CN103440425A

CN103440425A - 一种辛烷值回归模型的建立方法

Info

Publication number: CN103440425A
Application number: CN2013103991707A
Authority: CN
Inventors: 赵日峰; 钱锋; 孙柏军; 程辉; 唐超
Original assignee: China Petroleum and Chemical Corp
Current assignee: China Petroleum and Chemical Corp
Priority date: 2013-09-05
Filing date: 2013-09-05
Publication date: 2013-12-11
Anticipated expiration: 2033-09-05
Also published as: CN103440425B

Abstract

本发明公开一种辛烷值回归模型的建立方法，包括顺序相接的如下步骤：采集汽油调合过程中，汽油调合总管的汽油样品的近红外光谱样本作为建模样本集，记为E₀；测定所采集汽油样品的辛烷值，从已有的样本库中选择与所采集汽油样品的辛烷值属性牌号相同的近红外光谱样本集E₁；采用主成分分析的方法对E₀与E₁提取主成分，绘制主成分的离散点图，并计算数据集（E₀;E₁）的马氏距离，从E₁中选择马氏距离在阈值范围内的样本点

添加到E₀中，其中马氏距离的阈值为3*npc/N；npc为提取的主成分个数，N为数据集（E₀;E₁）中的样本个数；用样本集

建立近红外光谱吸光度与汽油辛烷值回归模型。本发明大大降低了建模的劳动强度，提高了工作效率，降低了模型的维护成本。

Description

一种辛烷值回归模型的建立方法

技术领域

本发明涉及一种辛烷值回归模型的建立方法。

背景技术

汽车工业的发展以及节能和环境保护的紧迫性，推动着汽油产品更新换代。为满足新的汽油规格，提高产品质量并且减少能耗；各大炼厂广泛采用油品在线调合技术对传统的罐式调合进行升级改造。

汽油辛烷值是度量汽油性质的重要指标，其大小直接影响着车用汽油的品质。在汽油调合过程中以经济合理的方法增加汽油辛烷值将产生巨大的经济效益，人们从原料，催化剂，工艺等方面不断进行探索研究，试图找到提高汽油辛烷值的最佳途径。因此，研究汽油辛烷值的测量方法对汽油的生产和使用都将具有重要意义。

目前，辛烷值标准测定方法ASTMD采用ASTM-DFR辛烷值机台架测定方法，我国采用与ASTMD等效的标准测试方法：GB/T5487-1995规定了研究法汽油辛烷值的测定方法，GB/T503-1995规定了马达法汽油辛烷值的测定方法。但是ASTM-CFR辛烷值机台架测定方法在汽油的生产控制与使用中受到一定限制：（1）测试速度慢，一个辛烷值测量至少需要1个多小时，不能及时反馈进行生产优化控制；（2）由于ASTM-CFR辛烷值机体积庞大，需要专门化验室，不利于现场分析使用；（3）操作和维护费用高，设备费用高，使用过程中需要不断维护；（4）环保性差，测试的样品消耗大，约需500ml汽油样品，测量过程中存在着挥发损失与严重污染。

发明内容

本发明的目的是提供一种辛烷值回归模型的建立方法。

为解决上述技术问题，本发明的技术方案是：

一种辛烷值回归模型的建立方法，包括顺序相接的如下步骤：

（1）采集汽油调合过程中，汽油调合总管的汽油样品的近红外光谱样本作为建模样本集，记为E₀；

（2）测定所采集汽油样品的辛烷值，从已有的样本库中选择与所采集汽油样品的辛烷值属性牌号相同的近红外光谱样本集E₁；

（3）采用主成分分析的方法对E₀与E₁提取主成分，绘制主成分的离散点图，并计算数据集（E₀；E₁）的马氏距离，从E₁中选择马氏距离在阈值范围内的样本点添加到E₀中，其中马氏距离的阈值为3*npc/N；npc为提取的主成分个数，N为数据集（E₀；E₁）中的样本个数；

（4）用样本集建立近红外光谱吸光度与汽油辛烷值回归模型。

采用上述技术方案，可通过所建立的回归模型预测未知样品的辛烷值，其中，自变量是近红外光谱吸光度，应变量是汽油辛烷值，上述方法大大简化了辛烷值的测试。

为了提高使用方便，同时模型的准确性，步骤（4）中，利用Unscramable软件对样本集建立近红外光谱吸光度与汽油辛烷值的偏最小二乘数学模型。

在使用过程中，只要将采集到的光谱数据矩阵X与对应的辛烷值属性矩阵Y输入到Unscramable的数据表中就可以利用软件提供的回归分析工具进行建模工作。

为了消除水等杂质对建模的影响，步骤（1）中，近红外光谱为1100-1300nm的波长范围的近红外光谱。

为了提高所建立模型的稳健性，利用二阶微分技术对近红外光谱进行优化处理。

为了进一步提高所建立模型的准确性，步骤（1）中，在汽油调合总管中汽油样品的流量稳定、近红外光谱读数波动在0～0.2内、辛烷值曲线平稳无毛刺的情况下，采集近红外光谱样本。

为了方便分析，同时提高所建模型的准确性，步骤（3）中的主成分的贡献率>90%。

为了更进一步提高所建立模型的准确性，样本集E₀与E₁的近红外光谱图的形状相同。

本发明提供了一种光谱建模方法，该方法根据采样样本数据以及样本库中的数据，采用主成分分析结合马氏距离的方法从样本库中选择合适的样本添加到建模样本集中，然后利用建模软件Unscramable，建立校正模型预测未知汽油样品的属性。

本发明未特别说明的技术均为现有技术。

近红外光谱分析方法具有速度快，精密度高和费用低等优点。本发明利用近红外光谱分析技术，通过已知样品的近红外光谱与辛烷值的关联，用化学计量学中的多元校正方法建立校正模型，然后根据模型和未知样品的近红外光谱预测未知样品的辛烷值；在建立近红外光谱模型的时候部分样本在已有样本库中抽取，大大降低了建模的劳动强度，提高了工作效率，降低了模型的维护成本。

附图说明

图1为实施例1中建立汽油辛烷值属性模型选用的管线样本E₀与样本库样本E₁在主成分空间上的离散点图。

图2为实施例1中管线样本E₀与样本库样本E₁对应的马氏距离。

图3为实施例1中管线样本E₀与从样本库样本E₁中选取的样本在主成分空间上的离散点图。

图4为实施例1中采集38个汽油样本的近红外光谱图。

图5为实施例1中汽油样本中42组样本的近红外光谱图。

图6为实施例1中采集38个汽油样本的研究法辛烷值。

图7为实施例1中汽油样本中42组样本的研究法辛烷值。

图8为实施例1中预测误差图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。

实施例1

第一，采集汽油管道调合过程中调合总管处成品汽油样本，如93#汽油：采用Guidedwave近红外分析仪，以空气为参比，在22±5℃，总管流量平稳的条件下，采集38个汽油样本的近红外光谱如图4，采用GB/T5487方法测定样本的研究法辛烷值（RON），如图6，记为E₀

第二，为了丰富建模数据从而提高模型的精度，从已有的汽油样本库中选择42组93#油的样本数据，光谱如图5，辛烷值范围如图7，并记为E₁。

第三，对建模样本集中的两组数据E₀与E₁采用主成分分析的方法提取4个主成分，绘制其在主成分pc1与pc2空间的离散点图，如图1。并且计算数据集（E₀;E₁）的马氏距离，如图2。

第四，根据第三步绘制的图形，从E₁中选择马氏距离在阈值范围内的样本点

添加到E₀中，其中马氏距离的阈值为3*npc/N；如图3。

第五：用Unscramable软件对样本集数据建立偏最小二乘数学模型。

首先将上述步骤中所选用的建模样本集数据输入到Unscramable软件。然后，选中数据表中所有样本利用软件提供的偏最小二乘建模功能建立回归模型。

第六：为了本发明的准确性，利用以上建立的校正模型对验证集样本进行预测。其中验证集为30组93#汽油样本，预测误差如图3。从图中可以看出，利用本发明的方法对验证集进行预测的绝对预测误差在0.3的范围内，满足精度要求。

Claims

1.一种辛烷值回归模型的建立方法，其特征在于：包括顺序相接的如下步骤：

（2）测定所采集汽油样品的辛烷值，从已有的样本库中选择与所采集汽油样品的辛烷值相同的近红外光谱样本集E₁；

（3）采用主成分分析的方法对E₀与E₁提取主成分，绘制主成分的离散点图，并计算数据集（E₀；E₁）的马氏距离，从E₁中选择马氏距离在阈值范围内的样本点

添加到E₀中，其中马氏距离的阈值为3*npc/N；npc为提取的主成分个数，N为数据集（E₀；E₁）中的样本个数；

（4）用样本集

建立近红外光谱吸光度与汽油辛烷值回归模型。

2.如权利要求1所述的辛烷值回归模型的建立方法，其特征在于：步骤（4）中，利用Unscramable软件对样本集建立近红外光谱吸光度与汽油辛烷值的偏最小二乘数学模型。

3.如权利要求1或2所述的辛烷值回归模型的建立方法，其特征在于：步骤（1）中，近红外光谱为1100-1300nm的波长范围的近红外光谱。

4.如权利要求3所述的辛烷值回归模型的建立方法，其特征在于：利用二阶微分的方法对近红外光谱进行优化处理。

5.如权利要求1或2所述的辛烷值回归模型的建立方法，其特征在于：步骤（1）中，在汽油调合总管中汽油样品的流量稳定、近红外光谱读数波动在0～0.2个辛烷值范围内、辛烷值曲线平稳无毛刺的情况下，采集近红外光谱样本。

6.如权利要求1或2所述的辛烷值回归模型的建立方法，其特征在于：步骤（3）中主成分的贡献率>90%。

7.如权利要求1所述的辛烷值回归模型的建立方法，其特征在于：样本集E₀与E₁的近红外光谱图的形状相同。