CN114354534A - 利用二元线性分类器建立航空煤油性质预测模型的方法 - Google Patents
利用二元线性分类器建立航空煤油性质预测模型的方法 Download PDFInfo
- Publication number
- CN114354534A CN114354534A CN202111654147.9A CN202111654147A CN114354534A CN 114354534 A CN114354534 A CN 114354534A CN 202111654147 A CN202111654147 A CN 202111654147A CN 114354534 A CN114354534 A CN 114354534A
- Authority
- CN
- China
- Prior art keywords
- aviation kerosene
- data
- sample
- near infrared
- infrared spectrum
- 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.)
- Pending
Links
- 239000003350 kerosene Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 239000000126 substance Substances 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000009835 boiling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012846 near infrared spectroscopy analysis technique Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法,属于航空煤油性质预测技术领域。本发明方法包括:获取多个航空煤油样品的理化性质数据;采集多个航空煤油样品近红外光谱数据,并对该近红外光谱数据进行至少两次优化处理;利用二元线性分类器构建航空煤油理化性质数据与近红外光谱数据相关联的回归模型;将优化处理后的数据代入回归模型,以得到待测样品的多个理化性质。本发明基于二元线性分类器构建预测航空煤油的回归模型,单次操作即可实现检测航空煤油的多种理化性质,对于原始光谱的处理、模型的建立以及更新无需离线进行,能够及时有效地更新回归模型,提高预测准确度。
Description
技术领域
本发明属于航空煤油性质检测技术领域,具体涉及一种利用二元线性分类器构建航空煤油性质预测模型的方法。
背景技术
随着航空业的快速发展,航空煤油作为航空业的主要能源,其质量安全在整个行业链条中发挥着至关重要的作用。目前国内航空煤油的运输方式主要为管输、铁路槽车和公路运输三种。因为部分油料运输媒介也会运输其他品类油料,所以时常发生航空煤油污染等质量问题。
传统的航空煤油性质检测方法操作复杂,实验耗时长,且受限于专业的实验室空间,很难达到对航空煤油性质数据实时监测的要求,不易及时发现航空煤油质量问题。目前不断发展的化学计量学技术,可以实现在短时间内分析大量数据,使得快速评价航空煤油质量情况成为可能。
其中,近红外光谱分析技术是目前在工业生产领域应用最广泛的快速分析技术之一。该技术具有光谱信息采集速度快、灵敏度高、价格低廉等优点。结合合适的建模方法即可实现对航空煤油理化性质的快速检测。然而,传统的建模方法对于原始光谱的处理、模型的建立和更新都需要离线进行,但工业应用现场因为情况复杂多变,需要模型能够及时有效地更新。
因此,基于上述技术问题,本发明提出一种利用二元线性分类器构建航空煤油性质预测模型的方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种利用二元线性分类器构建航空煤油性质预测模型的方法。
本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法,包括下述步骤:
获取多个航空煤油样品的理化性质数据;
采集所述多个航空煤油样品的近红外光谱数据,并对该近红外光谱数据进行至少两次优化处理;
利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型;
采集待测样品的近红外光谱数据,并对其进行至少两次优化处理,将优化处理后的数据代入所述回归模型,以得到所述待测样品的多个理化性质。
可选的,所述理化性质包括20℃密度、冰点、闪点、初馏点、50%回收温度和终馏点。
可选的,利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据;其中,
采集范围为4000cm-1~12000cm-1,扫描次数范围为5次~120次。
可选的,所述对该近红外光谱数据进行至少两次优化处理,包括:
利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理;
利用PCA-MD法进行第二次优化处理,以剔除异常航空煤油样品。
可选的,所述矢量归一化公式如下:
x′=(x-Min(x))/(Max(x)-Min(x))
式中,Max(x)为样本数据的最大值,Min(x)为样本数据的最小值,x为待归一化样本数据,x’为归一化样本数据。
可选的,利用PCA-MD法进行第二次优化处理,以剔除异常航空煤油样品,包括:
采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差;
根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值;
将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较,响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。
可选的,所述马氏距离阈值的计算公式如下:
WMD=mean(MD)+k*std(MD)
式中,WMD为异常航空煤油样品的马氏距离阈值,mean(MD)为MD的平均值函数,std(MD)为MD的标准方差函数,k为阙值调整权重系数;以及,
所述马氏距离值的计算公式为:
式中,MD为航空煤油样品i的马氏距离值,ti为航空煤油样品i的得分向量,C为全部航空煤油样品得分矩阵的协方差矩阵,T为全部航空煤油样品的得分矩阵。
可选的,所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前,还包括:
将所述近红外光谱数据分为n个光谱区间,针对所述n个光谱区间分别建立局部预测模型,以均方根误差作为评定标准,选取预设光谱区间。
可选的,所述均方根误差的计算公式为下式:
可选的,所述利用二元线性分类器建立所述航空煤油理化性质数据与所述近红外光谱数据相关联的回归模型,包括:
将所述预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与所述理化性质数据建立关联模型,具体如下:
采用拉格朗日乘数法得到下式:
式中,拉格朗日乘子αk∈R,第k个航空煤油样品的输入数据xk∈RN;
求解得到二元线性分类器回归模型,具体如下式:
本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法,包括下述步骤:获取多个航空煤油样品的理化性质数据;采集所述多个航空煤油样品的近红外光谱数据,并对该近红外光谱数据进行至少两次优化处理;利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型;采集待测样品的近红外光谱数据,并对其进行至少两次优化处理,将优化处理后的数据代入所述回归模型,以得到所述待测样品的多个理化性质。本发明基于二元线性分类器构建预测航空煤油的回归模型,单次操作即可实现检测航空煤油的多种理化性质,对于原始光谱的处理、模型的建立以及更新无需离线进行,能够及时有效地更新回归模型,以提高预测准确度。
附图说明
图1为本发明一实施例的利用二元线性分类器构建航空煤油性质预测模型的方法的流程框图;
图2为本发明的航空煤油样品的原始近红外光谱图;
图3为本发明优化处理后的航空煤油样品的近红外光谱图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护范围。
如图1所示,本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法S110~S140:
S110、获取多个航空煤油样品的理化性质数据。
具体的,本实施例收集全国范围具有地域、原油产地、炼制工艺代表性的航空煤油样本,总样本量不低于300个,采用3号喷气燃料国家标准GB6537-2018中所要求的方法,测定每个样品的理化性质,并建立理化性质数据库。
进一步的,本实施例的理化性质包括20℃密度、冰点、闪点、初馏点、50%回收温度和终馏点。
需要说明的是,目前针对航空煤油大多是分析其中游离的水和微小杂质浓度,或者分析检测航空煤油中的硫含量等,再或者是对航空煤油浓度的检测,并未涉及对其理化性质的检测,尤其针对20℃密度、冰点、闪点、初馏点、50%回收温度和终馏点的检测,上述各理化性质对其存储运输以及具体生产应用至关重要。因此,本实施例针对上述多个理化性质提出一种快速检测方法。
S120、采集多个航空煤油样品的近红外光谱数据,并对该近红外光谱数据进行至少两次优化处理。
本实施例利用成本较低的透射式近红外光谱仪采集航空煤油样品的近红外光谱数据。具体的,每个样品采用透射式近红外光谱仪,对全部样品进行光谱扫描,测量过程中保证油样始终均匀,其中,采集范围为4000cm-1~12000cm-1,扫描次数范围为5次~120次。
具体的,对该近红外光谱数据进行至少两次优化处理,包括:利用一阶微分和矢量归一化法对近红外光谱数据进行第一次优化处理,以消除基线倾斜、背景干扰和杂峰,以消除光谱中的噪声信息,提高光谱的信噪比。以及,利用主成分分析-马氏距离法(PrincipalComponents Analysis-Mahalanobis distance,PCA-MD)进行第二次优化处理,以剔除异常航空煤油样品。
具体的,矢量归一化公式如下:
x′=(x-Min(x))/(Max(x)-Min(x))
式中,Max(x)为样本数据的最大值,Min(x)为样本数据的最小值,x为待归一化样本数据,x’为归一化样本数据。
进一步的,利用PCA-MD法进行第二次优化处理,以剔除异常航空煤油样品,包括:采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差;根据马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值;将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较,响应于马氏距离值大于马氏距离阈值时将其对应样品剔除。也就是说,将每一个优化处理后的样品的马氏距离值与异常样品的马氏距离阈值比较,以剔除大于马氏距离阈值的样品。
其中,马氏距离阈值的计算公式如下:
WMD=mean(MD)+k*std(MD)
式中,WMD为异常航空煤油样品的马氏距离阈值,mean(MD)为MD的平均值函数,std(MD)为MD的标准方差函数,k为阙值调整权重系数;以及,马氏距离值的计算公式为下式:
式中,MD为航空煤油样品i的马氏距离值,ti为航空煤油样品i的得分向量,C为全部航空煤油样品得分矩阵的协方差矩阵,T为全部航空煤油样品的得分矩阵。
进一步需要说明的是,本实施例还将优化处理后的近红外光谱数据建立航空煤油光谱数据库。
S130、利用二元线性分类器建立航空煤油理化性质数据与近红外光谱数据相关联的回归模型。
需要说明的是,基于航空煤油光谱数据库,以5:1的比例随机抽选训练集样本和验证集样本,即收集筛选后的光谱数据,随机抽取83%的样本组成训练集,其余17%的样本作为验证集,利用训练集建立回归模型,利用验证集对回归模型进行验证。
更进一步的,利用二元线性分类器建立航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前,还包括:将近红外光谱数据分为n个光谱区间,针对该n个光谱区间分别建立局部预测模型,以均方根误差(RMSE)作为评定标准,由交叉验证均方根误差最小的区间开始增加参加建模的光谱区间,选取均方根误差最小的2-5个光谱区间作为构建回归模型的预设光谱区间。
其中,均方根误差的计算公式为下式:
具体的,基于该预设光谱区间,利用二元线性分类器建立航空煤油理化性质数据与近红外光谱数据相关联的回归模型,包括:
将预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与理化性质数据建立关联模型,具体如下:
采用拉格朗日乘数法得到下式:
式中,拉格朗日乘子αk∈R,第k个航空煤油样品的输入数据xk∈RN;
求解得到二元线性分类器回归模型,具体如下式:
S140、采集待测样品的近红外光谱数据,并对其进行至少两次优化处理,将优化处理后的数据代入回归模型,以得到待测样品的多个理化性质。
需要说明的是,将待测航空煤油样品的近红外光谱数据代入上述回归模型,以得到待测样品的多个理化性质,预测过程时间较短、准确度较高。
下面将以具体实施例对利用二元线性分类器构建航空煤油性质预测模型的方法进行说明:
本示例以预测20℃密度为例进行说明,具体步骤包括:
步骤1:建立包含300个航空煤油样品库,用标准方法测量全部航空煤油样品的密度数据;
步骤2:将样品温度控制在20℃,选用近红外光谱仪采集航空煤油样品的近红外光谱数据,波长范围为4000cm-1~12000cm-1,扫描次数为100次;
步骤3:对步骤2采集的航空煤油近红外光谱数据利用一阶微分+矢量归一化法进行第一次优化处理,建立航空煤油光谱数据库;
步骤4:对第一次优化处理后的光谱数据进行PCA-MD主成分分析-马氏距离分析判别异常样本,剔除马氏距离值异常的样本;
步骤5:建立航空煤油光谱数据库,以5:1的比例随机抽选训练集样本和验证集样本;
步骤6:将扫描波长分为5段,分别建立二元线性分类器局部预测模型,通过比较预测的均方根误差,确定最佳的建模区间为(4200cm-1-4700cm-1、6240cm-1-6950cm-1的波长范围),将特征建模区间进行组合参与最终建模,以得到回归模型。
步骤7:采集待测航空煤油样品的近红外光谱数据,并对其进行两次优化处理,将处理后的数据代入上述回归模型,以得到该待测航空煤油样品的20℃密度数据。
需要说明的是,采用上述同样的方法可以对其他不同的理化性质进行检测,例如:冰点、闪点、初馏点、50%回收温度和终馏点,通过建立回归模型以实现一次操作即可得到多个理化性质。
本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法,相对于现有技术而言具有以下有益效果:本发明基于二元线性分类器构建预测航空煤油的回归模型,单次操作即可实现检测航空煤油的多种理化性质,对于原始光谱的处理、模型的建立以及更新无需离线进行,能够及时有效地更新回归模型,以提高预测准确度。另外,本发明的方法无需任何一次性耗材,成本较低,操作简便,对操作人员的技术门槛要求低,适宜大范围推广。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种利用二元线性分类器构建航空煤油性质预测模型的方法,其特征在于,包括下述步骤:
获取多个航空煤油样品的理化性质数据;
采集所述多个航空煤油样品的近红外光谱数据,并对该近红外光谱数据进行至少两次优化处理;
利用支持二元线性分类器构建所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型;
采集待测样品的近红外光谱数据,并对其进行至少两次优化处理,将优化处理后的数据代入所述回归模型,以得到所述待测样品的多个理化性质。
2.根据权利要求1所述的方法,其特征在于,所述理化性质包括20℃密度、冰点、闪点、初馏点、50%回收温度和终馏点。
3.根据权利要求1所述的方法,其特征在于,利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据;其中,
采集范围为4000cm-1~12000cm-1,扫描次数范围为5次~120次。
4.根据权利要求1所述的方法,其特征在于,所述对该近红外光谱数据进行至少两次优化处理,包括:
利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理;
利用PCA-MD法进行第二次优化处理,以剔除异常航空煤油样品。
5.根据权利要求4所述的方法,其特征在于,所述矢量归一化公式如下:
x’=(x-Min(x))/(Max(x)-Min(x))
式中,Max(x)为样本数据的最大值,Min(x)为样本数据的最小值,x为待归一化样本数据,x’为归一化样本数据。
6.根据权利要求4所述的方法,其特征在于,利用PCA-MD法进行第二次优化处理,以剔除异常航空煤油样品,包括:
采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差;
根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值;
将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较,响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。
8.根据权利要求1所述的方法,其特征在于,所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前,还包括:
将所述近红外光谱数据分为n个光谱区间,针对所述n个光谱区间分别建立局部预测模型,以均方根误差作为评定标准,选取预设光谱区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654147.9A CN114354534A (zh) | 2021-12-30 | 2021-12-30 | 利用二元线性分类器建立航空煤油性质预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654147.9A CN114354534A (zh) | 2021-12-30 | 2021-12-30 | 利用二元线性分类器建立航空煤油性质预测模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114354534A true CN114354534A (zh) | 2022-04-15 |
Family
ID=81103304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654147.9A Pending CN114354534A (zh) | 2021-12-30 | 2021-12-30 | 利用二元线性分类器建立航空煤油性质预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354534A (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6420869B1 (en) * | 2000-10-17 | 2002-07-16 | Baker Hughes Incorporated | Method and apparatus for estimating NMR properties by near infrared spectra |
CN101893561A (zh) * | 2010-07-13 | 2010-11-24 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量近红外光谱快速测定方法 |
CN102252994A (zh) * | 2011-05-27 | 2011-11-23 | 中国人民解放军总后勤部油料研究所 | 一种快速测定发动机燃料质量指标的方法 |
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 |
CN105911016A (zh) * | 2016-04-06 | 2016-08-31 | 南京富岛信息工程有限公司 | 一种原油光谱性质的非线性建模方法 |
CN106198447A (zh) * | 2016-07-13 | 2016-12-07 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 |
CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
CN107655850A (zh) * | 2016-07-25 | 2018-02-02 | 上海创和亿电子科技发展有限公司 | 基于近红外光谱的非线性建模方法及系统 |
CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
CN107944168A (zh) * | 2016-11-30 | 2018-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于最小二乘支持向量基的发电机寿命预测建模方法 |
CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
CN108388703A (zh) * | 2018-01-30 | 2018-08-10 | 浙江中控软件技术有限公司 | 用于非线性和随机过程的软测量方法 |
CN108693139A (zh) * | 2018-05-18 | 2018-10-23 | 云南拓宝科技有限公司 | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 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 |
CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
CN111988192A (zh) * | 2019-05-23 | 2020-11-24 | 北京交通大学 | 一种基于机器学习的列车通信网络故障诊断方法 |
CN113125377A (zh) * | 2021-03-30 | 2021-07-16 | 武汉理工大学 | 一种基于近红外光谱检测柴油性质的方法及装置 |
CN214029199U (zh) * | 2020-10-29 | 2021-08-24 | 中国航空油料有限责任公司 | 一种飞机燃油系统过滤器结冰堵塞模拟实验装置 |
US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
-
2021
- 2021-12-30 CN CN202111654147.9A patent/CN114354534A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6420869B1 (en) * | 2000-10-17 | 2002-07-16 | Baker Hughes Incorporated | Method and apparatus for estimating NMR properties by near infrared spectra |
CN101893561A (zh) * | 2010-07-13 | 2010-11-24 | 中国人民解放军总后勤部油料研究所 | 一种润滑油新油质量近红外光谱快速测定方法 |
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 |
CN102252994A (zh) * | 2011-05-27 | 2011-11-23 | 中国人民解放军总后勤部油料研究所 | 一种快速测定发动机燃料质量指标的方法 |
CN105911016A (zh) * | 2016-04-06 | 2016-08-31 | 南京富岛信息工程有限公司 | 一种原油光谱性质的非线性建模方法 |
CN106198447A (zh) * | 2016-07-13 | 2016-12-07 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 |
CN107655850A (zh) * | 2016-07-25 | 2018-02-02 | 上海创和亿电子科技发展有限公司 | 基于近红外光谱的非线性建模方法及系统 |
CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
CN107944168A (zh) * | 2016-11-30 | 2018-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于最小二乘支持向量基的发电机寿命预测建模方法 |
CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
CN108388703A (zh) * | 2018-01-30 | 2018-08-10 | 浙江中控软件技术有限公司 | 用于非线性和随机过程的软测量方法 |
CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
CN108693139A (zh) * | 2018-05-18 | 2018-10-23 | 云南拓宝科技有限公司 | 电子烟油理化指标的近红外光谱预测模型建立方法及应用 |
US20210334656A1 (en) * | 2018-09-05 | 2021-10-28 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 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 |
CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
CN111988192A (zh) * | 2019-05-23 | 2020-11-24 | 北京交通大学 | 一种基于机器学习的列车通信网络故障诊断方法 |
CN214029199U (zh) * | 2020-10-29 | 2021-08-24 | 中国航空油料有限责任公司 | 一种飞机燃油系统过滤器结冰堵塞模拟实验装置 |
CN113125377A (zh) * | 2021-03-30 | 2021-07-16 | 武汉理工大学 | 一种基于近红外光谱检测柴油性质的方法及装置 |
Non-Patent Citations (4)
Title |
---|
WANG, H., MENG, X., ZHAO, G., & ZHANG, S: "Isobutane/butene alkylation catalyzed by ionic liquids: a more sustainable process for clean oil production", 《GREEN CHEMISTRY》, vol. 19, no. 6, 31 December 2017 (2017-12-31), pages 1462 - 1489 * |
王忠, 陈斌, 王小哲: "基于小波变换的发动机润滑油使用周期近红外光谱分析", 《内燃机学报》, vol. 21, no. 02, 25 February 2003 (2003-02-25), pages 176 - 178 * |
王玲: "《数据挖掘学习方法》", 31 August 2017, 冶金工业出版社, pages: 85 * |
韩晓;王菊香;刘洁;: "基于BP-神经网络的航空煤油总酸值近红外光谱快速检测", 《分析科学学报》, vol. 27, no. 06, 20 December 2011 (2011-12-20), pages 751 - 753 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647272B (zh) | 一种基于数据分布的小样本扩充对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN107179310B (zh) | 基于鲁棒噪声方差估计的拉曼光谱特征峰识别方法 | |
CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
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 | |
CN106845796A (zh) | 一种加氢裂化流程产品质量在线预测方法 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
CN111537845A (zh) | 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法 | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN109557080A (zh) | 一种基于机器学习的光谱数据回归方法 | |
CN108564248B (zh) | 一种中药生产过程质量控制的模型建立方法 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN102998276A (zh) | 由红外光谱测定原油实沸点蒸馏曲线的方法 | |
CN114354534A (zh) | 利用二元线性分类器建立航空煤油性质预测模型的方法 | |
CN117078960A (zh) | 一种基于图像特征提取的近红外光谱分析方法及系统 | |
CN114863286A (zh) | 一种基于多算法协同选优的混合废塑料分类方法 | |
CN114295578B (zh) | 基于近红外光谱的烟叶常规化学成分通用模型建模方法 | |
CN113607683B (zh) | 一种近红外光谱定量分析的自动建模方法 | |
WO2022241883A1 (zh) | 基于三维液相色谱指纹的污染源识别方法及装置 | |
CN115326749A (zh) | 污染物的测定方法及测定装置 | |
CN114414524A (zh) | 快速检测航空煤油性质的方法 | |
CN113793652A (zh) | 一种基于分段智能优选的谱图化学计量学解析方法 |
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 |