CN109668856B - 预测lco加氢原料与产物的烃族组成的方法和装置 - Google Patents
预测lco加氢原料与产物的烃族组成的方法和装置 Download PDFInfo
- Publication number
- CN109668856B CN109668856B CN201710977928.9A CN201710977928A CN109668856B CN 109668856 B CN109668856 B CN 109668856B CN 201710977928 A CN201710977928 A CN 201710977928A CN 109668856 B CN109668856 B CN 109668856B
- Authority
- CN
- China
- Prior art keywords
- product
- near infrared
- spectrum
- raw material
- hydrocarbon group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 158
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 53
- 125000001183 hydrocarbyl group Chemical group 0.000 title 1
- 150000002430 hydrocarbons Chemical group 0.000 claims abstract description 135
- 239000002994 raw material Substances 0.000 claims abstract description 108
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 100
- 238000012937 correction Methods 0.000 claims abstract description 80
- 238000001228 spectrum Methods 0.000 claims abstract description 79
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 44
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 42
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000012628 principal component regression Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 114
- 239000002283 diesel fuel Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000010561 standard procedure Methods 0.000 description 9
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 8
- 238000004523 catalytic cracking Methods 0.000 description 8
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 239000003208 petroleum Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- -1 bicyclic aromatic hydrocarbons Chemical class 0.000 description 5
- CWRYPZZKDGJXCA-UHFFFAOYSA-N acenaphthene Chemical compound C1=CC(CC2)=C3C2=CC=CC3=C1 CWRYPZZKDGJXCA-UHFFFAOYSA-N 0.000 description 4
- HXGDTGSAIMULJN-UHFFFAOYSA-N acetnaphthylene Natural products C1=CC(C=C2)=C3C2=CC=CC3=C1 HXGDTGSAIMULJN-UHFFFAOYSA-N 0.000 description 4
- 238000004949 mass spectrometry Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- IXGPJRIGAOOGMC-UHFFFAOYSA-N C1=CC=C2CCCC2=C1.C1=CC=C2CCCCC2=C1 Chemical compound C1=CC=C2CCCC2=C1.C1=CC=C2CCCCC2=C1 IXGPJRIGAOOGMC-UHFFFAOYSA-N 0.000 description 2
- 125000004054 acenaphthylenyl group Chemical group C1(=CC2=CC=CC3=CC=CC1=C23)* 0.000 description 2
- 150000004996 alkyl benzenes Chemical class 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000003502 gasoline Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- PQNFLJBBNBOBRQ-UHFFFAOYSA-N indane Chemical compound C1=CC=C2CCCC2=C1 PQNFLJBBNBOBRQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 150000002894 organic compounds Chemical class 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 229930195734 saturated hydrocarbon Natural products 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- CXWXQJXEFPUFDZ-UHFFFAOYSA-N tetralin Chemical compound C1=CC=C2CCCCC2=C1 CXWXQJXEFPUFDZ-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种预测LCO加氢原料与产物的烃族组成的方法和装置，该方法包括：收集LCO加氢原料与产物样本，获取LCO加氢原料与产物样本的第一烃族组成数据，采集LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱，根据近红外光谱的主成分与从第一烃族组成数据中获取的主成分对应的第二烃族组成数据建立第一校正模型，根据近红外光谱和主成分确定光谱残差，并根据光谱残差与光谱残差对应的烃族组成残差数据建立第二校正模型，获取待测LCO加氢原料与产物的近红外光谱，并根据待测LCO加氢原料与产物的近红外光谱通过第一校正模型和第二校正模型预测待测LCO加氢原料与产物的烃族组成，从而实现LCO加氢原料与产物的烃族组成的快速预测。
Description
技术领域
本公开涉及化学工业领域，具体地，涉及一种预测LCO加氢原料与产物的烃族组成的方法和装置。
背景技术
国内石油化工科学研究院(简称石科院)将开发的劣质LCO(轻循环油)转化为催化裂化汽油或轻质芳烃(LCO to Aromatics and Gasoline，LTAG)，这样，将低价值的LCO转化成为高附加值的高辛烷值车用汽油或芳烃，可大大缓解企业压力，同时提高汽柴比也符合我国国情。
LTAG工艺包含两个关键性技术：对LCO的选择性加氢技术以及后续的对加氢产品进行选择性催化裂化的技术，前者是将LCO中多环芳烃(如双环芳烃)选择性加氢饱和为单环芳烃，LTAG加氢单元的加氢深度和选择性直接影响到后续催化裂化单元目标产品的收率和质量。选择性加氢饱和后的结果的好坏可以通过LCO加氢前后单环芳烃和多环芳烃的含量变化来确定，另外还可以通过特定芳烃化合物(如茚满或四氢萘、萘类等物质)的含量变化来确定。因此，保持对LTAG加氢单元中LCO原料和产品的性质监控，尤其是对烃族组成的监控，对于整个LTAG工艺来说是必不可少的，这样，有利于及时调整加氢及催化裂化的工况，降低能耗并优化最终产品质量。
目前，对于柴油烃族组成(例如芳烃组成)，主要的分析方法有质谱法，质谱法可以给出柴油的组成信息，包括链烷烃、不同环数环烷烃以及不同环数芳烃的含量分布等，满足对LCO原料和产品性质的分析需求，但是质谱法需要对样品进行预分离，即将样品分离为饱和烃和芳烃后再分别进行质谱分析，从而使得分析时长较长，难以满足快速监控的要求。
发明内容
为了解决上述问题，本公开提供一种预测LCO加氢原料与产物的烃族组成的方法和装置。
为了实现上述目的，根据本公开实施例的第一方面，提供一种预测LCO加氢原料与产物的烃族组成的方法，包括：
收集LCO加氢原料与产物样本；
获取所述LCO加氢原料与产物样本的第一烃族组成数据；
采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；
根据所述近红外光谱的主成分与从所述第一烃族组成数据中获取的所述主成分对应的第二烃族组成数据建立第一校正模型；
根据所述近红外光谱和所述主成分确定光谱残差，并根据所述光谱残差与所述光谱残差对应的烃族组成残差数据建立第二校正模型；所述烃族组成残差数据为所述第一烃族组成数据中除所述第二烃族组成数据之外的数据；
获取待测LCO加氢原料与产物的近红外光谱，并根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成。
可选地，所述获取所述LCO加氢原料与产物样本的第一烃族组成数据包括：
通过SH/T0606方法获取所述LCO加氢原料与产物样本的第一烃族组成数据。
可选地，所述预设谱区包括：7400～7000cm-1和8600～8100cm-1，所述预设恒定温度为36～40℃。
可选地，所述采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱包括：
采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱；
对所述待测光谱进行预处理得到所述近红外光谱。
可选地，所述根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成包括：
将所述待测LCO加氢原料与产物的近红外光谱输入至所述第一校正模型得到第一预测结果；
将所述待测LCO加氢原料与产物的近红外光谱的光谱残差输入至所述第二校正模型得到第二预测结果；
将所述第一预测结果与所述第二预测结果相加得到所述待测LCO加氢原料与产物的烃族组成。
根据本公开实施例的第二方面，提供一种预测LCO加氢原料与产物的烃族组成的装置，包括：
收集模块，用于收集LCO加氢原料与产物样本；
获取模块，用于获取所述LCO加氢原料与产物样本的第一烃族组成数据；
采集模块，用于采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；
第一建立模块，用于根据所述近红外光谱的主成分与从所述第一烃族组成数据中获取的所述主成分对应的第二烃族组成数据建立第一校正模型；
第二建立模块，用于根据所述近红外光谱和所述主成分确定光谱残差，并根据所述光谱残差与所述光谱残差对应的烃族组成残差数据建立第二校正模型；所述烃族组成残差数据为所述第一烃族组成数据中除所述第二烃族组成数据之外的数据；
预测模块，用于获取待测LCO加氢原料与产物的近红外光谱，并根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成。
可选地，所述获取模块，用于通过SH/T0606方法获取所述LCO加氢原料与产物样本的第一烃族组成数据。
可选地，所述预设谱区包括：7400～7000cm-1和8600～8100cm-1，所述预设恒定温度为36～40℃。
可选地，所述采集模块包括：
采集子模块，用于采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱；
预处理子模块，用于对所述待测光谱进行预处理得到所述近红外光谱。
可选地，所述预测模块包括：
第一输入子模块，用于将所述待测LCO加氢原料与产物的近红外光谱的主成分输入至所述第一校正模型得到第一预测结果；
第二输入子模块，用于将所述待测LCO加氢原料与产物的近红外光谱的光谱残差输入至所述第二校正模型得到第二预测结果；
获取子模块，用于将所述第一预测结果与所述第二预测结果相加得到所述待测LCO加氢原料与产物的烃族组成。
通过上述技术方案，收集LCO加氢原料与产物样本；获取所述LCO加氢原料与产物样本的第一烃族组成数据；采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；根据所述近红外光谱的主成分与从所述第一烃族组成数据中获取的所述主成分对应的第二烃族组成数据建立第一校正模型；根据所述近红外光谱和所述主成分确定光谱残差，并根据所述光谱残差与所述光谱残差对应的烃族组成残差数据建立第二校正模型；所述烃族组成残差为所述第一烃族组成数据中除所述第二烃族组成数据之外的数据；获取待测LCO加氢原料与产物的近红外光谱，并根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成，这样，通过检测LCO加氢原料与产物的近红外光谱，并将该近红外光谱的主成分和光谱残差分别输入至第一校正模型和第二校正模型得到LCO加氢原料与产物的烃族组成，从而实现LCO加氢原料与产物的烃族组成的快速预测，避免了现有技术中需要对LCO加氢原料与产物进行预分离的繁琐过程。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的方法的流程图；
图2为本公开实施例示出的又一种预测LCO加氢原料与产物的烃族组成的方法的流程图；
图3为环烷烃组成近红外预测值与环烷烃组成标准方法测量值之间的相关示意图；
图4为单环芳烃组成近红外预测值与单环芳烃组成标准方法测量值之间的相关示意图；
图5为双环芳烃组成近红外预测值与双环芳烃组成标准方法测量值之间的相关示意图；
图6为三环芳烃组成近红外预测值与三环芳烃组成标准方法测量值之间的相关示意图；
图7为总芳烃组成近红外预测值与总芳烃组成标准方法测量值之间的相关示意图；
图8为烷基苯组成近红外预测值与烷基苯组成标准方法测量值之间的相关示意图；
图9为茚满(四氢萘)组成近红外预测值与茚满(四氢萘)组成标准方法测量值之间的相关示意图；
图10为萘类组成近红外预测值与萘类组成标准方法测量值之间的相关示意图；
图11为苊类组成近红外预测值与苊类组成标准方法测量值之间的相关示意图；
图12为苊烯类组成近红外预测值与苊烯类组成标准方法测量值之间的相关示意图；
图13为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的装置框图；
图14为本公开实施例示出的又一种预测LCO加氢原料与产物的烃族组成的装置框图；
图15为本公开实施例示出的再一种预测LCO加氢原料与产物的烃族组成的装置框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的方法的流程图，如图1所示，包括以下步骤：
S101、收集LCO加氢原料与产物样本。
为了使得后续步骤中构建的第一校正模型和第二校正模型较准确以及可靠度较高，在本步骤中，需要收集不同类型的以及性质差异较大的LCO加氢原料与产物样本，但实际操作中为减少工作量，一般选取适当数量且能涵盖所有可能预测到的烃族组成的样本，优选的，不同类型的LCO加氢原料与产物样本的数量为200～340个，本公开采集中石化炼厂的LCO加氢原料与产物样本为200个，示例地，该LCO加氢原料与产物包括催化裂化柴油、加氢精制柴油及二者混兑柴油等，上述示例只是举例说明，本公开对此不作限定。
S102、获取LCO加氢原料与产物样本的第一烃族组成数据。
在本步骤中，可以通过SH/T0606方法获取LCO加氢原料与产物样本的第一烃族组成数据，具体方法与现有技术中的方法相同，不再赘述。
S103、采集LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱。
近红外光谱(NIR)分析技术是目前应用较广泛的快速分析方法之一，由于NIR中具有丰富的组成信息和结构信息，可通过NIR分析技术分析由有机化合物构成的石油及石油产品(如石油燃料和石油溶剂等)，在本公开中，可通过近红外光谱仪测定LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱，并对该待测光谱进行预处理得到该近红外光谱，这样，由于近红外光谱仪构造简单，性能稳定，无需对LCO加氢原料与产物样本进行预分离，可以直接测定LCO加氢原料与产物样本的待测光谱，进而得到该近红外光谱，因此，NIR分析技术可将预测LCO加氢原料与产物样本的烃族组成的时间缩短至几分钟，在提高预测效率的同时还能减低预测费用。
本发明选择与烃族组成有良好相关性的近红外光谱区作为预设谱区，即波数为7400～7000cm-1和8600～8100cm-1的波段区间作为该预设谱区，该预设恒定温度可以为36～40℃。
S104、根据该近红外光谱的主成分与从该第一烃族组成数据中获取的该主成分对应的第二烃族组成数据建立第一校正模型。
其中，该第一校正模型用于确定该近红外光谱的主成分对应的烃族组成数据。
S105、根据该近红外光谱和该主成分确定光谱残差，并根据该光谱残差与该光谱残差对应的烃族组成残差数据建立第二校正模型。
其中，该烃族组成残差数据为该第一烃族组成数据中除该第二烃族组成数据之外的数据，该第二校正模型用于确定该光谱残差对应的烃族组成数据。
S106、获取待测LCO加氢原料与产物的近红外光谱，并根据该待测LCO加氢原料与产物的近红外光谱通过该第一校正模型和该第二校正模型预测该待测LCO加氢原料与产物的烃族组成。
采用上述方法，通过将LCO加氢原料与产物的烃族组成数据和近红外光谱结合起来构建第一校正模型和第二校正模型，这样，通过检测LCO加氢原料与产物的近红外光谱，并将该近红外光谱的主成分和光谱残差分别输入至第一校正模型和第二校正模型得到LCO加氢原料与产物的烃族组成，从而实现LCO加氢原料与产物的烃族组成的快速预测，避免了现有技术中需要对LCO加氢原料与产物进行预分离的繁琐过程。
图2为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的方法的流程图，如图2所示，包括以下步骤：
S201、收集LCO加氢原料与产物样本。
为了使得后续步骤中构建的第一校正模型和第二校正模型较准确以及可靠度较高，在本步骤中，需要收集不同类型的以及性质差异较大的LCO加氢原料与产物样本，但实际操作中为减少工作量，一般选取适当数量且能涵盖所有可能预测到的烃族组成的样本，优选的，不同类型的LCO加氢原料与产物样本的数量为200～340个，本公开采集中石化炼厂的LCO加氢原料与产物样本为200个，示例地，该LCO加氢原料与产物包括催化裂化柴油、加氢精制柴油及二者混兑柴油等，上述示例只是举例说明，本公开对此不作限定。
表1为该LCO加氢原料与产物样本的组成统计表，如表1所示：
表1 LCO加氢原料与产物样本的组成统计表
S202、通过SH/T0606方法获取LCO加氢原料与产物样本的第一烃族组成数据。
其中，SH/T0606方法为中间馏分烃类组成的测定方法(即质谱法)，该方法与现有技术中的方法相同，不再赘述。
S203、采集LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱。
本发明选择与烃族组成有良好相关性的近红外光谱区作为预设谱区，即波数为7400～7000cm-1和8600～8100cm-1的波段区间作为该预设谱区，该预设恒定温度可以为36～40℃。
近红外光谱(NIR)分析技术是目前应用较广泛的快速分析方法之一，由于NIR主要反映含氢基团X-H(X＝C、N、O)合频和倍频的振动，具有丰富的组成信息和结构信息，可通过NIR分析技术分析由有机化合物构成的石油及石油产品(如石油燃料和石油溶剂等)，在本公开中，可通过近红外光谱仪测定LCO加氢原料与产物样本的待测光谱，这样，由于近红外光谱仪构造简单，性能稳定，无需对LCO加氢原料与产物样本进行预分离，可以直接测定LCO加氢原料与产物样本的待测光谱，因此，NIR分析技术可将预测LCO加氢原料与产物样本的烃族组成的时间缩短至几分钟，在提高预测效率的同时还能减低预测费用，具体地，可以采用Thermo公司的Antaris II傅里叶变换型近红外光谱仪测量待测光谱，其中，采用带聚乙烯塞一次性透明圆筒玻璃小瓶(容量为：0.7mL，尺寸为：35mm×7.8mm，光程为6.5mm)放置LCO加氢原料与产物样本，在光谱采集过程中，以空样品瓶做参比以消除一次性透明圆筒玻璃小瓶在材质和尺寸上存在的微小差异，光谱分辨率：8cm-1，累计扫描次数：128次；光谱采集范围：10000～4000cm-1，通过透射测量方式检测预设恒定温度为38℃下的待测光谱，上述示例只是举例说明，本公开对此不作限定。
S204、对该待测光谱进行预处理得到近红外光谱。
其中，可以对该待测光谱进行一阶微分处理或二阶微分处理后得到近红外光谱，这样，可以去除待测光谱中的噪声，从而消除干扰，上述示例只是举例说明，本公开对此不作限定。
S205、根据该近红外光谱的主成分与从该第一烃族组成数据中获取的该主成分对应的第二烃族组成数据建立第一校正模型。
其中，该第一校正模型用于确定该近红外光谱的主成分对应的烃族组成数据。
通常该第一校正模型采用线性方法建立，如偏最小二乘法(PLS)方法以及主成分回归法(PCR)等，上述示例只是举例说明，本公开对此不作限定。
S206、根据该近红外光谱和该主成分确定光谱残差，并根据该光谱残差与该光谱残差对应的烃族组成残差数据建立第二校正模型。
其中，该烃族组成残差数据为该第一烃族组成数据中除该第二烃族组成数据之外的数据，该第二校正模型用于确定该光谱残差对应的烃族组成数据。
通常该第二校正模型采用非线性方法，如支持向量机(SVM)方法，随机森林(RF)方法或人工神经网络(ANN)方法等，上述示例只是举例说明，本公开对此不作限定。
示例地，该第二校正模型采用SVM方法，则可以将光谱残差与该光谱残差对应的烃族组成残差数据输入至预设SVM模型进行训练得到第二校正模型。
为了验证获取的第一校正模型和第二校正模型的准确度，可以采集验证样本集，其中，该验证样本集中包括的验证样本的数量可以为LCO加氢原料与产物样本的数量的1/2，分别测量每个验证样本在38℃下波数为7400～7000cm-1和8600～8100cm-1波段内的待测光谱，并对该待测光谱进行一阶微分处理后得到的近红外光谱，将该近红外光谱的主成分输入第一校正模型得到第一预测结果，并将该近红外光谱的光谱残差输入至第二校正模型得到第二预测结果，将该第一预测结果与该第二预测结果相加得到该验证样本的烃组成近红外预测值，通过SH/T0606方法获取该验证样本的烃组成标准方法预测值，通过比较该烃组成近红外预测值和该烃组成标准方法预测值得到比较结果，该比较结果如图3至图12所示。
S207、获取待测LCO加氢原料与产物的近红外光谱。
示例地，测量待测LCO加氢原料与产物在38℃下波数为7400～7000cm-1和8600～8100cm-1波段内的待测光谱，并对该待测光谱进行一阶微分处理后得到近红外光谱。
S208、将该待测LCO加氢原料与产物的近红外光谱的主成分输入至该第一校正模型得到第一预测结果。
S209、将该待测LCO加氢原料与产物的近红外光谱的光谱残差输入至该第二校正模型得到第二预测结果。
S210、将该第一预测结果与该第二预测结果相加得到该待测LCO加氢原料与产物的烃族组成。
采用上述方法，通过将LCO加氢原料与产物的烃族组成和近红外光谱结合起来构建第一校正模型和第二校正模型，这样，通过检测LCO加氢原料与产物的近红外光谱，并将该近红外光谱的主成分和光谱残差分别输入至第一校正模型和第二校正模型得到LCO加氢原料与产物的烃族组成，从而实现LCO加氢原料与产物的烃族组成的快速预测，避免了现有技术中需要对LCO加氢原料与产物进行预分离的繁琐过程。
图13为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的装置，如图13所示，包括：
收集模块131，用于收集LCO加氢原料与产物样本；
获取模块132，用于获取该LCO加氢原料与产物样本的第一烃族组成数据；
采集模块133，用于采集该LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；
第一建立模块134，用于根据该近红外光谱的主成分与从该第一烃族组成数据中获取的该主成分对应的第二烃族组成数据建立第一校正模型；
第二建立模块135，用于根据该近红外光谱和该主成分确定光谱残差，并根据该光谱残差与该光谱残差对应的烃族组成残差数据建立第二校正模型；该烃族组成残差数据为该第一烃族组成数据中除该第二烃族组成数据之外的数据；
预测模块136，用于获取待测LCO加氢原料与产物的近红外光谱，并根据该待测LCO加氢原料与产物的近红外光谱通过该第一校正模型和该第二校正模型预测该待测LCO加氢原料与产物的烃族组成。
可选地，该获取模块132，用于通过SH/T0606方法获取该LCO加氢原料与产物样本的第一烃族组成数据。
可选地，该预设谱区包括：7400～7000cm-1和8600～8100cm-1，该预设恒定温度为36～40℃。
图14为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的装置，如图14所示，该采集模块133包括：
采集子模块1331，用于采集该LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱；
预处理子模块1332，用于对该待测光谱进行预处理得到该近红外光谱。
图15为本公开实施例示出的一种预测LCO加氢原料与产物的烃族组成的装置，如图15所示，该预测模块136包括：
第一输入子模块1361，用于将该待测LCO加氢原料与产物的近红外光谱的主成分输入至该第一校正模型得到第一预测结果；
第二输入子模块1362，用于将该待测LCO加氢原料与产物的近红外光谱的光谱残差输入至该第二校正模型得到第二预测结果；
获取子模块1363，用于将该第一预测结果与该第二预测结果相加得到该待测LCO加氢原料与产物的烃族组成。
采用上述装置，通过将LCO加氢原料与产物的烃族组成和近红外光谱结合起来构建第一校正模型和第二校正模型，这样，通过检测LCO加氢原料与产物的近红外光谱，并将该近红外光谱的主成分和光谱残差分别输入至第一校正模型和第二校正模型得到LCO加氢原料与产物的烃族组成，从而实现LCO加氢原料与产物的目标烃族组成的快速预测，避免了现有技术中需要对LCO加氢原料与产物进行预分离的繁琐过程。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种预测LCO加氢原料与产物的烃族组成的方法，其特征在于，包括：
收集LCO加氢原料与产物样本；
获取所述LCO加氢原料与产物样本的第一烃族组成数据；
采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；
根据所述近红外光谱的主成分与从所述第一烃族组成数据中获取的所述主成分对应的第二烃族组成数据建立第一校正模型；
根据所述近红外光谱和所述主成分确定光谱残差，并根据所述光谱残差与所述光谱残差对应的烃族组成残差数据建立第二校正模型；所述烃族组成残差数据为所述第一烃族组成数据中除所述第二烃族组成数据之外的数据；
获取待测LCO加氢原料与产物的近红外光谱，并根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成，其中，所述第一校正模型采用主成分回归法PCR，所述第二校正模型采用支持向量机SVM方法。
2.根据权利要求1所述的方法，其特征在于，所述获取所述LCO加氢原料与产物样本的第一烃族组成数据包括：
通过SH/T0606方法获取所述LCO加氢原料与产物样本的第一烃族组成数据。
3.根据权利要求1所述的方法，其特征在于，所述预设谱区包括：7400～7000cm-1和8600～8100cm-1，所述预设恒定温度为36～40℃。
4.根据权利要求3所述的方法，其特征在于，所述采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱包括：
采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱；
对所述待测光谱进行预处理得到所述近红外光谱。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成包括：
将所述待测LCO加氢原料与产物的近红外光谱的主成分输入至所述第一校正模型得到第一预测结果；
将所述待测LCO加氢原料与产物的近红外光谱的光谱残差输入至所述第二校正模型得到第二预测结果；
将所述第一预测结果与所述第二预测结果相加得到所述待测LCO加氢原料与产物的烃族组成。
6.一种预测LCO加氢原料与产物的烃族组成的装置，其特征在于，包括：
收集模块，用于收集LCO加氢原料与产物样本；
获取模块，用于获取所述LCO加氢原料与产物样本的第一烃族组成数据；
采集模块，用于采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的近红外光谱；
第一建立模块，用于根据所述近红外光谱的主成分与从所述第一烃族组成数据中获取的所述主成分对应的第二烃族组成数据建立第一校正模型；
第二建立模块，用于根据所述近红外光谱和所述主成分确定光谱残差，并根据所述光谱残差与所述光谱残差对应的烃族组成残差数据建立第二校正模型；所述烃族组成残差数据为所述第一烃族组成数据中除所述第二烃族组成数据之外的数据；
预测模块，用于获取待测LCO加氢原料与产物的近红外光谱，并根据所述待测LCO加氢原料与产物的近红外光谱通过所述第一校正模型和所述第二校正模型预测所述待测LCO加氢原料与产物的烃族组成，其中，所述第一校正模型采用主成分回归法PCR，所述第二校正模型采用支持向量机SVM方法。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，用于通过SH/T0606方法获取所述LCO加氢原料与产物样本的第一烃族组成数据。
8.根据权利要求6所述的装置，其特征在于，所述预设谱区包括：7400～7000cm-1和8600～8100cm-1，所述预设恒定温度为36～40℃。
9.根据权利要求8所述的装置，其特征在于，所述采集模块包括：
采集子模块，用于采集所述LCO加氢原料与产物样本在预设谱区内以及预设恒定温度下的待测光谱；
预处理子模块，用于对所述待测光谱进行预处理得到所述近红外光谱。
10.根据权利要求6所述的装置，其特征在于，所述预测模块包括：
第一输入子模块，用于将所述待测LCO加氢原料与产物的近红外光谱的主成分输入至所述第一校正模型得到第一预测结果；
第二输入子模块，用于将所述待测LCO加氢原料与产物的近红外光谱的光谱残差输入至所述第二校正模型得到第二预测结果；
获取子模块，用于将所述第一预测结果与所述第二预测结果相加得到所述待测LCO加氢原料与产物的烃族组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977928.9A CN109668856B (zh) | 2017-10-17 | 2017-10-17 | 预测lco加氢原料与产物的烃族组成的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977928.9A CN109668856B (zh) | 2017-10-17 | 2017-10-17 | 预测lco加氢原料与产物的烃族组成的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109668856A CN109668856A (zh) | 2019-04-23 |
| CN109668856B true CN109668856B (zh) | 2021-06-11 |
Family
ID=66141405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710977928.9A Active CN109668856B (zh) | 2017-10-17 | 2017-10-17 | 预测lco加氢原料与产物的烃族组成的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109668856B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147103A (zh) * | 2019-06-27 | 2020-12-29 | 中国石油化工股份有限公司 | 一种预测石油馏分组成的方法 |
| CN112149858A (zh) * | 2019-06-27 | 2020-12-29 | 中国石油化工股份有限公司 | 一种利用原油谱学信息预测渣油馏分sara组成的方法 |
| CN112686296B (zh) * | 2020-12-29 | 2022-07-01 | 昆明理工大学 | 一种基于粒子群优化随机森林参数的辛烷损失值预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1283790A (zh) * | 1999-07-06 | 2001-02-14 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
| CN1979131A (zh) * | 2006-11-20 | 2007-06-13 | 扬子石油化工股份有限公司 | 用近红外光谱测定加氢尾油链烷烃族组成的方法 |
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
| CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
| JP2016157317A (ja) * | 2015-02-25 | 2016-09-01 | 三菱重工業株式会社 | システム同定装置およびシステム同定方法 |
| CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
| CN106680241A (zh) * | 2017-01-13 | 2017-05-17 | 北京化工大学 | 一种新型光谱多元分析分类与识别方法及其用途 |
| CN106909972A (zh) * | 2017-01-09 | 2017-06-30 | 浙江大学 | 一种传感器数据校准模型的学习方法 |
| CN107203991A (zh) * | 2017-04-19 | 2017-09-26 | 山西农业大学 | 一种基于光谱残差的半参考图像质量评价方法 |
-
2017
- 2017-10-17 CN CN201710977928.9A patent/CN109668856B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1283790A (zh) * | 1999-07-06 | 2001-02-14 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
| CN1979131A (zh) * | 2006-11-20 | 2007-06-13 | 扬子石油化工股份有限公司 | 用近红外光谱测定加氢尾油链烷烃族组成的方法 |
| CN101825622A (zh) * | 2010-04-02 | 2010-09-08 | 浙江浙大中控信息技术有限公司 | 一种水质预测方法和装置 |
| JP2016157317A (ja) * | 2015-02-25 | 2016-09-01 | 三菱重工業株式会社 | システム同定装置およびシステム同定方法 |
| CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
| CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
| CN106909972A (zh) * | 2017-01-09 | 2017-06-30 | 浙江大学 | 一种传感器数据校准模型的学习方法 |
| CN106680241A (zh) * | 2017-01-13 | 2017-05-17 | 北京化工大学 | 一种新型光谱多元分析分类与识别方法及其用途 |
| CN107203991A (zh) * | 2017-04-19 | 2017-09-26 | 山西农业大学 | 一种基于光谱残差的半参考图像质量评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| LTAG加氢单元原料和产品组成的近红外快速分析及应用;陈瀑等;《石油炼制与化工》;20170731;第48卷(第7期);第98-102页 * |
| The identification of highly similar crude oils by infrared spectroscopy combined with pattern recognition method;Li Jingyan et al.;《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》;20130328;第112卷;3133-3137 * |
| 近红外光谱法检测奶粉掺假;徐玲玲等;《食品安全质量检测学报》;20160831;第7卷(第8期);457-462 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109668856A (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8735820B2 (en) | Direct match spectrographic determination of fuel properties | |
| US8481942B2 (en) | Direct match spectrographic determination of fuel properties | |
| KR100957730B1 (ko) | 탄화수소 함유 공급원료 분석 방법 | |
| CN109668856B (zh) | 预测lco加氢原料与产物的烃族组成的方法和装置 | |
| Masili et al. | Prediction of physical–chemical properties of crude oils by 1H NMR analysis of neat samples and chemometrics | |
| CN107250769A (zh) | 通过傅里叶变换红外光谱法(ftir)分析表征原油及其级分 | |
| CN107704720B (zh) | 一种石油平均分子结构模型的构建方法以及性质预测方法 | |
| Li et al. | The identification of highly similar crude oils by infrared spectroscopy combined with pattern recognition method | |
| CN110987858A (zh) | 一种利用神经网络数据模型进行油品快速检测的方法 | |
| Hamdan et al. | Detection of sludge contamination in crude palm oil using dielectric spectroscopy | |
| EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| KR101952243B1 (ko) | 가스크로마토그래피와 다변량회귀분석을 이용한 가짜휘발유 검출방법 | |
| CN109668854B (zh) | 预测lco加氢原料与产物的烃族组成的方法和装置 | |
| CN100425975C (zh) | 由近红外光谱测定汽油性质数据的方法 | |
| CN105092526A (zh) | 一种基于近红外光谱技术的二元掺伪芝麻油含量的快速测定方法 | |
| Flumignan et al. | Multivariate calibrations on 1H NMR profiles for prediction of physicochemical parameters of Brazilian commercial gasoline | |
| CN106610420A (zh) | 一种分析油品中的单环芳烃的方法 | |
| CN107389645B (zh) | 离散小波变换解析油品荧光特性的Fisher模型鉴别海上溢油的方法 | |
| CN111103257B (zh) | 一种快速预测蒸汽裂解液相油品中单环芳烃收率的方法 | |
| CN105021747B (zh) | 由核磁共振氢谱预测柴油族组成的方法 | |
| CN111829976A (zh) | 一种由原油近红外光谱预测其汽油馏分烃族组成的方法 | |
| Zhi-Na et al. | Rapid measurement of diesel engine oil quality by near infrared spectroscopy (NIRS) | |
| CN113324945A (zh) | 近红外光谱预测工业白油中芳烃含量的方法 | |
| Jingyan et al. | Research on determination of nitrogen content in petroleum using mid-infrared spectroscopy | |
| Joel et al. | Spectroscopic and Chromatographic Methods for Detection of Adulteration in Liquid Petroleum and Biomass Fuels: A Review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |