CN1125331C - 一种测定渣油组分含量的方法 - Google Patents

Abstract

本发明公开了一种渣油各组分含量的测定方法，是将具有代表性的渣油样品的近红外吸收光谱的二阶微分组成光谱矩阵，以主成分分析的得分为特征变量进行模糊K-均值聚类；将聚类后的每种类型渣油组成的校正集的近红外吸收光谱的二阶微分与相应洗脱色谱法测定的基础数据进行回归分析，建立校正模型；对未知渣油样品的近红外吸收光谱的二阶微分进行主成分分析，识别渣油类型并根据相应类型渣油的校正模型计算出渣油各组分含量。本方法具有适合工业应用，简便、准确、快速，对环境友好的特点，特别适合于成批相同类型渣油的常规分析。

Description

一种测定渣油组分含量的方法

技术领域

本发明是关于渣油组分的测定方法，具体地说是采用近红外光谱结合化学计量学测定渣油组分含量的方法。

背景技术

渣油的充分利用是提高石油炼厂经济效益的重要手段之一。渣油的组成和性质对选择合适的渣油加工条件，充分开发和利用重油资源是十分重要的。但因为渣油中烃类数目十分繁多，结构又十分复杂，详细烃族的分离和鉴定都存在困难。渣油一般由饱和烃(Saturates)、芳烃(Aromatics)、胶质(Resins)和沥青质(Asphaltenes)四组分组成，所以一般所说的渣油组分的测定，即是对渣油中这四个组分含量的测定，也称SARA四组分测定法。

常规的渣油四组分测定方法是洗脱色谱法(EC)，它的实验设备都是实验室中容量分析使用的常用设备，在简易条件下就可以开展工作，是在科研和生产中被广泛采用的最常规的方法，但是其测定过程中要用到大量对人体有害的溶剂，分析时间比较长，单个试样平行测定两次约需12个小时。

化学计量学是以数学、统计学和计算机学为手段，设计或选择最优化学量测方法，并通过解析化学量测数据，获取有关物质系统的化学及其它相关信息；而使用光谱仪器分析有操作简单，速度快的特点。

Fuel，1990，Vol 69，p1381～1385中报道了一种将紫外吸收光谱与化学计量学相结合测定渣油族组分的方法，是将渣油在250～450nm的紫外光谱分段进行数学处理，再将处理后得到的6个参数，通过数学变换得到饱和烃含量，但是测得的饱和烃含量与洗脱色谱法测得的结果有9个百分点的绝对偏差。

Fuel，1993，Vol 72，p505～509中则进一步报道了在上述方法基础上改进了的饱和烃含量的测定方法，是将上述方法中得到的6个参数中的4个用偏最小二乘法校正得到一个参数，再通过数学变换得到饱和烃含量，但是其测定结果与洗脱色谱法方法测得的结果仍有6.9个百分点的绝对偏差。

Fuel，1992，Vol 71，p559～563中报道了建立渣油中沥青质含量校正模型的方法，但由于使用的是部分紫外吸收光谱信息，使沥青质测定结果与洗脱色谱法的相对偏差高达23％。

在一篇题为“高效液相色谱及紫外光谱法快速分析重油馏份的族组成”的博士论文(石油化工科学研究院，1996)中报道了渣油的紫外吸收光谱与高效液相色谱通过偏最小二乘法(PLS)相关联测定渣油四组分的方法，校正模型是使用包括减压渣油和二次加工渣油在内的渣油样品的混合模型，基础数据是由高效液相色谱(HPLC)方法测定的。这种方法有以下不足：(1)采用的基础数据由高效液相色谱测得，与工厂实际操作中采用的洗脱色谱法对渣油组分的切割点不同，且高效液相色谱仪的操作比较复杂，费用大，所以对工厂实际操作的适用性差；(2)由于渣油样品多呈黑褐色粘稠物或固体状态，难于直接测定其紫外光谱，通常需要先用某种溶剂将渣油溶解后再测定其紫外吸收光谱，因此渣油样品的溶解程度会影响测定的结果；(3)各种渣油的组成差异较大，异常样品对建立的校正模型的准确性有很大影响，从而影响测定结果的准确性。

近红外光谱属分子振动光谱，主要反映含氢基团的特征信息。在近红外光谱区域内，各种含氢基团都有一定的倍频谱带归属，因此，渣油的近红外光谱含有烃类化合物组成与结构的信息。近年来，近红外光谱结合化学计量学的测定方法正逐步进入石油化工分析领域。如“分析化学，1998，26(5)，603”中报道了测定喷气燃料冰点的方法，“分析化学，1999，27(1)，34”中报道了测定柴油中芳烃含量的方法等，但迄今未见采用近红外光谱和化学计量学结合测定渣油组分含量的方法。

发明内容

本发明的目的是提供一种适合工业应用，简便、快速、准确且环境友好的近红外光谱结合化学计量学测定渣油四组分含量的方法。

本发明的发明点在于：将因子分析和模糊聚类识别引入到近红外光谱结合化学计量学测定渣油组分的过程中，这是因为渣油组分的繁杂性，用一个渣油组分校正模型，难于得到准确的结果。

因子分析中一种有效的方法是主成分分析法，它通过将特征压缩，把原有的各个特征利用线性变换得到一批新的特征，每个特征都是原有特征的函数，但新特征总数少于原有特征数，这样新特征既保留了原有特征的主要信息，滤除噪音，又减少了特征个数。将主成分分析得到的新特征变量引入模糊K-均值聚类算法中，可使渣油样品聚集分类，为针对性建立渣油组分含量的校正模型建立基础。

渣油组分的基础数据采用工厂中普遍使用的洗脱色谱法获得，是本发明的另一个发明点。

本发明提供的方法包括以下步骤：

1、将具有代表性的渣油样品的近红外光谱的二阶微分组成光谱矩阵，通过主成分分析，并以主成分得分为特征变量进行模糊K-均值聚类。

2、将模糊聚类后区分开的各类型渣油的校正集的近红外光谱二阶微分与相应洗脱色谱法测定的基础数据用数学方法进行回归分析，建立各类型渣油的校正模型。

3、对未知渣油样品的近红外光谱的二阶微分进行主成分分析，根据主成分得分识别渣油类型并由步骤2中建立的相应类型渣油的校正模型计算各组分含量。

本发明所说的渣油近红外光谱的扫描范围是800～2200nm。

所说的具有代表性的渣油样品可包括常压渣油、减压渣油、二次加工油，二次加工油可以包括加氢渣油、回炼油、油浆和焦化蜡油。

本发明所说的对渣油近红外吸收光谱的主成分分析，是将光谱二次微分的量测矩阵Y进行分解，分解为三个矩阵的乘积，即Y＝USV^t，其中，S为对角矩阵，它收集了Y矩阵的特征值，U和V^t分别收集了特征值对应的列特征矢量和行特征矢量，即主成分载荷矩阵和主成分得分矩阵。

所说的模糊K-均值聚类算法，目标函数J_m(U，V)为 $J_{m(U,V)}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{\left|\right|x_i-V_i\left|\right|}^2---\left(1\right)$ 式中 $\left|\right|x_i-V_j\left|\right|={\left[\underset{k=1}{\overset{s}{\mathrm{\Σ}}}{(x_{\mathrm{ki}}-V_{\mathrm{ki}})}^2\right]}^{1/2},$ 为样本X_i＝{x_ki}与聚类中心V_j＝{v_kj}之间的欧氏距离，其中：i＝1，2，...n，n为样品数；j＝1，2，...c，c为分类数；k＝1，2，...s，s为特征数；u_ij为样本x_i对第j类的隶属度；m为加权指数，且m＞1，是为了加强X_i属于各类程度的对比度，m的取值越大所得分类矩阵的模糊程度越大，一般m取1.1-2.0。

目标函数J_m(U，V)表示样本x_i与各个聚类中心V_j的带权距离平方和，其权重为样本x_i隶属于类C_j的隶属度u_ij的m次方，而最佳聚类是使目标函数J_m(U，V)最小。因此，要得到最佳的聚类结果，就要求得适当的隶属度u_ij和聚类中心V_j。，当m＞1，X_i≠V_j时，可用式(2)、式(3)迭代计算出隶属度u_ij和聚类中 $u_{\mathrm{ij}}={\left[\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\left(\right||x_i-V_j||/||x_i-V_l|\left|\right)}^{\frac{2}{m-1}}\right]}^{-1}---\left(2\right)$ $V_j=\underset{p=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{pj}}\right)}^m{x}_p/\underset{p=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{pj}}\right)}^m---\left(3\right)$

具体算法如下：

(1).固定分类数c，加权指数m；收敛门限ε；选取初始隶属度矩阵U⁽⁰⁾，其元素u_ij满足：

     0≤u_ij≤1，i，j $\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1,\∀i$

(2).根据式(3)和U^(q)求聚类中心V_j ^(q)，q为迭代次数。

(3).根据式(2)和求得的V_j ^(q)，求U^(q+1)。

(4).若max{|U^(q)-U^(q+1)|}≤ε，则停止迭代，U^(q+1)及相应的V_j ^(q)为所求.否则返回步骤(2)，继续迭代。

(5).在得到的隶属度矩阵U中，令每列中最大元素为1，其余为0，得到一个普通分类矩阵，即为分类结果。

本发明所说的获取渣油四组分基础数据的洗脱色谱法，已披露于《(石油化工分析方法》(科学出版社，1990)第31页上记载的RIPP10-90方法中。

本发明所说的将洗脱色谱法测定的四组分基础数据，与相应的近红外光谱数据进行回归分析的数学方法是指多元校正方法，可以是经典最小二乘法(CLS)、逆最小二乘法(ILS)、多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法(PLS)、稳健偏最小二乘法(RPLS)或人工神经网络(ANN)，其中优选偏最小二乘法(PLS)。

采用多元校正方法将近红外吸收光谱与相应基础数据进行回归分析，即可获得相应组分的校正模型。

当采用偏最小二乘法(PLS)时，其根据是比耳-朗白定律：Y＝XK+E，其中：

Y：m个样品，n个波长点数组成的(m×n)吸光度矩阵；

X：m个样品，1个组分含量组成的(m×1)浓度矢量；

K：1个组分，n个波长点数组成的(1×n)灵敏度矢量；

E：m×n吸光度残差矩阵。

其校正模型建立的一般算法是：

1.吸光度矩阵Y和浓度矢量X的各元素进行均值中心化处理，即所有数据减去其对应数据组(列向量)的平均值。

2.对归一后的吸光度矩阵Y和浓度矢量X进行主成分分解， $Y={\mathrm{TV}}^t+E_Y=\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{t}_k{v}_k^t+E_Y---\left(1\right)$ $X={\mathrm{RQ}}^t+E_X=\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{r}_k{q}_k+E_X---\left(2\right)$

    r_k＝b_kt_k                      (3)其中：t_k(m×1)为吸光度矩阵的因子得分，

  v_k(1×n)为吸光度矩阵的因子载荷，

  r_k(m×1)为浓度矢量的因子得分，

  q_k(1×1)是个数，浓度矢量的因子载荷，

  b_k(1×1)为r_k和t_k的回归系数，

  p为主因子数。

3.求解特征矢量及主因子数p

下面是对特征矢量及主因子数p求解的一般过程：

当忽略残差阵E时，根据式(1)及(2)，p＝1时有：

    Y＝tv^t   左乘t^t得：v^t＝t^tY/t^tt

             右乘v得：t＝Yv/v^tv

    X＝rq    左乘r^t得：q＝r^tX/r^tr，两边同除以q得：r＝X/q

[1]求吸光度矩阵的权重向量w，

取浓度阵X的某一列作r的起始迭代值，以r代替t，计算w

方程：Y＝rw^t  解：t＝Yw/w^tw

[2]归一化w：w_归一 ^t＝w^t/‖w^t‖

[3]求吸光度矩阵的因子得分t，由归一化后w计算t，

方程：Y＝tw^t  解：t＝Yw/w^tw

[4]求浓度矢量的权重u值，以t代替r计算u，

方程：X＝tu  解：u＝t^tX/t^tt

[5]求浓度矢量的因子得分r，由u计算r，

方程：X＝ru  解：r＝X/u

再以此r代替t返回第[1]步计算w^t，由w^t计算t_新，如此反复迭代，如t已收敛(‖t_新-t_旧‖≤10^-6‖t_新‖)，继续下步运算，否则返回步骤[1]。

[6]由收敛后的t求吸光度矩阵的载荷向量v，

方程：Y＝tv^t 解：v^t＝t^tY/t^tt

[7]由r求浓度矢量的载荷q值，

方程：X＝rq  解：q＝r^tX/r^tr

由此求出对应于第一个主因子的r₁，q₁，t₁，v₁ ^t

代入公式(3)求出b₁：b₁＝r₁t₁/t₁ ^tt₁

[8]由公式(1)和(2)计算残差E，

   E_X，1＝X-r₁q₁＝X-b₁t₁q₁                 (4)

   E_Y，1＝Y-t₁v                            (5)

[9]以E_X，1代替X，E_Y，1代替Y，返回步骤[1]计算下一个组分的

r₂，q₂，t₂，v₂ ^t，b₂

[10]按式(4)及(5)计算E_X，2、E_Y，2，以此类推，求出X、Y的诸

主因子。

用交互检验法确定主因子数p。

经过以上过程，校正模型建立完成。

由未知试样的近红外吸收光谱y_(未知)及校正模型建立过程中存储的v_k计算t_k(未知)：t_k(未知＝y(未知)v_k/v_k ^tv_k；由求出的t_k(未知)及校正过程中存储的b_k计算r_k(未知)：r_k(未知)＝b_kt_k(未知)；再由求出的r_k(未知)及校正模型建立过程中存储的q_k由公式(2) $X={\mathrm{RQ}}^t+E_X=\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{r}_k{q}_k+E_X$ 计算组分含量x_(未知)。

本发明采用的近红外光谱与化学计量学相结合的渣油组分含量的测定方法，具有如下优点：

1、因为校正集的基础数据由工业上普遍采用的洗脱色谱法(EC)获得，所以此方法的工业适用性强。

2、由于首先对渣油样品进行了类型识别，然后再选用对应的校正模型进行组分测定，提高了测定结果的准确性。通过对30个未知渣油样品的含量测定结果可以看出，本发明方法与洗脱色谱法的测定结果相比，各组分的绝对偏差均小于2个百分点，满足洗脱色谱法对渣油组分含量的测量要求。

3、在测量近红外光谱前，渣油样品不需要经过溶解配样步骤，不仅减少了步骤，避免了由于样品溶解程度的不同而带来的误差，而且对环境友好。

4、本方法对单个渣油样品平行测定两次的时间为45分钟，明显少于洗脱色谱法的12小时。特别是它更适合于成批相同类型渣油的常规分析，当对成批相同类型渣油进行组分测定时，为每小时15个样品。

具体实施方式

以下的实例将对本发明作进一步的说明，但本发明的保护范围并不受这些

实施例的限制。

在实例中，使用VECTER22-NIR近红外光谱仪；玻璃载玻片的规格为1.2毫米×26毫米×76毫米；垫片的厚度为1.5毫米。

                           实例

这些实例说明采用本发明方法对30个未知渣油样品的四组分含量的测定过程，其结果表明本发明方法与常规的洗脱色谱法相比，各组分含量的绝对偏差均小于2个百分点，可满足对渣油组分含量的测量要求。

1、渣油近红外光谱的测定：

在一载玻片中央放上垫片，垫片空白处倒入熔化的待测渣油样品，再盖上另一载玻片，并均匀压紧，冷却至室温后，用近红外光谱仪进行光谱测定。扫描次数为20次，以空气为参比，波长800～2200nm。

2、选取60个渣油样品组成聚类集，对由步骤1获得的近红外光谱的二阶微分值进行主成分分析和模糊K-均值聚类。

此聚类集渣油的前三个主成分得分累积贡献率达到99.9％，即只用前三个主成分已几乎包含了原近红外光谱的全部信息，因此选取第一、第二和第三主成分得分为特征变量进行模糊K-均值聚类，将聚类集中渣油样品分为三种类型，编号为A、B、C。聚类集中每种渣油样品的类型见表1。

3、将步骤2中20个A类型渣油样品组成校正集，采用《石油化工分析方法》(科学出版社，1990)第31页上记载的RIPP10-90方法测定四组分含量基础数据，测定结果列于表2中。采用偏最小二乘法将近红外光谱与相应基础数据进行回归分析，获得A类渣油四组分含量的校正模型。

B类和C类渣油的校正模型的建立同A类。

4、对30个未知渣油样品测定近红外光谱，并对其二次微分值进行主成分分析后选取第一、二、三主成分得分识别渣油类型，调用相应A、B或C类渣油的校正模型测定组分含量。测定结果见表2。其中：EC为采用洗脱色谱法测定的组分含量；NIR为采用本发明方法测定的组分含量；DE为本发明方法与洗脱色谱法测定的组分含量的差值，即EC-NIR。

           表1聚类集样品序号、隶属度及聚类结果

样品编号	uiA	uiB	uiC	聚类结果
					1#	0.9908	0.0089	0.0003	A
2#	0.9932	0.0058	0.0010	A
					3#	0.9880	0.0105	0.0015	A
4#	0.9940	0.0059	0.0001	A
					5#	0.9640	0.0198	0.0163	A
6#	0.9948	0.0052	0.0000	A
					7#	0.9938	0.0058	0.0004	A
8#	0.9893	0.0074	0.0033	A
					9#	0.9933	0.0065	0.0002	A
10#	0.9947	0.0052	0.0001	A
					11#	0.9900	0.0050	0.0050	A
12#	0.9943	0.0055	0.0002	A
					13#	0.9949	0.0051	0.0000	A
14#	0.9914	0.0078	0.0008	A
					15#	0.9960	0.0040	0.0000	A
16#	0.9950	0.0050	0.0000	A
					17#	0.9936	0.0058	0.0006	A
18#	0.9942	0.0057	0.0001	A
					19#	0.9894	0.0084	0.0022	A
20#	0.9940	0.0058	0.0002	A
					21#	0.0318	0.9640	0.0042	B
22#	0.0003	0.9996	0.0001	B
					23#	0.0044	0.9951	0.0005	B
24#	0.0178	0.9812	0.0010	B
					25#	0.0012	0.9987	0.0001	B

26#	0.0029	0.9970	0.0002	B
					27#	0.0011	0.9988	0.0002	B
28#	0.0002	0.9998	0.0000	B
					29#	0.0679	0.9310	0.0011	B
30#	0.0099	0.9890	0.0011	B
					31#	0.0023	0.9973	0.0005	B
32#	0.0018	0.9979	0.0003	B
					33#	0.0342	0.9649	0.0008	B
34#	0.0060	0.9932	0.0008	B
					35#	0.0111	0.9882	0.0007	B
36#	0.0183	0.9813	0.0004	B
					37#	0.0016	0.9983	0.0001	B
38#	0.0190	0.9803	0.0007	B
					39#	0.0000	0.0004	0.9996	B
40#	0.0001	0.0016	0.9983	B
					41#	0.0026	0.0004	0.9970	C
42#	0.0002	0.0021	0.9977	C
					43#	0.0035	0.0292	0.9673	C
44#	0.0140	0.0016	0.9844	C
					45#	0.0009	0.0017	0.9974	C
46#	0.0023	0.0061	0.9916	C
					47#	0.0009	0.0023	0.9968	C
48#	0.0002	0.0109	0.9889	C
					49#	0.0006	0.0033	0.9961	C
50#	0.0028	0.0002	0.9970	C
					51#	0.0018	0.0013	0.9969	C
52#	0.0014	0.0010	0.9976	C
					53#	0.0003	0.0020	0.9977	C
54#	0.0047	0.0415	0.9538	C
					55#	0.0001	0.0048	0.9951	C
56#	0.0003	0.0022	0.9975	C
					57#	0.0013	0.0088	0.9899	C
58#	0.0007	0.0025	0.9968	C
					59#	0.0000	0.0072	0.9928	C
60#	0.0001	0.0045	0.9954	C

                              表2 30个渣油样品四组分含量的测定结果

未知样品编号	类型识别结果	饱和烃			芳烃			胶质			沥青质
														EC	NIR	DE	EC	NIR	DE	EC	NIR	DE	EC	NIR	DE
		1#	A	54.33	54.07	-0.26	22.74	22.65	-0.09	20.93	20.19	-0.74	2.0													2.33	0.33
2#	A													39.26	39.21	-0.05	37.36	37.60	0.24	19.78	20.16	0.38	3.6	3.58	-0.02
		3#	A	52.10	52.59	0.49	21.78	21.62	-0.16	24.72	25.56	0.84	1.4													1.54	0.14
4#	A													37.17	37.09	-0.08	39.09	39.34	0.25	18.34	19.09	0.75	5.4	4.72	-0.68
		5#	A	38.93	38.11	-0.82	38.44	39.37	0.93	18.33	19.34	1.01	4.3													3.21	-1.09
6#	A													49.70	49.61	-0.09	22.19	22.54	0.35	26.41	24.68	-1.73	1.7	1.95	0.25
		7#	A	43.01	43.33	0.32	34.60	34.53	-0.07	18.79	17.85	-0.94	3.6													2.90	-0.70
8#	A													39.51	39.37	-0.14	44.21	44.53	0.32	13.18	13.47	0.29	3.1	3.86	0.76
		9#	A	35.38	36.68	1.30	45.96	44.95	-1.01	15.56	16.25	0.69	3.1													2.81	-0.29
10#	A													34.86	34.34	-0.52	44.69	45.32	0.63	17.15	18.90	1.75	3.3	3.05	-0.25
		11#	B	15.46	13.68	-1.78	32.32	33.95	1.63	49.02	47.55	-1.47	3.2													3.45	0.25
12#	B													32.41	33.34	0.93	31.05	30.36	-0.69	30.34	28.74	-1.60	6.2	7.21	1.01
		13#	B	13.59	14.54	0.95	28.24	27.39	-0.85	50.07	50.60	0.53	8.1													8.05	-0.05
14#	B													15.95	16.99	1.04	33.01	32.30	-0.71	44.14	42.99	-1.16	6.9	7.52	0.62
		15#	B	11.79	9.98	-1.81	44.75	46.19	1.44	33.86	33.60	-0.26	9.6													9.55	-0.05
16#	B													13.36	11.47	-1.89	46.82	47.80	0.98	28.92	28.06	-0.86	10.9	10.69	-0.21
		17#	B	15.32	15.03	-0.29	37.81	38.09	0.28	41.17	40.29	-0.88	5.7													5.26	-0.44
18#	B													23.93	24.49	0.56	33.31	32.89	-0.42	39.86	39.87	0.01	2.9	3.20	0.30
		19#	B	33.23	33.37	0.14	38.58	38.61	0.03	27.09	26.95	-0.14	1.1													1.45	0.35
20#	B													8.15	6.72	-1.43	34.14	35.40	1.26	48.41	47.99	-0.42	9.3	8.45	-0.85
		21#	C	56.38	57.38	1.00	25.26	24.68	-0.58	17.36	18.46	1.10	1.0													0.96	-0.04
22#	C													57.53	58.98	1.45	24.02	23.04	-0.98	17.25	18.29	1.04	1.2	1.30	0.10
		23#	C	45.31	46.09	0.78	39.66	39.20	-0.46	13.43	12.86	-0.57	1.6													1.21	-0.39
24#	C													56.88	56.10	-0.78	27.41	27.53	0.12	12.61	13.63	1.02	3.10	3.65	0.55
		25#	C	54.24	54.53	0.29	33.23	33.27	0.04	11.63	12.09	0.46	0.9													0.58	-0.32
26#	C													51.14	50.84	-0.30	24.88	24.89	0.01	21.38	20.62	-0.77	2.6	2.80	0.20
		27#	C	50.28	50.83	0.55	24.08	23.85	-0.23	22.84	23.69	0.85	2.8													2.65	-0.15
28#	C													51.07	51.28	0.21	23.47	23.56	0.09	22.86	22.05	-0.81	2.6	2.94	0.34
		29#	C	49.24	48.82	-0.42	24.42	25.07	0.65	24.84	23.95	-0.89	1.5													1.23	-0.27
30#	C													50.58	50.64	0.06	35.71	35.93	0.22	12.41	13.35	0.94	1.3	1.96	0.66

Claims (6)

1、一种近红外吸收光谱结合化学计量学测定渣油各组分含量的方法，其特征是：

(1)将具有代表性的渣油样品的近红外吸收光谱的二阶微分组成光谱矩阵，进行主成分分析，并以主成分得分为特征变量进行模糊K-均值聚类；

(2)将模糊聚类后区分开的各类型渣油组成的校正集的近红外吸收光谱的二阶微分与相应洗脱色谱法测得的基础数据用数学方法进行回归分析，建立各类型渣油的校正模型；

(3)对未知渣油样品的近红外吸收光谱的二阶微分进行主成分分析，根据主成分得分识别渣油类型并由步骤(2)中建立的相应类型渣油的校正模型计算各组分含量。

2、按照权利要求1所述的方法，其中所说的近红外吸收光谱的波长范围是800～2200nm。

3、按照权利要求1所述的方法，其中所说的具有代表性的渣油样品是常压渣油、减压渣油和二次加工油。

4、按照权利要求3所述的方法，其中所说的二次加工油是加氢渣油、回炼油、油浆和焦化蜡油。

5、按照权利要求1所述的方法，其中步骤(2)所说的数学方法是多元校正方法。

6、按照权利要求5所述的方法，其中所说的多元校正方法是经典最小二乘法(CLS)、逆最小二乘法(ILS)、多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法(PLS)、稳健偏最小二乘法(RPLS)或人工神经网络(ANN)。