CN109724939A - 由近红外光谱预测加氢尾油性质的方法 - Google Patents
由近红外光谱预测加氢尾油性质的方法 Download PDFInfo
- Publication number
- CN109724939A CN109724939A CN201711042704.5A CN201711042704A CN109724939A CN 109724939 A CN109724939 A CN 109724939A CN 201711042704 A CN201711042704 A CN 201711042704A CN 109724939 A CN109724939 A CN 109724939A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- library
- sub
- near infrared
- 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.)
- Granted
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 104
- 238000002835 absorbance Methods 0.000 claims abstract description 19
- 238000010561 standard procedure Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims description 24
- 150000001924 cycloalkanes Chemical class 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 239000012188 paraffin wax Substances 0.000 claims description 3
- 125000003118 aryl group Chemical group 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract 2
- 239000003921 oil Substances 0.000 description 47
- 239000002199 base oil Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000004517 catalytic hydrocracking Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- -1 tetracycloalkane Chemical class 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种由近红外光谱预测加氢尾油性质的方法，包括收集加氢尾油样本，用标准方法测定每个样本的性质数据，测定每个样本的近红外光谱，对其进行二阶微分处理，取7000～4000cm‑1谱区的吸光度，与该样本用标准方法测定的性质数据对应，建立近红外光谱数据库，在近红外光谱数据库随机选取多个分库，用各分库光谱拟合得到的待测样品性质数据值的平均值和全库光谱拟合得到的性质数据预测值按适当比例加合得到待测加氢尾油样品的性质数据预测值。
Description
技术领域
本发明为一种用近红外光谱预测油品性质的方法，具体地说，是一种用近红外光谱预测加氢尾油性质的方法。
背景技术
目前，国内高品质基础油的生产工艺主要是全加氢工艺，加工过程涉及多种工艺以及多种类的物料和产品，一个环节的变化可能给整个基础油的生产带来影响。加氢尾油是其中重要的中间物料，加氢尾油在加氢裂化过程中获得了很好的加氢改质，芳香烃含量低，硫、氮等杂质含量很少，环烷烃及烷烃含量高,非常适合用于生产润滑油基础油。
粘度指数是考察基础油品质的重要指标，而加氢尾油的粘度指数则会直接影响后续基础油的品质。加氢尾油性质随着原油性质、加工工艺及操作条件的变化而不同，因此需要对其性质进行实时监测以快速得到相关信息，及时为工艺参数的调整进行指导，更好控制基础油质量、增加产品收率、节约分析成本，最终为企业生产带来更大的效益。目前国内生产基础油企业都是基于传统分析方法对加氢尾油粘度指数、倾点和烃类组成等进行测定，其耗时长、不环保、不能在线监测，已经不能满足持续稳定高效生产高品质基础油的需求。因此，具有快速检测特点的近红外技术显示出巨大优势，通过将其与化学计量学结合可以可靠的对加氢尾油粘度指数、倾点及烃类组成进行快速测定。王谨等(“在线近红外分析仪在加氢尾油裂解装置中的应用”，《现代科学仪器》，2013，2：157-159)采用近红外光谱结合偏最小二乘方法建立了预测加氢尾油芳烃含量的快速分析方法。但是，采用偏最小二乘方法建立的校正模型有一定的适用范围的，若待测样本的组成与校正集样本存在较大差异，则需要对校正模型进行扩充更新。建立偏最小二乘定量校正模型需根据具体的应用对象对光谱进行预处理和光谱区间优选等操作，因所选参数多、多元校正方法较难理解和掌握等原因，模型的建立通常需要受过训练的专业人员来完成，这成为制约该技术广泛推广使用的瓶颈问题，很多项目都因为校正模型维护不及时而不能发挥其应有的作用。
CN102374975A公开了一种利用近红外光谱预测油品物性数据的方法，提出了一种新的性质预测方法—库光谱拟合方法(Library Spectra Fitting Method)，这种方法基于油品的近红外光谱库和光谱拟合技术，基于光谱相似、性质相似的原理，通过光谱库中的一张或多张光谱对未知待测样本的光谱进行拟合，然后根据参与拟合光谱的性质计算出待测样本的性质，其化学实质在于未知样本可由一组库样本按一定比例混合而成，因此，未知样本的待测性质可通过库样本的性质按照混合比例计算得出。但该法依赖于光谱库中参与光谱拟合的有限的几个样本性质数据预测待测样本的性质，从而影响预测的准确性和稳定性。
发明内容
本发明的目的是提供一种由近红外光谱预测加氢尾油性质的方法，该法可提高待测样品性质数据的预测准确性和稳定性。
本发明提供的由近红外光谱预测加氢尾油性质的方法，包括如下步骤：
(1)收集至少300个加氢尾油样本，用标准方法测定每个样本的性质数据，
(2)测定每个样本的近红外光谱，对其进行二阶微分处理，取7000～4000cm-1谱区的吸光度，与该样本用标准方法测定的性质数据对应，建立近红外光谱数据库，
(3)测定待测加氢尾油样本的近红外光谱，并进行二阶微分，选取7000～4000cm-1谱区的吸光度；
(4)在近红外光谱数据库中，随机选取多个样本的光谱数据，建立近红外光谱数据库分库，每个分库的样本数为近红外光谱数据库样本数的50～70％，共建立n个近红外光谱数据库分库，且每个分库中的样本均不相同，
(5)(Ⅰ)对于某一个近红外光谱数据库分库Ap，按下述方法对待测样本的光谱进行拟合：
a)按式①表示待测样本的光谱，求得库光谱的拟合系数，
其中，x为待测样本的光谱，vi为近红外光谱数据库分库Ap中第i个库光谱，k为光谱数据库分库Ap中的光谱数目，ai为光谱数据库分库Ap中第i个库光谱对应的拟合系数，
拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
b)将上述求得的拟合系数ai中所有的非零拟合系数提取出来，按式②进行归一化处理，得到归一化的拟合系数bi：
其中，g为非零拟合系数的个数，
c)按式③计算待测样本的拟合光谱：
d)按式④计算待测样本光谱的拟合度，
其中，xj为待测样本光谱第j个波长点的吸光度，为拟合光谱第j个波长点的吸光度，m为光谱的波长点数，
若s大于设定的阈值，由式⑤得到待测样本的该分库性质数据预测值，
其中，为通过近红外光谱数据库分库Ap拟合得到的该分库性质数据预测值，qi为参与拟合的光谱数据对应的性质数据，
若s小于设定的阈值，则不采用该近红外光谱数据库分库计算待测样本的性质数据，
(Ⅱ)按(Ⅰ)步的方法，用其它(n-1)个近红外光谱数据库分库对待测样本的光谱进行拟合，共有t个s大于设定的阈值的近红外光谱数据库分库，且t>60％×n，
(6)用t个待测样本的分库性质数据预测值，按式⑥计算待测样本的分库性质数据预测值(P分库)：
其中，分别为由s大于设定的阈值的近红外光谱数据库分库A1、A2、…、At拟合得到的待测样本的各分库性质数据预测值。
(7)用近红外光谱数据库中的所有光谱按(5)步中(Ⅰ)步的方法对待测样本的近红外光谱进行拟合，且s不小于设定的阈值，并由参与拟合的光谱对应的性质数据计算得到待测样本的全库性质数据预测值(P全库)，则待测样本的性质数据预测值由式⑧计算：
P＝(60％-90％)P分库+(10％-40％)P全库 ⑧
式⑧中，P为待测样本的性质数据预测值，P分库为待测样本的分库性质数据预测值，P全库为待测样本的全库性质数据预测值。
本发明方法采用对近红外光谱数据库建立分库的方法，用分库的库光谱对待测样本的光谱进行拟合，进而用参与拟合的分库库光谱的性质数据计算得到待测样本在该分库的性质数据预测值，再将各分库的性质数据预测值的平均值作为待测样本的分库性质数据预测值，将待测样本的分库性质数据预测值与全库性质数据预测值结合得到待测样本的性质数据预测值。该法可充分利用现有近红外光谱数据库的资源，有效提高待测样本性质的预测准确性。
具体实施方式
本发明方法通过建立若干加氢尾油近红外光谱数据库分库的方法，由分库库光谱对待测样本的光谱进行拟合，获得分库的待测样本的性质数据预测值，再由可拟合的所有分库预测结果的平均值得到待测样本的分库性质数据预测值，再结合由全库光谱拟合的得到的待测样本的全库性质数据预测值，将两者按适当权重比加合得到待测样本的性质数据预测值。与CN102374975A相比，可以在一定程度上消除绝对依赖加氢尾油光谱数据库中有限的样本数据的局限，在更大程度上扩展参与拟合的样本数量，从而提高加氢尾油样本性质的预测准确性和稳定性。
本发明方法可以预测的加氢尾油性质包括加氢尾油的族组成、粘度指数和倾点中的至少一种。
所述的族组成选自链烷烃、一环环烷烃、二环环烷烃、三环环烷烃、四环烷烃、环烷烃和芳烃含量中的至少一种。
本发明方法(1)步为收集有代表性的加氢尾油样本，收集的样本数据至少为300个，适宜的收集样品数为300～500个，再用标准方法测定每个样本的性质数据。所述测定加氢尾油样本族组成的标准方法可为SH/T0659，测定粘度指数的标准方法为GB/T1995，测定倾点的标准方法为GB/T3535。
本发明方法(2)步为测定每个样本的近红外光谱，对其进行二阶微分处理后，选取7000～4000cm-1谱区的吸光度(为其光谱)，与该样本用标准方法测定的性质数据对应，建立近红外光谱数据库。所述的性质数据可包括上述族组成、粘度指数和倾点，也可是其中的几个，若有其它性质数据，也可以添加入近红外光谱数据库。
所述(3)步为测定待测加氢尾油样本的近红外光谱，并进行二阶微分，选取7000～4000cm-1谱区的吸光度(为其光谱)；以便于用库光谱对其拟合。测定待测加氢尾油样本的近红外光谱的方法与(2)建立近红外光谱数据库所测样品的近红外光谱的方法相同。
所述(4)步为从近红外光谱数据库中随机选取光谱数据建立分库，每个分库包括的光谱应尽量覆盖近红外光谱数据库中所有类型的数据，分库中包含的样本数量应为近红外光谱数据库中样本数量的50～70％，优选55～70％。所建各分库中的所含的样本均不相同，即没有相同的分库存在。所建近红外光谱数据库分库的数量n优选50～100。
所述(5)步为用分库光谱对待测加氢尾油样本的光谱进行拟合，并将计算得到的拟合度s与阈值相比，判断光谱拟合完全与否。对某一个近红外光谱数据库分库Ap，用(Ⅰ)步所列a)-d)步的方法进行拟合，最后得到待测样本光谱的拟合度s，其中b)步所述的非负约束最小二乘法的具体算法参见文献：C.L.Lawson and R.J.Hanson,Solving LeastSquares Problems,Prentice-Hall,Englewood Cliffs,NJ(1974)；160～165。
s是判断分库光谱对待测样本拟合度的指标，该值越大说明拟合度越高，由此计算得到的预测性质越准确。如果s小于设定的阈值，说明光谱拟合不完全，即待测样本不能完全由库光谱拟合表示，因而无法用分库光谱的性质数据对其性质数据进行准确预测。
对s大于阈值的分库，用式⑤计算该分库的性质数据预测值。
上述用s判断拟合度、适用条件及性质计算方法同样适合用全库光谱拟合计算待测样本的性质数据预测值。
(5)步所述的阈值的确定方法为：选取一个加氢尾油样本，重复测定三次近红外光谱，对每次测定的光谱均进行二阶微分处理，取7000～4000cm-1谱区的吸光度，按式⑦计算两两光谱之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值，
式⑦中，x′j和x″j为两个光谱的第j个波长点的吸光度，m为光谱的波长点数。所述的光谱的波长点数为在光谱区间采集吸光度的波长点数。
本发明所述(5)步中的(Ⅱ)步为按(Ⅰ)方法计算其余(n-1)个所建分库的待测样本光谱拟合度，共有t个s大于设定的阈值的近红外光谱数据库分库，且t>60％×n。t>60％×n为可用分库光谱拟合计算待测样本性质的条件，只有满足上述条件，才可用(6)步计算待测样本的分库性质数据预测值。
本发明所述(6)步为用满足(5)(Ⅱ)步条件的t个待测样本的分库性质数据预测值，由式⑥计算其平均值，得到待测样本的分库性质数据预测值。
本发明所述(7)步为用式⑧计算待测样本的性质数据预测值，式⑧中，P全库为用所建近红外光谱数据库的全部光谱对待测样本进行拟合计算得到的性质数据预测值，其拟合计算方法同分库光谱拟合计算待测样本性质的方法。
(5)步(Ⅱ)步中，当t≤60％×n时，不满足用分库光谱拟合计算待测样本性质的条件，重新按(4)步方法随机建立分库，再按(5)步方法用分库光谱拟合计算待测样本的性质，直到s大于设定的阈值的近红外光谱数据库分库的数值满足t>60％×n，再按(6)、(7)步方法得到待测样本的性质数据预测值。优选地，重新随机建立分库时，增加分库数量或每个分库中样品的数量，也可两者同时进行。
本发明方法适用于用近红外光谱快速预测加氢尾油样本的性质数据，可用于加氢尾油性质的现场监测，以便对加氢尾油生产工艺参数进行实时调整。
下面通过实例进一步详细说明本发明，但本发明并不限于此。
实例和对比例中，测定加氢尾油近红外光谱的仪器采用Thermo公司生产的傅里叶变换近红外光谱仪(ANTARIS II)，光谱范围3500～10000cm-1，分辨率8cm-1，累积扫描次数128次，采谱前样品稳定5min。
实例1
预测加氢尾油的族组成和物性数据。
(1)建立加氢尾油的近红外光谱数据库
收集有代表性的加氢尾油样本428个，用SH/T0659方法测定每个样本的族组成数据，包括链烷烃、一环环烷烃、二环环烷烃、三环环烷烃、四环烷烃、环烷烃和芳烃含量，用GB/T1995法和GB/T3535法分别测定其粘度指数和倾点数据。
测定每个样本的近红外光谱，对其进行二阶微分处理，选取7000～4000cm-1光谱范围的吸光度，该光谱区间采集吸光度的波长点数为875。将7000～4000cm-1谱区的吸光度与标准方法测定的族组成，粘度指数和倾点相对应，建立近红外光谱数据库。
(2)计算拟合度的阈值sv
取1个加氢尾油样品，重复测定三次其近红外光谱，进行二阶微分处理后，选取7000～4000cm-1光谱范围的吸光度，按式⑦计算两两光谱之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值sv，sv＝2.36。
(3)随机建立加氢尾油近红外光谱数据库分库
将加氢尾油的近红外光谱数据库随机生成80个分库A1、A2、…、A80，每个分库选取的样本数为250个。
(4)用分库数据对待测样本的光谱进行拟合，获得其分库性质数据预测值
取1个加氢尾油待测样本A，按与(2)步测定样本近红外光谱相同的方法测定其近红外光谱，进行二阶微分，取7000～4000cm-1光谱范围的吸光度，对一个近红外光谱数据库分库Ap，按本发明所述(5)(Ⅰ)中a)～d)步的方法计算该分库的性质数据预测值，即按式①～③进行拟合计算，得到待测样本的拟合光谱，然后按式④计算待测样本光谱的拟合度s，s＝5.21，大于阈值sv，再按式⑤由参与拟合的光谱对应的性质数据计算该分库待测样本的性质数据预测值。
对80个分库中的其余79个分库均按上述方法进行光谱拟合，共有60个拟合度s大于阈值sv的分库，即t＝60，大于(80×0.6＝)48，满足用分库光谱拟合计算待测样本性质的条件。
(5)对待测样本的性质进行预测
用60个分库通过库光谱获得的待测样本的分库性质数据预测值，按式⑥由60个分库的待测样品性质数据预测值计算待测样品的分库性质数据预测值P分库。
对(1)步建立近红外光谱数据库，按式①～③对待测样本A的光谱进行拟合计算，得到待测样本的拟合光谱，然后按式④计算待测样本光谱的拟合度s，s＝4.12，大于阈值sv，再按式⑤由参与拟合的光谱对应的性质数据计算得到待测样本的全库性质数据预测值P全库，由式⑧计算待测样本的性质数据预测值，具体地，按P＝70％P分库+30％P全库计算待测样品的性质数据预测值，得到的待测加氢尾油样本A的族组成和倾点预测值见表1。
对比例1
取实例1所用的加氢尾油待测样本A，按CN102374975A方法预测其性质数据，结果见表1。
由表1可知，本发明方法较之CN102374975A方法，具有较小的预测偏差，说明本发明方法具有更高的预测准确性。
表1
*偏差1：实例1预测值与标准方法测定值之间的偏差；
*偏差2：CN102374975A方法预测值与标准方法测定值之间的偏差。
实例2
取1个加氢尾油待测样本B，按实例1(3)-(5)步的方法测定其近红外光谱，共随机建立80个分库，每个分库样本数为250个，并用分库光谱拟合计算其性质数据，共有55个拟合度s大于阈值sv的分库，t＝55，大于(80×0.6＝)48，由这55个分库的性质数据预测值由式⑥得到P分库，再对待测样本用全库光谱进行拟合，计算P全库，通过式⑧得到待测样本B的性质数据预测值，具体地，按P＝80％P分库+20％P全库计算待测样品的性质数据预测值，结果见表2。
对比例2
取实例2的加氢尾油待测样本B，按CN102374975A方法预测其性质数据，结果见表2。
表2
实例3
取1个加氢尾油待测样本C，按实例1(3)-(5)步的方法测定其近红外光谱，随机建立80个分库，每个分库样本数为250个，并用分库光谱拟合计算其性质数据，共有个拟合度s大于阈值sv的分库，t＝38，小于(80×0.6＝)48，不满足用分库光谱拟合计算待测样本性质的条件。再重复实例1(3)-(5)步的方法，随机建立90个分库，每个分库样本数为290个，并用分库光谱拟合计算其性质数据，共有59个拟合度s大于阈值sv的分库，t1＝59，大于(90×0.6＝)54，由这59个分库的性质数据预测值由式⑥得到P分库，再对待测样本用全库光谱进行拟合，计算P全库，通过式⑧得到待测样本C的性质数据预测值，具体地，按
P＝70％P分库+30％P全库计算待测样品的性质数据预测值，结果见表3。
对比例3
取实例3的加氢尾油待测样本C，按CN102374975A方法预测其性质数据，结果见表3。
表3
Claims (7)
1.一种由近红外光谱预测加氢尾油性质的方法，包括如下步骤：
(1)收集至少300个加氢尾油样本，用标准方法测定每个样本的性质数据，
(2)测定每个样本的近红外光谱，对其进行二阶微分处理，取7000～4000cm-1谱区的吸光度，与该样本用标准方法测定的性质数据对应，建立近红外光谱数据库，
(3)测定待测加氢尾油样本的近红外光谱，并进行二阶微分，选取7000～4000cm-1谱区的吸光度；
(4)在近红外光谱数据库中，随机选取多个样本的光谱数据，建立近红外光谱数据库分库，每个分库的样本数为近红外光谱数据库样本数的50～70％，共建立n个近红外光谱数据库分库，且每个分库中的样本均不相同，
(5)(Ⅰ)对于某一个近红外光谱数据库分库Ap，按下述方法对待测样本的光谱进行拟合：
a)按式①表示待测样本的光谱，求得库光谱的拟合系数，
其中，x为待测样本的光谱，vi为近红外光谱数据库分库Ap中第i个库光谱，k为光谱数据库分库Ap中的光谱数目，ai为光谱数据库分库Ap中第i个库光谱对应的拟合系数，
拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
b)将上述求得的拟合系数ai中所有的非零拟合系数提取出来，按式②进行归一化处理，得到归一化的拟合系数bi：
其中，g为非零拟合系数的个数，
c)按式③计算待测样本的拟合光谱：
d)按式④计算待测样本光谱的拟合度，
其中，xj为待测样本光谱第j个波长点的吸光度，为拟合光谱第j个波长点的吸光度，m为光谱的波长点数，
若s大于设定的阈值，由式⑤得到待测样本的该分库性质数据预测值，
其中，为通过近红外光谱数据库分库Ap拟合得到的该分库性质数据预测值，qi为参与拟合的光谱数据对应的性质数据，
若s小于设定的阈值，则不采用该近红外光谱数据库分库计算待测样本的性质数据，
(Ⅱ)按(Ⅰ)步的方法，用其它(n-1)个近红外光谱数据库分库对待测样本的光谱进行拟合，共有t个s大于设定的阈值的近红外光谱数据库分库，且t>60％×n，
(6)用t个待测样本的分库性质数据预测值，按式⑥计算待测样本的分库性质数据预测值(P分库)：
其中，分别为由s大于设定的阈值的近红外光谱数据库分库A1、A2、…、At拟合得到的待测样本的各分库性质数据预测值，
(7)用近红外光谱数据库中的所有光谱按(5)步中(Ⅰ)步的方法对待测样本的近红外光谱进行拟合，且s不小于设定的阈值，并由参与拟合的光谱对应的性质数据计算得到待测样本的全库性质数据预测值(P全库)，则待测样本的性质数据预测值由式⑧计算：
P＝(60％-90％)P分库+(10％-40％)P全库 ⑧
式⑧中，P为待测样本的性质数据预测值，P分库为待测样本的分库性质数据预测值，P全库为待测样本的全库性质数据预测值。
2.按照权利要求1所述的方法，其特征在于(5)步(Ⅱ)步中，当t≤60％×n时，重新按(4)步方法随机建立分库，再按(5)步方法用分库光谱拟合计算待测样本的性质，直到s大于设定的阈值的近红外光谱数据库分库的数值满足t>60％×n，再按(6)、(7)步方法得到待测样本的性质数据预测值。
3.按照权利要求1所述的方法，其特征在于所述的性质包括加氢尾油的族组成、粘度指数和倾点中的至少一种。
4.按照权利要求2所述的方法，其特征在于所述的族组成选自链烷烃、一环环烷烃、二环环烷烃、三环环烷烃、四环烷烃、环烷烃和芳烃含量中的至少一种。
5.按照权利要求1所述的方法，其特征在于所述测定加氢尾油样本族组成的标准方法为SH/T0659。
6.按照权利要求1所述的方法，其特征在于(4)步所建近红外光谱数据库分库的数量n为50～100。
7.按照权利要求1所述的方法，其特征在于(5)步所述的阈值的确定方法为：选取一个加氢尾油样本，重复测定三次近红外光谱，对每次测定的光谱均进行二阶微分处理，取7000～4000cm-1谱区的吸光度，按式⑦计算两两光谱之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值，
式⑦中，x′j和x″j为两个光谱的第j个波长点的吸光度，m为光谱的波长点数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711042704.5A CN109724939B (zh) | 2017-10-30 | 2017-10-30 | 由近红外光谱预测加氢尾油性质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711042704.5A CN109724939B (zh) | 2017-10-30 | 2017-10-30 | 由近红外光谱预测加氢尾油性质的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109724939A true CN109724939A (zh) | 2019-05-07 |
| CN109724939B CN109724939B (zh) | 2021-06-11 |
Family
ID=66293474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711042704.5A Active CN109724939B (zh) | 2017-10-30 | 2017-10-30 | 由近红外光谱预测加氢尾油性质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109724939B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139155A (zh) * | 2021-04-23 | 2021-07-20 | 南京富岛信息工程有限公司 | 一种大范围原油调合选择优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120034844A1 (en) * | 2010-08-05 | 2012-02-09 | Applied Materials, Inc. | Spectrographic monitoring using index tracking after detection of layer clearing |
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
| CN103761742A (zh) * | 2014-01-24 | 2014-04-30 | 武汉大学 | 一种基于同质指数的高光谱遥感图像稀疏解混方法 |
-
2017
- 2017-10-30 CN CN201711042704.5A patent/CN109724939B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120034844A1 (en) * | 2010-08-05 | 2012-02-09 | Applied Materials, Inc. | Spectrographic monitoring using index tracking after detection of layer clearing |
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
| CN103761742A (zh) * | 2014-01-24 | 2014-04-30 | 武汉大学 | 一种基于同质指数的高光谱遥感图像稀疏解混方法 |
Non-Patent Citations (4)
| Title |
|---|
| MAZLINA M. SAID ET AL.: "Near-infrared spectroscopy (NIRS) and chemometric analysis of Malaysian and UK paracetamol tablets: A spectral database study", 《INTERNATIONAL JOURNAL OF PHARMACEUTICS》 * |
| XIAO-LI CHU ET AL.: "Rapid identifi cation and assay of crude oils based on moving-window correlation coeffi cient and near infrared spectral library", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
| 梁双等: "基于聚类分析分库策略的社交网络数据库查询性能与数据迁移", 《计算机应用》 * |
| 王艳斌等: "近红外分析方法测定润滑油基础油的化学族组成", 《石油化工》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139155A (zh) * | 2021-04-23 | 2021-07-20 | 南京富岛信息工程有限公司 | 一种大范围原油调合选择优化方法 |
| CN113139155B (zh) * | 2021-04-23 | 2024-02-06 | 南京富岛信息工程有限公司 | 一种大范围原油调合选择优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109724939B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102374975B (zh) | 一种利用近红外光谱预测油品物性数据的方法 | |
| CN107976419B (zh) | 一种由油品近红外光谱预测其性质的方法 | |
| CN105388123B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
| CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
| CN105466884B (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
| CN104990893B (zh) | 一种基于相似判别的汽油辛烷值检测方法 | |
| US20210247367A1 (en) | Workflow-based model optimization method for vibrational spectral analysis | |
| CN109324013A (zh) | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 | |
| CN106407648A (zh) | 一种汽油关键性质的快速批量预测方法 | |
| CA2991215A1 (en) | Method for correlating physical and chemical measurement data sets to predict physical and chemical properties | |
| He et al. | A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes | |
| CN105987886B (zh) | 近红外光谱测定加氢裂化尾油性质的方法 | |
| CN108760789A (zh) | 一种原油快评方法 | |
| CN101201331A (zh) | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 | |
| CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
| CN107966420B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN103398971A (zh) | 一种测定柴油十六烷值的化学计量学方法 | |
| CN109724939B (zh) | 由近红外光谱预测加氢尾油性质的方法 | |
| CN109724938B (zh) | 由近红外光谱预测润滑油基础油性质的方法 | |
| CN108663334B (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
| Brun et al. | Quantification of rubber in high impact polystyrene by Raman spectroscopy. Comparison of a band fitting method and chemometrics | |
| EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination |
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 |