CN113514568B - 基于VOCs相似度的石化装置指纹谱图构建方法及装置 - Google Patents

基于VOCs相似度的石化装置指纹谱图构建方法及装置 Download PDF

Info

Publication number
CN113514568B
CN113514568B CN202010281586.9A CN202010281586A CN113514568B CN 113514568 B CN113514568 B CN 113514568B CN 202010281586 A CN202010281586 A CN 202010281586A CN 113514568 B CN113514568 B CN 113514568B
Authority
CN
China
Prior art keywords
fingerprint
compound
gas sample
compounds
similarity
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
Application number
CN202010281586.9A
Other languages
English (en)
Other versions
CN113514568A (zh
Inventor
冯云霞
朱胜杰
肖安山
贾润中
李波
魏新明
葛涛
董瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Safety Engineering Research Institute Co Ltd
Original Assignee
China Petroleum and Chemical Corp
Sinopec Safety Engineering Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Safety Engineering Research Institute Co Ltd filed Critical China Petroleum and Chemical Corp
Priority to CN202010281586.9A priority Critical patent/CN113514568B/zh
Publication of CN113514568A publication Critical patent/CN113514568A/zh
Application granted granted Critical
Publication of CN113514568B publication Critical patent/CN113514568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • G01N30/8686—Fingerprinting, e.g. without prior knowledge of the sample components
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Physics & Mathematics (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)
  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明实施方式提供一种基于VOCs相似度的石化装置指纹谱图构建方法及装置，属于VOCs监测和溯源技术领域。方法包括：获取目标装置的至少一份气体样本；对所有气体样本进行GC‑MS分析，得到每一份气体样本对应的总离子流图，依据总离子流图获取对应气体样本的化合物组分数据；对所有气体样本进行相似度分析，依据所有达到预设相似度的气体样本生成目标装置的气体样本基础谱图；依据所有气体样本的总离子流图及对应的组分数据提取目标装置的指纹化合物，依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。本发明通过提取相似度高的样本构建生产装置的指纹谱图，解决了现有方法未考虑不同污染源的干扰导致指纹谱图准确性低的问题。

Description

基于VOCs相似度的石化装置指纹谱图构建方法及装置
技术领域
本发明涉及VOCs监测和溯源技术领域，具体地涉及一种基于VOCs相似度的石化装置指纹谱图构建方法及一种基于VOCs相似度的石化装置指纹谱图构建装置。
背景技术
挥发性有机物(Volatile Organic Compounds，VOCs)是形成PM2.5和臭氧污染的重要前体物，具有光化学活性在一定条件下会破坏大气中臭氧和OH自由基的循环，引发光化学烟雾，部分VOCs具有较强的致癌性，会对大气环境和人类健康造成严重影响，日益受到人们的关注。监测、控制VOCs的排放对石化企业而言尤为重要，对于石化企业而言，对VOCs的监测、溯源有助于石化企业快速、准确的定位VOCs排放装置。
公开号为CN108760913A的发明专利《一种大气恶臭污染溯源系统及应用》公开了针对恶臭气体，以指纹物质的气味活度值来建立指纹图谱，利用图谱间相似性进行溯源的方法，其仅涉及对恶臭气体的溯源；公开号为CN103065198A的发明专利《大气恶臭污染精细源解析方法》公开了基于特征标识物的初步识别、基于指纹谱图的精确识别和污染源影响的量化评估，但该方法同样是针对大气恶臭提出的指纹图谱。上述公开发明专利虽然公开了通过建立指纹图谱进行污染源溯源，但均只针对恶臭气体，并且没有考虑不同污染源之间的干扰对溯源结果准确性的影响，不能针对具体的生产装置进行溯源，因此，不适用于石化炼厂生产装置的VOCs溯源。而现有的针对石化装置的排放溯源往往采用单点采集气体样本来生成指纹谱图，没有考虑排放时间、风向对气体样本采集的影响，也没有考虑不同生产装置之间排放气体相互重叠、干扰导致采集到的气体样本不能准确反映当前生产装置的排放特征，从而导致针对生产装置的指纹谱图建立不准确，从而无法针对不同生产工艺的不同生产装置准确的进行排放溯源。
发明内容
本发明实施方式的目的是通过构建针对石化企业生产装置的指纹谱图，以至少解决现有的指纹谱图构建方法未考虑不同污染源的干扰导致建立指纹谱图的准确性低，不能准确反映不同生产工艺、不同生产设备的排放特征，导致不能准确对具体生产设备进行溯源的问题。
为了实现上述目的，在本发明的第一方面，提供一种基于VOCs相似度的石化装置指纹谱图构建方法，包括：
获取目标装置的至少一份气体样本；
对所有所述气体样本进行GC-MS分析，得到每一份所述气体样本对应的总离子流图，依据所述总离子流图获取对应气体样本的化合物组分数据；
对所有所述气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成所述目标装置的气体样本基础谱图；
依据所有达到预设相似度的所述气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取所述目标装置的指纹化合物，依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
可选地，所述化合物组分数据包括各化合物的物性值，所述对所有所述气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成所述目标装置的气体样本基础谱图，包括：
依据所述气体样本的化合物组分数据对所有所述气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本；
对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图。
可选地，所述对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图，包括：
针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；
针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；
依据得到的所有种类化合物的平均物性值，生成所述目标装置的气体样本基础谱图。
可选地，所述依据所有达到预设相似度的气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取所述目标装置的指纹化合物，依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图，包括：
提取所有达到预设相似度的气体样本的总离子流图的共有峰；
依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰；
以提取到的特征峰对应的化合物作为所述目标装置的指纹化合物；
依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
可选地，所述化合物的物性值包括化合物的浓度值，所述依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰，包括：
将得到的所有共有峰中在总离子流图上的响应值排名在前N％，且所述共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n％的共有峰确定为特征峰。
在本发明的第二方面，提供一种基于VOCs相似度的石化装置指纹谱图构建装置，包括：
数据接收模块，被配置为获取目标装置的至少一份气体样本；
数据分析模块，被配置为对所有所述气体样本进行GC-MS分析，得到每一份所述气体样本对应的总离子流图，依据所述总离子流图获取对应气体样本的化合物组分数据；
基础谱图生成模块，被配置为对所有所述气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成所述目标装置的气体样本基础谱图；
指纹谱图生成模块，被配置为依据所有达到预设相似度的气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取所述目标装置的指纹化合物，依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
可选地，所述化合物组分数据包括各化合物的物性值，所述基础谱图生成模块，包括：
相似度分析单元，被配置为依据所述气体样本的化合物组分数据对所有所述气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本；
基础谱图生成单元，被配置为对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图。
可选地，所述基础谱图生成单元，包括：
第一计算子单元，被配置为针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；
第二计算子单元，被配置为针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；
第三计算子单元，被配置为依据得到的所有种类化合物的平均物性值，生成所述目标装置的气体样本基础谱图。
可选地，所述指纹谱图生成模块，包括：
共有峰提取单元，被配置为提取所有达到预设相似度的气体样本的总离子流图的共有峰；
特征峰确定单元，被配置为依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰；
指纹化合物确定单元，被配置为以提取到的特征峰对应的化合物作为所述目标装置的指纹化合物；
指纹谱图生成单元，被配置为依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
可选地，所述化合物组分数据包括各化合物的物性值，所述依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰，包括：
将得到的所有共有峰中在总离子流图上的响应值排名在前N％，且所述共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n％的共有峰确定为特征峰。
在本发明的第三方面，提供一种石化装置VOCs溯源方法，包括：
应用上述的基于VOCs相似度的石化装置指纹谱图构建方法构建石化装置的指纹谱图；
采集大气气体样本，对所述大气气体样本进行分析得到所述大气气体样本的指纹谱图；
将所述大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图进行对比，通过所述大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图的相似度对污染源进行溯源。
在本发明的第四方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于VOCs相似度的石化装置指纹谱图构建方法。
在本发明的第五方面，提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的基于VOCs相似度的石化装置指纹谱图构建方法。
本发明上述技术方案通过获取石化企业生产装置至少一个采集点的VOCs气体样本，提取指纹化合物，对获取到的所有气体样本进行相似度分析，提取相似度接近的气体样本生成生产装置的VOCs基本谱图，基于指纹化合物和VOCs基本谱图生成目标装置的指纹谱图，有效提高了构建生产装置的VOCs基本谱图的准确性，能更准确反应生产装置的排放特性，通过构建针对石化企业生产装置的指纹谱图，从而可以依据构建的指纹谱图对VOCs进行溯源。
本发明实施方式的其它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发明实施方式的进一步理解，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发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明实施例1提供的基于VOCs相似度的石化装置指纹谱图构建方法的方法流程图；
图2是本发明实施例1提供的10个重整装置的VOCs样品的总离子流图；
图3是本发明实施例1提供的10个重整装置的VOCs样品主成分分析三维空间分布图；
图4是本发明实施例1提供的重整装置VOCs指纹谱图；
图5是本发明实施例1提供的10个焦化装置VOCs样品主成分分析三维空间分布图；
图6是本发明实施例1提供的焦化装置VOCs指纹谱图；
图7是本发明实施例2提供的基于VOCs相似度的石化装置指纹谱图构建装置的示意框图；
图8是本发明实施例2提供的终端设备的示意图。
附图标记说明
1-数据接收模块，2-数据分析模块，3-基础谱图生成模块，4-指纹谱图生成模块，10-终端设备，100-处理器，101-存储器，102-计算机程序。
具体实施方式
以下结合附图对本发明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发明，并不用于限制本发明。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
实施例1
如图1所示，本实施例提供一种基于VOCs相似度的石化装置指纹谱图构建方法，包括：
S100、获取目标装置的至少一份气体样本；
S200、对所有气体样本进行GC-MS分析，得到每一份气体样本对应的总离子流图，依据总离子流图获取对应气体样本的化合物组分数据；
S300、对所有气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成目标装置的气体样本基础谱图；
S400、依据所有达到预设相似度的气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取目标装置的指纹化合物，依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。
如此，本实施例通过获取石化企业生产装置至少一个采集点的VOCs气体样本，提取指纹化合物，对获取到的所有气体样本进行相似度分析，提取相似度接近的气体样本生成生产装置的VOCs基本谱图，基于指纹化合物和VOCs基本谱图生成目标装置的指纹谱图，有效提高了构建生产装置的VOCs基本谱图的准确性，能更准确反应生产装置的排放特性，通过构建针对石化企业生产装置的指纹谱图，从而可以依据构建的指纹谱图对VOCs进行溯源。
具体地，VOCs源成分谱的研究工作为VOCs治理提供重要基础数据，在成分谱的基础上获得不同装置的指纹谱图是对VOCs进行溯源识别的重要依据，因此，对于石化企业生产装置的样本采集需要准确的反应生产装置的排放特征。以石化企业炼厂为例，一个生产单元可能包含多个生产工艺段，同一生产单元不同采样点位处，样品的浓度会存在很大差异。利用单个采样点位不能完全代表不同生产工艺的排放特征，采样点位的不确定性影响了生产单元VOCs成分谱的准确性。本实施例对内部采样点及外部采样点分别采取不同的采样策略，对于内部采样点：按照每个装置的原料、产品、加工工艺特点布设一个或多个采样点，根据划分的工艺段，依据实际距离布设采样点，在流经轻组分物料的集中区域采样点数量尽量多，确保所取样品分布在装置的所有区域。对于界区外部采样点：根据气象条件，确定上风向背景点不受炼厂排放的影响，在下风向选取2-3个受体点点位。样品的采集在风速较低，这里取风速＜2m/s的静风情况下进行，以减少各装置间的扩散传输的影响，避免雨、雪等天气采样；采样方法使用3.2L苏玛罐采集，采样流量50ml/min，采样高度为1.5m，采集时间1小时。
对于采集到的气体样本，本实施例采用U.S EPA推荐的TO14、TO15方法，预浓缩-GC-MS联用，进行全谱分析，不同浓度梯度的标准曲线校准，实现精确计量。为了保证分析结果的准确性，需要对采集样品进行质控：采样前，使用清罐仪以高纯氮气清洗苏玛罐3次，并抽至负压6.5Pa，并每批次抽取1个苏码罐进行空白检测。每日使用TO15和PAMS混合标准气体进行单点质控，80％以上物质实际校准浓度与理论浓度偏差小于10％，认为校正曲线有效，超过则重新进行多点校正。平行样占采样总数的10％。采用6个浓度梯度混合标样建立标准曲线，每个浓度梯度进样5次，同时进4×10-9的内标，各目标物的相对标准偏差为1％～10％，标准曲线的相关性在0.991～1.000之间。
按上述步骤得到气体样本的总离子流图(TIC谱图)后，即可通过得到的TIC谱图得到各气体样本的化合物组分数据，化合物组分数据包括当前气体样本中每种化合物的保留时间、响应强度值及浓度值。其中，VOCs气体样本的组成包括烷烃、烯烃、炔烃、芳烃、氯代烃、含氧有机物、硫化物等107种化合物，同时，删除含量在检出限以下的样品数据。对比上风向样品组分浓度，扣除装置内部和下风向样品中，明显来自上风向污染源的组分含量。
对通过上述步骤得到的所有气体样本的化合物组分数据进行相似度分析，依据达到预设相似度的气体样本的化合物组分数据生成目标装置的气体样本基础谱图，具体包括：
依据气体样本的化合物组分数据对所有气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本；通过主成分分析法(PCA)能将所有气体样本按预设的算法映射到三维空间坐标系中，从而通过各气体样本映射在三维空间坐标系上的散点坐标判断各气体样本之间的数学距离，从而提取具有共性的气体样本，主成分分析法(PCA)本质上是一种聚类算法，主成分分析法(PCA)为现有技术，例如，可以通过MATLAB实现对气体样本的主成分分析，其具体实现过程此处不再赘述。
对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成目标装置的气体样本基础谱图，其中化合物的物性值可以是对应化合物的响应强度值或浓度值，本实施例中以化合物的响应强度值作为化合物的物性值进行均方根计算，从而依据化合物的保留时间和均方根计算后的响应强度值生成目标装置的气体样本基础谱图。由于同一生产装置可能包含多个生产工艺段，同一生产单元不同采样点位处，样品的浓度会存在很大差异。在获得生产装置代表性成分谱过程中需进行平均化处理，但是往往平均化处理后可能会降低不同组分间的差异性，因此本实施例使用均方根值算法，充分考虑组分间的特征差异，从而获得与生产装置VOCs真实组分更贴近的数据。
其中，对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成目标装置的气体样本基础谱图，包括：
针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；例如，获取通过主成分分析法提取到的具有共性的所有气体样本中的烷烃的物性值、烯烃的物性值，以此类推，直至获取到所有化合物组分的物性值。
针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；以烷烃的物性值计算为例，对于得到的所有烷烃的物性值，通过以下公式求所有烷烃的物性值的均方根值：
其中，N表示气体样本的数量，XN表示第N个化合物的物性值，例如，X1表示第一份气体样本的烷烃物性值，XN表示第N份气体样本的烷烃物性值，以此类推。
通过上述步骤得到提取共性后的气体样本的每一种化合物均方根后的物性值，从而依据得到的所有种类化合物均方根后的物性值，生成目标装置的气体样本基础谱图。
在生成目标装置的气体样本基础谱图的基础上，还需要结合指纹化合物，以便生成最终的指纹谱图，因此，依据所有达到预设相似度的气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取目标装置的指纹化合物，依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图，包括：
提取所有达到预设相似度的气体样本的总离子流图的共有峰，本实施例中，选取的指纹化合物必须是目标装置的VOCs气体样本中共有的化合物组分，因此，特征峰必须是共有峰；
依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰，其中，预设规则为将得到的所有共有峰中在总离子流图上的响应值排名在前N％，且共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n％的共有峰确定为特征峰，选取特征峰时尽量选取VOCs组分中含量高，且在TIC谱图上响应值高的化合物，才能使所选的化合物与目标装置的工艺相符，能代表目标装置的工艺特征，本实施例以在总离子流图上的响应值排名在前20％的共有峰，且满足组分含量排名在前20％的化合物对应的峰，确定为特征峰；
本实施例中，考虑到信息的充足性、代表性，指纹化合物(特征峰)的个数设定在5-21之间，以通过上述步骤提取到的特征峰对应的化合物作为目标装置的指纹化合物；
依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。
现有的VOCs指纹化合物的提取通常仅仅依据化合物的响应强度值确定，然而当气体样本受到上风向装置排放气体的影响时，仅仅依据响应强度值提取指纹化合物会导致提取结果不准确，例如，当前装置的气体样本中受到上风向装置排放气体的影响后，提取指纹化合物时，来自上风向装置排放的气体中的某一化合物的响应强度值较高，可能被误提取为指纹化合物，但是其并不能反映当前装置排放气体的排放特征，从而导致最终的溯源结果不准确，本实施例的上述步骤通过提取所有达到预设相似度的气体样本的总离子流图的共有峰来提取指纹化合物，有效消除了不同排放源相互干扰导致指纹化合物提取不准确的影响。
以下以具体实例进行说明：
1)以石化企业的重整装置为例，建立重整装置成分谱和指纹谱图。
炼厂常见装置有常减压装置、催化裂化、催化重整、催化加氢、延迟焦化、污水处理厂、化工生产、储罐区等，不同的生产装置分为多个工艺段，根据不同生产装置按照生产原料、加工工艺、产品要求等进行划分。尽可能多的收集不同装置的VOCs样品，利用GC-MS分析仪器获得VOCs样品的组成，共包含烷烃、烯烃、炔烃、芳烃、氯代烃、含氧有机物、硫化物等107种化合物。按照数据处理原则，删除含量在检出限以下的样品，获取共10个样品，包含了不同生产工艺段的范围。
如图2所示，利用Origin软件获得10种重整装置样品的总离子流图(TIC)，10个样品的谱图在谱图轮廓上非常相近，仅部分物质的峰强度存在一定的差异性，说明同一装置样品VOCs成分谱间具有“共性”，因此通过聚类算法，提取相似性高的多数样品，通过对相似油品的谱图中的共性进行提取，利用均方根算法处理作为该装置VOCs样品的平均谱图，获得不同化合物的VOCs基础成分谱。对于相似性高的谱图，往往包含该装置的特征峰，某一个或有几个特征化合物峰峰值差异性明显。
如图3所示，对上述10个样品经标准化处理，利用主成分分析获得不同点位VOCs组分在三维空间上的分布图，从图中可以看出除9、10点位外，其他样品在三维空间上分布较集中，说明聚在一起的样品组分上更相近，样本中化合物的组成包含的异戊烷、正戊烷、正丁烷、苯、甲苯、二甲苯等含量较高，与重整装置的工艺对应上更贴切，通过计算样本间化合物的占比，选取组分含量较高，同时符合，结合装置工艺特点，从而获得能代表装置特征的指纹化合物，利用保留时间在基础成分谱上得到指纹化合物对应的特征峰。
在上述前提下对重整装置的VOCs组分的特征峰、指纹化合物及基础成分谱图进行提取。根据重整装置的工艺特点和VOCs的组分GC-MS分析结果，共选择了10个重整装置的指纹化合物，参见表1，通过对相似度高的8个重整装置TIC谱图进行均方根算法处理得到基础谱图，加上10个指纹化合物，从而得到如图4所示的重整装置的指纹谱图。
表1
2)以焦化装置为例，建立焦化装置VOCs组分指纹图谱
利用上述的VOCs采样和分析方法，获得10个焦化装置的大气VOCs样品，对10个样品经标准化处理，利用主成分分析获得不同点位VOCs组分在三维空间上的分布图，如图5所示，从图中可以看出除6点位外，其他样品在三维空间上分布较集中，说明聚在一起的样品组分上更相近，样本中化合物的组成包含的苯系物和高碳烷烃等含量较高，与焦化装置的工艺对应上更贴切，通过计算样本间化合物的占比，选取组分含量较高，同时符合装置工艺特点的化合物，从而获得能代表装置特征的指纹化合物，利用保留时间在基础成分谱上得到指纹化合物对应的特征峰。
利用上述的指纹化合物的选取方法和指纹谱图的构建方法，对焦化装置的VOCs组分的特征峰和指纹谱图进行提取。根据焦化装置的工艺特点和VOCs的组分GC-MS分析结果，共选择了8个焦化装置的指纹化合物，参见表2，通过对9个焦化装置TIC谱图进行均方根算法处理得到基础谱图，加上8个指纹化合物，得到如图6所示的指纹谱图。
表2
与上述重整装置VOCs组分指纹谱图和特征峰相比，两个装置谱图间存在明显差异，对上述重整装置指纹图谱和焦化装置指纹图谱计算相似性，相似性仅为0.196，因此可以使用本方法获得不同装置间的指纹谱图，实现对不同装置VOCs组分的识别，从而为石化企业生产装置的溯源提供技术支持。
本实施例还提供一种石化装置VOCs溯源方法，包括：
应用上述的基于VOCs相似度的石化装置指纹谱图构建方法构建不同石化生产装置的指纹谱图；
采集待监测区域的大气气体样本，对大气气体样本进行分析得到大气气体样本的指纹谱图；
将得到的大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图进行对比，通过大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图的相似度对污染源进行溯源。
实施例2
如图7所示，在本实施例提供一种基于VOCs相似度的石化装置指纹谱图构建装置，包括：
数据接收模块1，被配置为获取目标装置的至少一份气体样本；
数据分析模块2，被配置为对所有气体样本进行GC-MS分析，得到每一份气体样本对应的总离子流图，依据总离子流图获取对应气体样本的化合物组分数据；
基础谱图生成模块3，被配置为对所有气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成目标装置的气体样本基础谱图；
指纹谱图生成模块4，被配置为依据所有达到预设相似度的气体样本的总离子流图及所有达到预设相似度的气体样本的化合物组分数据提取目标装置的指纹化合物，依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。
可选地，化合物组分数据包括各化合物的物性值，基础谱图生成模块3，包括：
相似度分析单元，被配置为依据气体样本的化合物组分数据对所有气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本；
基础谱图生成单元，被配置为对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成目标装置的气体样本基础谱图。
可选地，基础谱图生成单元，包括：
第一计算子单元，被配置为针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；
第二计算子单元，被配置为针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；
第三计算子单元，被配置为依据得到的所有种类化合物的平均物性值，生成目标装置的气体样本基础谱图。
可选地，指纹谱图生成模块4，包括：
共有峰提取单元，被配置为提取所有达到预设相似度的气体样本的总离子流图的共有峰；
特征峰确定单元，被配置为依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰；
指纹化合物确定单元，被配置为以提取到的特征峰对应的化合物作为目标装置的指纹化合物；
指纹谱图生成单元，被配置为依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。
可选地，化合物的物性值包括化合物的浓度值，依据所有达到预设相似度的气体样本的化合物组分数据，确定符合预设规则的共有峰为特征峰，包括：
将得到的所有共有峰中在总离子流图上的响应值排名在前N％，且共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n％的共有峰确定为特征峰。
本实施例还提供一种计算机可读存储介质，可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的基于VOCs相似度的石化装置指纹谱图构建方法。
本实施例还提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的基于VOCs相似度的石化装置指纹谱图构建方法。
如图8所示是本发明一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如进行区块链账户评价的程序。所述处理器100执行所述计算机程序102时实现上述方法实施例中的步骤，例如，图1所示的区块链账户评估方法的相关步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在终端设备10中的执行过程。例如，所述计算机程序102可以被分割成数据接收模块1、数据分析模块2、基础谱图生成模块3和指纹谱图生成模块4(虚拟装置中的模块)，各模块具体功能如下：
数据接收模块1，被配置为获取目标装置的至少一份气体样本；
数据分析模块2，被配置为对所有气体样本进行GC-MS分析，得到每一份气体样本对应的总离子流图，总离子流图包括对应气体样本的化合物组分数据；
基础谱图生成模块3，被配置为对所有气体样本的化合物组分数据进行相似度分析，依据所有达到预设相似度的气体样本的化合物组分数据生成目标装置的气体样本基础谱图；
指纹谱图生成模块4，被配置为依据所有气体样本的总离子流图提取目标装置的指纹化合物，依据指纹化合物及气体样本基础谱图生成目标装置的指纹谱图。
所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图5仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备，例如所述终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，本发明提供一种提取石化企业不同生产装置VOCs指纹谱图的新方法，该方法能在多个采样点的基础上，快速、准确的提取出不同生产装置VOCs的本征信息，解决成分谱不具有代表性的问题，并结合生产装置的工艺特征，在成分谱的基础上增加特征峰的因子，获得能用于VOCs溯源的指纹谱图。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
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，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (7)

1.一种基于VOCs相似度的石化装置指纹谱图构建方法，其特征在于，包括：
获取目标装置的至少一份气体样本；
对所有所述气体样本进行GC-MS分析，得到每一份所述气体样本对应的总离子流图，依据所述总离子流图获取对应气体样本的化合物组分数据；
依据所述气体样本的化合物组分数据对所有所述气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本，其中，化合物组分数据包括各化合物的物性值，所述化合物的物性值包括化合物的响应值或浓度值；
对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图；
提取所有达到预设相似度的气体样本的总离子流图的共有峰；
将得到的所有共有峰中在总离子流图上的响应值排名在前N%，且所述共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n%的共有峰确定为特征峰；
以提取到的特征峰对应的化合物作为所述目标装置的指纹化合物；
依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
2.根据权利要求1所述的基于VOCs相似度的石化装置指纹谱图构建方法，其特征在于，所述对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图，包括：
针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；
针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；
依据得到的所有种类化合物的平均物性值，生成所述目标装置的气体样本基础谱图。
3.一种基于VOCs相似度的石化装置指纹谱图构建装置，其特征在于，包括：
数据接收模块，被配置为获取目标装置的至少一份气体样本；
数据分析模块，被配置为对所有所述气体样本进行GC-MS分析，得到每一份所述气体样本对应的总离子流图，依据所述总离子流图获取对应气体样本的化合物组分数据；
基础谱图生成模块，包括：
相似度分析单元，被配置为依据所述气体样本的化合物组分数据对所有所述气体样本进行主成分分析，提取化合物组分数据达到预设相似度的所有气体样本，其中，化合物组分数据包括各化合物的物性值，所述化合物的物性值包括化合物的响应值或浓度值；
基础谱图生成单元，被配置为对所有化合物组分数据达到预设相似度的气体样本的所有化合物的物性值求均方根值，依据得到的均方根值生成所述目标装置的气体样本基础谱图；
指纹谱图生成模块，包括：
共有峰提取单元，被配置为提取所有达到预设相似度的气体样本的总离子流图的共有峰；
特征峰确定单元，被配置为将得到的所有共有峰中在总离子流图上的响应值排名在前N%，且所述共有峰对应的化合物的浓度值在所有化合物的浓度值中排名前n%的共有峰确定为特征峰；
指纹化合物确定单元，被配置为以提取到的特征峰对应的化合物作为所述目标装置的指纹化合物；
指纹谱图生成单元，被配置为依据所述指纹化合物及所述气体样本基础谱图生成所述目标装置的指纹谱图。
4.根据权利要求3所述的基于VOCs相似度的石化装置指纹谱图构建装置，其特征在于，所述基础谱图生成单元，包括：
第一计算子单元，被配置为针对每一化合物组分数据达到预设相似度的气体样本，提取该气体样本的化合物组分数据中对应的所有化合物的物性值；
第二计算子单元，被配置为针对每一种类的化合物，对得到的所有同一种类化合物的物性值求均方根，并以得到的均方根值作为该种类化合物的平均物性值；
第三计算子单元，被配置为依据得到的所有种类化合物的平均物性值，生成所述目标装置的气体样本基础谱图。
5.一种石化装置VOCs溯源方法，其特征在于，包括：
应用如权利要求1~2中任一项权利要求所述的基于VOCs相似度的石化装置指纹谱图构建方法构建石化装置的指纹谱图；
采集大气气体样本，对所述大气气体样本进行分析得到所述大气气体样本的指纹谱图；
将所述大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图进行对比，通过所述大气气体样本的指纹谱图与预先构建的石化装置的指纹谱图的相似度对污染源进行溯源。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~2中任一项权利要求所述的基于VOCs相似度的石化装置指纹谱图构建方法。
7.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行权利要求1~2中任一项权利要求所述的基于VOCs相似度的石化装置指纹谱图构建方法。
CN202010281586.9A 2020-04-10 2020-04-10 基于VOCs相似度的石化装置指纹谱图构建方法及装置 Active CN113514568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010281586.9A CN113514568B (zh) 2020-04-10 2020-04-10 基于VOCs相似度的石化装置指纹谱图构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010281586.9A CN113514568B (zh) 2020-04-10 2020-04-10 基于VOCs相似度的石化装置指纹谱图构建方法及装置

Publications (2)

Publication Number Publication Date
CN113514568A CN113514568A (zh) 2021-10-19
CN113514568B true CN113514568B (zh) 2023-08-04

Family

ID=78060639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010281586.9A Active CN113514568B (zh) 2020-04-10 2020-04-10 基于VOCs相似度的石化装置指纹谱图构建方法及装置

Country Status (1)

Country Link
CN (1) CN113514568B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065198A (zh) * 2012-12-17 2013-04-24 天津市环境保护科学研究院 大气恶臭污染精细源解析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3043175A4 (en) * 2013-09-04 2016-08-31 Shimadzu Corp DATA PROCESSING APPARATUS FOR CHROMATOGRAPHY-MASS SPECTROMETRY

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065198A (zh) * 2012-12-17 2013-04-24 天津市环境保护科学研究院 大气恶臭污染精细源解析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石化企业挥发性有机物成分谱构建及溯源解析;冯云霞等;《石油炼制与化工》;20200112(第01期);第3.2节 *

Also Published As

Publication number Publication date
CN113514568A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN112505282A (zh) 一种环境水体污染实时精准溯源预警方法及其系统
CN113155939A (zh) 一种挥发性有机物在线来源解析方法、系统、设备及介质
Bhargava et al. DNA barcoding in plants: evolution and applications of in silico approaches and resources
Zhang et al. Novel machine learning-based energy consumption model of wastewater treatment plants
CN114595956B (zh) 一种基于灰度关联法模糊聚类算法的桉树土壤肥力分析方法
CN111932146B (zh) 污染成因的分析方法、装置、计算机设备和可读存储介质
CN117172992B (zh) 一种污染农田土壤的微生态特征调查方法及系统
CN112948761A (zh) 河流氮污染物定量源解析系统
Shafii et al. Application of chemometrics techniques to solve environmental issues in Malaysia
CN116187861A (zh) 基于同位素的水质溯源监测方法及相关装置
CN116522094A (zh) 区域碳中和的分析测算方法、装置、设备及存储介质
CN114118613A (zh) 一种焦化土壤污染空间分布预测优化方法及系统
CN115629159A (zh) 一种基于多源数据的臭氧及前体物溯源方法及装置
Nikolopoulos et al. Long-memory traces in PM 10 time series in Athens, Greece: Investigation through DFA and R/S analysis
Nelson et al. A comprehensive approach combining positive matrix factorization modeling, meteorology, and machine learning for source apportionment of surface ozone precursors: Underlying factors contributing to ozone formation in Houston, Texas
CN117473134B (zh) 一种用于污染物溯源的水资源监控管理方法及系统
CN113514568B (zh) 基于VOCs相似度的石化装置指纹谱图构建方法及装置
CN117723711B (zh) 一种污染大气质量变化的实时分析方法及系统
CN116884536B (zh) 一种工业废渣砖生产配方自动优化方法及系统
Lin et al. Temperature and historical land connectivity jointly shape the floristic relationship between Hainan Island and the neighbouring landmasses
Li et al. An aerosol classification scheme for global simulations using the K-means machine learning method
CN115409483A (zh) 一种针对大气污染源的追溯方法及系统
CN116089771A (zh) 一种颗粒物来源分析方法、装置、终端及存储介质
CN116402389A (zh) 一种混合用地类型的流域水体污染源解析方法
CN112711911B (zh) 基于污染源谱库的应用于边界观测的快速污染溯源方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230714

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant after: CHINA PETROLEUM & CHEMICAL Corp.

Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd.

Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Applicant before: CHINA PETROLEUM & CHEMICAL Corp.

Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING

GR01 Patent grant
GR01 Patent grant