一種基于加權吸光度及相似樣本的汽油性質(zhì)檢測方法
【技術領域】
[0001] 本發(fā)明涉及煉油企業(yè)汽油檢測，尤其是汽油性質(zhì)的快速預測，具體是一種基于加 權吸光度及相似樣本的汽油性質(zhì)檢測方法。
【背景技術】
[0002] 在煉油加工及汽油調(diào)合的過程中，需要分析直餾汽油及成品汽油的多種性質(zhì)，如 辛烷值、餾程、組成等常規(guī)的分析需要多種分析方法來完成，且分析速度慢、操作繁瑣、使用 較多的人力財力，不利于煉油及調(diào)合過程中的質(zhì)量控制。而如今隨著不斷發(fā)展的計算機技 術，使在極短時間內(nèi)分析大量數(shù)據(jù)得以實現(xiàn)，促進了光譜技術的發(fā)展，使油品分析從根本上 脫離了古老繁瑣的分析方法，可在短時間內(nèi)得到成品汽油及各種組分油的大量性質(zhì)數(shù)據(jù)， 在工廠煉油加工及汽油調(diào)合中起著重要的指導作用。
[0003] 目前在汽油性質(zhì)分析工業(yè)應用中比較成熟且前景較好的方法有NIR，一般用作二 級分析手段，即首先采集已知性質(zhì)樣品的光譜，用化學計量學方法建立校正模型，然后用此 模型預測未知樣品光譜對應的性質(zhì)。這種分析特性使得NIR技術在模型建立完善的情況 下，可以僅通過一次采譜，即可在很短的時間內(nèi)獲得樣品的各項性質(zhì)指標。
[0004] 在實際生產(chǎn)過程中，由于油樣的性質(zhì)是不斷波動的，而普通的建模方法預測精度 較差，不能滿足實際需要。目前有直接采用樣本光譜查找相似樣本來進行建模的方法，這種 方法一定程度上提高了模型的預測精度，而本專利在此基礎上做了一定的改進，本專利通 過將汽油性質(zhì)與光譜吸光度相結(jié)合方式計算光譜距離，并在已知光譜庫中查找待測樣本的 臨近點，最終建立局部偏最小二乘模型對待測樣本進行預測，該方法進一步提高了模型的 預測精度，從而更加滿足實際生產(chǎn)的需要。

【發(fā)明內(nèi)容】

[0005] 為進一步提高模型的預測精度，本發(fā)明提出了一種基于加權分類的汽油性質(zhì)檢測 方法，計算汽油性質(zhì)與吸光度的相關系數(shù)，將其與吸光度結(jié)合得到加權的樣本吸光度，并通 過加權吸光度的得分矩陣計算光譜距離進行相似分類挑選建模樣本，具有以下過程：
[0006] (1)獲取待測樣本的近紅外光譜；
[0007] (2)對待測樣本和光譜庫中已知樣本的近紅外光譜進行常規(guī)預處理；
[0008] (3)計算已知樣本的吸光度和汽油性質(zhì)的相關系數(shù)R，如下式所示：
[0009]
[0010] 式中，Xi，yi(i= 1，2，…，n)分別為已知樣本的吸光度和汽油性質(zhì)分別為 兩個變量Xi，yi的平均值；n為兩個變量xi，yi的樣本個數(shù)；
[0011] (4)將步驟（3)中相關系數(shù)R作為權重，通過下式計算得到加權的樣本吸光度：
[0012] xiR=R.*xi
[0013] 式中，Xi為已知樣本和待測樣本的吸光度向量，x11(為樣本的加權吸光度；
[0014] (5)采用主成分分析，計算加權吸光度的得分矩陣，選取得分矩陣中第一和第二主 成分得到新得分矩陣；
[0015] (6)利用步驟（5)所得的新得分矩陣計算待測樣本與數(shù)據(jù)庫樣本的馬氏距離，如 下式所示：
[0016]
[0017] 其中Mj是指待測樣本與光譜數(shù)據(jù)庫中第j個樣本間的馬氏距離，t為待測樣本新 得分向量，L為光譜數(shù)據(jù)庫中第j個樣本的新得分向量，V為樣本的協(xié)方差矩陣，乘以a表 示為便于比較，將光譜距離擴大a倍；
[0018] (7)選擇馬氏距離最近的b個相似樣本，建立局部模型；
[0019] (8)通過局部模型對待測樣本進行預測。
[0020] 優(yōu)選的實施例中，步驟（6)中，a取值為10。
[0021] 優(yōu)選的實施例中，步驟（7)中，b取值為15。
[0022] 有益效果：
[0023] 本發(fā)明提出了一種基于加權吸光度及相似樣本的汽油性質(zhì)檢測方法，在對光譜進 行傳統(tǒng)預處理后，通過計算相關系數(shù)得到加權了的樣本吸光度，再通過主成分分析提取出 承載90%以上光譜特征信息的得分矩陣，計算光譜距離并調(diào)出離待測樣本最近的一定數(shù)量 樣本作為建模樣本，建立局部偏最小二乘模型，這種方法充分考慮了汽油性質(zhì)對光譜距離 的影響，有效避免分類不準確的現(xiàn)象，從而進一步提高了模型精度。為煉廠準確測量汽油性 質(zhì)，及時調(diào)整操作參數(shù)提供重要保障。
【附圖說明】
[0024] 圖1研宄法辛烷值相關系數(shù)圖及加權圖。
[0025] 圖2密度相關系數(shù)圖及加權圖。
[0026] 圖3樣本第一和第二主成分分布圖。
[0027] 圖4是基于加權分類的汽油性質(zhì)檢測方法的步驟。
【具體實施方式】
[0028] 下面結(jié)合附圖和實施案例對本發(fā)明作進一步的說明。
[0029] 下表1中給出92#調(diào)合油的研宄法辛烷值和密度性質(zhì)，其中，以編號92#_1至 92#-53的樣本為已知光譜數(shù)據(jù)庫，編號為92#-54的樣本為預測樣本。
[0030] 表1 92#調(diào)合油樣本編號及對應研宄法辛烷值和密度
[0031]
[0032] 由表1可知，表中給出92#調(diào)合油的兩種性質(zhì)，而通常檢測樣本的光譜距離并不 考慮樣本的性質(zhì)，這顯然是不合適的。如圖1和圖2,根據(jù)已知樣本的光譜吸光度和研宄法 辛烷值與密度，分別計算已知樣本吸光度與這兩種性質(zhì)的相關系數(shù)R，將其作為吸光度的權 重，再將該權重直接與已知樣本和待測樣本吸光度相結(jié)合，即可分別得到兩種性質(zhì)加權吸 光度。圖1和圖2中均表明，與相關系數(shù)R結(jié)合以后，原近紅外光譜均發(fā)生了明顯變化，而 這種變化是與各個性質(zhì)相對應的。
[0033] 經(jīng)過上步計算各個性質(zhì)加權的吸光度后，采用MATLAB自帶的函數(shù)princomp函數(shù) 計算原光譜吸光度、研宄法辛烷值加權吸光度、密度加權吸光度的得分矩陣，分別選取第一 主成分和第二主成分，如表2可知，前兩個主成分的累積貢獻率均達到了 90%以上，因此均 選取前兩主成分組成新的得分矩陣。
[0034] 表2得分向量的貢獻、貢獻率及累積貢獻率
[0035]
[0036] 使用新得分矩陣，第一主成分做橫坐標，第二主成分做縱坐標，得到樣本的分布 圖，如圖3所示，待測樣本為菱形點"?"，已知樣本為圓點"魯"，與原光譜相比，與性質(zhì)相結(jié) 合后，樣本點的