这类方法还是比较耗时的。另外，在局部模型的建立过程中，局部样本的选择也是非常关键的一步，特别是对于组分复杂的调和过程，样本的组成的变动会很大，局部样本的最相似选取原则可能会失效或者因选取的局部样本相似性低而导致预测结果的准确性差。值得注意地是，分类建模方法在近年来也受到了广泛关注，特别是基于数据生成机制的概率模型方法，这类方法的实质是针对具体的生产过程建立多个线性校正子模型来缓解非线性动态过程。未知样本性质预测时，可通过模式识别技术或最大后验概率原则将未知样本归属到相应的类别当中，然后基于预先建立的校正子模型完成未知样本的性质预测。这类方法成功的关键在于如何将生产过程数据划分(聚类)得合理且正确，这样依据分类后的数据建立的校正子模型的才具有可靠性。当然，对于分类模型方法而言，校正子模型的建立方法也是相当重要的，传统的线性偏最小二乘方法校正能力有限。

技术实现思路

[0006]本公开的目的是提供一种预测汽油辛烷值的方法，该方法基于近红外光谱测试，并且充分考虑了汽油调和过程的中样品数据在时间序列上的分布特性，采用聚类及分类建
模的思想来最大程度地接近汽油调和过程中的非线性的动态特征，能更好缓解调和汽油近红外光谱与辛烷值之间的非线性，具有更高的预测精度。
[0007]为了实现上述目的，本公开提供一种预测汽油辛烷值的方法，包括以下步骤：
[0008]获取多个标准辛烷值已知的调和汽油样品的第一近红外光谱；
[0009]获取每个所述第一近红外光谱中的特征波数区间的吸光度，得到第一特征光谱，其中所述特征波数区间为5204
‑
7518cm
‑1；
[0010]对全部调和汽油样品的所述第一特征光谱进行PCA降维处理，得到载荷向量以及主成分得分；
[0011]将所述主成分得分作为特征变量，对所有的所述第一特征光谱构建高斯混合模型，并确定最佳聚类数；
[0012]在所述最佳聚类数的条件下，对每个子类：
[0013]‑‑
进行差值处理，得到光谱差值集和辛烷值差值集；其中所述差值处理包括：将子类中的任意两个调和汽油样品的第一特征光谱分别进行相减，得到光谱差值，将全部光谱差值构建为所述光谱差值集；将子类中的任意两个调和汽油样品的标准辛烷值分别进行相减，得到辛烷值差值，将全部辛烷值差值构建为所述辛烷值差值集；
[0014]‑‑
将所述光谱差值集以及所述辛烷值差值集进行偏最小二乘多元回归分析，获得所述子类的dPLS校正模型；
[0015]获取待测汽油样品的第二近红外光谱，获取所述第二近红外光谱在所述特征谱区的吸光度，得到第二特征光谱；
[0016]根据所述第二特征光谱的吸光度与所述PCA降维处理得到的载荷向量的乘积，获得所述待测样品的主成分得分；根据所述待测样品的主成分得分以及所述高斯混合模型确定所述待测样品归属的目标子类；
[0017]在所述目标子类包含的调和汽油样品的第一特征光谱中，选取对应于所述第二特征光谱的最相似光谱；确定所述最相似光谱对应的调和汽油样品的标准辛烷值；将所述待测样品的第二特征光谱与所述最相似光谱对应的调和汽油样品的第一特征光谱相减，得到待测样品光谱差值；
[0018]根据所述待测样品光谱差值与所述目标子类的dPLS校正模型确定辛烷值差值预测值；根据所述辛烷差值预测值和所述最相似光谱对应的调和汽油样品的标准辛烷值的线性组合确定所述待测样品的预测辛烷值。
[0019]可选地，所述差值处理包括：
[0020]‑‑
按照下式(1)计算得到光谱差值G，将全部光谱差值G作为所述光谱差值集：
[0021]G＝G
k1
‑
G
k2
(1)，其中G
k1
为第k1个调和汽油样品的第一特征光谱，G
k2
为第k2个调和汽油样品的第一特征光谱，k1和k2分别为整数，2≤k1≤n，1≤k2＜k1，n为当前子类所包含的调和汽油样品数量；
[0022]‑‑
按照下式(2)计算得到辛烷值差值Q，将全部辛烷值差值Q作为所述辛烷值差值集：
[0023]Q＝Q
k1
‑
Q
k2
(2)，其中Q
k1
为第k1个调和汽油样品的标准辛烷值，Q
k2
为第k2个调和汽油样品的标准辛烷值。
[0024]可选地，所述的在所述目标子类包含的调和汽油样品的第一特征光谱中，选取对
应于所述第二特征光谱的最相似光谱，包括：
[0025]对所述目标子类包含的调和汽油样品的第一特征光谱进行标准正态变量变换处理，得到变换后第一特征光谱，对所述待测样品的第二特征光谱进行标准正态变量变换处理，得到变换后第二特征光谱；
[0026]采用移动窗口相关系数法对所述目标子类包含的变换后第一特征光谱与所述变换后第二特征光谱进行比对，然后选取所述变换后第二特征光谱的最相似光谱；其中所述移动窗口相关系数法的移动窗口宽度为7。
[0027]可选地，所述最相似光谱的选取步骤包括：
[0028]按照下式(3)计算所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测汽油辛烷值的方法，包括以下步骤：获取多个标准辛烷值已知的调和汽油样品的第一近红外光谱；获取每个所述第一近红外光谱中的特征波数区间的吸光度，得到第一特征光谱，其中所述特征波数区间为5204
‑
7518cm
‑1；对全部调和汽油样品的所述第一特征光谱进行PCA降维处理，得到载荷向量以及主成分得分；将所述主成分得分作为特征变量，对所有的所述第一特征光谱构建高斯混合模型，并确定最佳聚类数；在所述最佳聚类数的条件下，对每个子类：
‑‑
进行差值处理，得到光谱差值集和辛烷值差值集；其中所述差值处理包括：将子类中的任意两个调和汽油样品的第一特征光谱分别进行相减，得到光谱差值，将全部光谱差值构建为所述光谱差值集；将子类中的任意两个调和汽油样品的标准辛烷值分别进行相减，得到辛烷值差值，将全部辛烷值差值构建为所述辛烷值差值集；
‑‑
将所述光谱差值集以及所述辛烷值差值集进行偏最小二乘多元回归分析，获得所述子类的dPLS校正模型；获取待测汽油样品的第二近红外光谱，获取所述第二近红外光谱在所述特征谱区的吸光度，得到第二特征光谱；根据所述第二特征光谱的吸光度与所述PCA降维处理得到的载荷向量的乘积，获得所述待测样品的主成分得分；根据所述待测样品的主成分得分以及所述高斯混合模型确定所述待测样品归属的目标子类；在所述目标子类包含的调和汽油样品的第一特征光谱中，选取对应于所述第二特征光谱的最相似光谱；确定所述最相似光谱对应的调和汽油样品的标准辛烷值；将所述待测样品的第二特征光谱与所述最相似光谱对应的调和汽油样品的第一特征光谱相减，得到待测样品光谱差值；根据所述待测样品光谱差值与所述目标子类的dPLS校正模型确定辛烷值差值预测值；根据所述辛烷差值预测值和所述最相似光谱对应的调和汽油样品的标准辛烷值的线性组合确定所述待测样品的预测辛烷值。2.根据权利要求1所述的方法，其中，所述差值处理包括：
‑‑
按照下式(1)计算得到光谱差值G，将全部光谱差值G作为所述光谱差值集：G＝G
k1
‑
G
k2
(1)，其中G
k1
为第k1个调和汽油样品的第一特征光谱，G
k2
为第k2个调和汽油样品的第一特征光谱，k1和k2分别为整数，2≤k1≤n，1≤k2＜k1，n为当前子类所包含的调和汽油样品数量；
‑‑
按照下式(2)计算得到辛烷值差值Q，将全部辛烷值差值Q作为所述辛烷值差值集：Q＝Q
k1
‑
Q
k2
(2)，其中Q
k1
为第k1个调和汽油样品的标准辛烷值，Q
k2
为第k2个调和汽油样品的标准辛烷值。3.根据权利要求1所述的方法，其中，所述的在所述目标子类包含的调和汽油样品的第一特征光谱中，选取对应于所述第二特征光谱的最相似光谱，包括：对所述目标子类包含的调和汽油样品的第一特征光谱进行标准正态变量变换处理，得到变换后第一特征光谱，对所述待测样品的第二特征光谱进行标准正态变量变换处理，得
到变换...

【专利技术属性】
技术研发人员：王海朋，褚小立，李敬岩，陈瀑，刘丹，许育鹏，
申请(专利权)人：中国石油化工股份有限公司石油化工科学研究院，
类型：发明
国别省市：