CN116413417A - 一种基于光谱数据的油品数据分析方法、系统和设备 - Google Patents
一种基于光谱数据的油品数据分析方法、系统和设备 Download PDFInfo
- Publication number
- CN116413417A CN116413417A CN202111666139.6A CN202111666139A CN116413417A CN 116413417 A CN116413417 A CN 116413417A CN 202111666139 A CN202111666139 A CN 202111666139A CN 116413417 A CN116413417 A CN 116413417A
- Authority
- CN
- China
- Prior art keywords
- oil
- data
- target
- physical property
- macroscopic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001228 spectrum Methods 0.000 title claims abstract description 60
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 230000000704 physical effect Effects 0.000 claims abstract description 215
- 238000002156 mixing Methods 0.000 claims abstract description 86
- 239000000203 mixture Substances 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000000875 corresponding effect Effects 0.000 claims description 63
- 230000003595 spectral effect Effects 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000010521 absorption reaction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012628 principal component regression Methods 0.000 claims description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 380
- 238000002835 absorbance Methods 0.000 description 14
- 238000004821 distillation Methods 0.000 description 13
- 150000001335 aliphatic alkanes Chemical class 0.000 description 12
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 description 6
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 239000003209 petroleum derivative Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009835 boiling Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 150000001336 alkenes Chemical class 0.000 description 2
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 241001372564 Piona Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱数据的油品数据分析方法、系统和设备,所述的方法,包括以下步骤:利用目标油品的光谱数据确定目标油品的简评数据;根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与目标油品近似的若干油品样品;利用混合整数非线性规划法确定若干油品样品的混配比例,并按照混配比例将若干油品样品混合成调合油品;基于混配比例以及若干油品样品的分子组成数据和宏观物性数据,确定调合油品的分子组成数据和宏观物性数据;将调合油品的分子组成数据和宏观物性数据作为目标油品的分析数据。该方法能够快速准确地确定油品的分子组成以及相应的宏观物性数据,为后续的生产工艺提供技术支持。
Description
技术领域
本发明属于油品加工技术领域,尤其涉及一种基于光谱数据的油品数据分析方法、系统和设备。
背景技术
随着我国环保要求的日益提高,要求油品满足更加严格的质量标准。而与此同时,随着世界油价上涨,炼油企业为提高效益,必须实现质量卡边控制。
此外,在石油加工的精准控制工艺中,往往需要根据油品的宏观物性数据甚至分子组成进行相关的仿真模拟,以优化生产的各类油品产品的操作条件,但是,若出现油品的宏观物性数据及分子组成数据缺少或者不准确的情况,就会导致的模拟工艺流程中的结果错误,一旦按照错误的模拟结果指导工作,就可能会出现无法满足质量要求的油品产品,而重新处理这类油品产品耗时费力,影响炼油企业的经济效益。因此如何准确快速地确定油品全面的宏观物性数据甚至分子组成数据是目前炼油加工企业亟需解决的一个难题。
发明内容
为解决现有技术存在的问题,本发明的目的在于:提供一种基于光谱数据的油品数据分析方法、系统和设备。
为了实现上述目的,本发明提供如下四个方面的技术方案:
第一方面,本发明提供一种基于光谱数据的油品数据分析方法,包括以下步骤:
利用目标油品的光谱数据确定所述目标油品的简评数据;
根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据。
优选地,所述目标油品的简评数据和详评数据均包括目标油品的宏观物性数据且所述目标油品的详评数据中的宏观物性数据多于所述目标油品的简评数据中的宏观物性数据。
优选地,所述利用目标油品的光谱数据确定所述目标油品的简评数据,包括:
获取目标油品的光谱数据;
将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据;
其中,所述光谱数据指将指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度,所述物性预测模型为多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型、深度学习模型和拓扑方法模型中的一种。
优选地,当所述物性预测模型为输入端为光谱数据且输出端为宏观物性数据的人工神经网络模型时,所述物性预测模型通过以下步骤训练得到:
建立初始人工神经网络模型;
采集已知油品样品的光谱数据并测量已知油品样品的宏观物性数据;
利用所述已知油品样品的光谱数据以及所述已知油品样品的宏观物性数据,对所述初始人工神经网络模型进行训练,训练完成的人工神经网络模型作为所述物性预测模型。
优选地,所述根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤之前,所述方法还包括:
根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与目标油品一致的油品样品;
若在油品数据库中找到与目标油品一致的油品样品,则将所述油品样品的分子组成数据和宏观物性数据作为目标油品的详评数据;
若在油品数据库中未找到与目标油品一致的油品样品,则执行根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤。
优选地,所述根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤,包括:
根据目标油品的简评数据,确定油品数据库中的各个油品样品与目标油品的物性相似度,根据所述物性相似度对油品数据库中的油品样品进行排序;
基于排序结果选择与目标油品的物性最接近的若干油品样品。
优选地,所述物性相似度等于油品样品与目标油品对应的各项宏观物性数据组成的向量之间的带权重的距离。
优选地,所述利用混合整数非线性规划法确定所述若干油品样品的混配比例的步骤,包括:
基于混合整数非线性规划和罚函数确定所述若干油品样品的混配比例,其中,所述罚函数包括:
油品种类数量的罚函数,用于限定从排序的油品样品中选择的用于建模的油品种类的数量;
最小混配比例数值的罚函数,用于限定最终获得的混配比例中最小混配比例数值。
优选地,所述基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据的步骤,包括:
基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
优选地,所述基于混配比例和所述若干油品样品各自的宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据的步骤之后,且所述将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据的步骤之前,所述方法还包括:
根据调合油品与目标油品的宏观物性差异调整所述混配比例,并根据调整后的混配比例将所述若干油品样品重新混合成调合油品,直至调合油品与目标油品的宏观物性差异达到最小。
优选地,当调合油品与目标油品的简评数据中的对应的各项宏观物性数据组成的向量之间的带权重的距离达到最小值时,则判定调合油品与目标油品的宏观物性差异达到最小。
第二方面,本发明提供一种基于光谱数据的油品数据分析系统,包括:
分析模块,用于利用目标油品的光谱数据确定所述目标油品的简评数据;
查找模块,用于根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
混合模块,用于利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
确定模块,用于基于所述混配比例以及所述若干油品样品各自的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
输出模块,用于将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据。
优选地,所述分析模块包括:
获取单元,用于获取目标油品的光谱数据;
预测单元,用于将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据;
其中,所述光谱数据指将指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度,所述物性预测模型为多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型、深度学习模型和拓扑方法模型中的一种。
优选地,所述确定模块包括:
确定单元,用于基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
第一计算单元,用于对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
第二计算单元,用于对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
优选地,所述的基于光谱数据的油品数据分析系统,还包括调整模块,所述调整模块设置在混合模块和确定模块之间,所述调整模块用于根据调合油品与目标油品的宏观物性差异调整所述混配比例,并根据调整后的混配比例将所述若干油品样品重新混合成调合油品,直至调合油品与目标油品的宏观物性差异达到最小。
第三方面,本发明提供一种基于光谱数据的油品分析设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述基于光谱数据的油品数据分析方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述基于光谱数据的油品数据分析方法。
本发明的上述技术方案与现有技术相比具有如下优点:
本发明的方法能够快速准确地确定目标油品的详细的分子组成数据和宏观物性数据,为后续的生产工艺提供技术支持。本发明利用光谱数据来分析目标油品的宏观物性,实现目标油品的宏观物性的快速分析。本发明通过对物性比对验证来调整目标油品的分子组成,从而确定出目标油品的分子组成以及相应的宏观物性数据,为后续工艺流程操作优化提供有益指导。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于光谱数据的油品数据分析方法的工作流程图;
图2为本发明实施例二提供的基于光谱数据的油品数据分析方法的工作流程图;
图3为本发明实施例二提供的物性预测模型训练的工作流程图;
图4为本发明实施例三提供的基于光谱数据的油品分析设备的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明旨在提供一种基于光谱数据的油品数据分析方法,其主要包括以下步骤:
S1,利用目标油品的光谱数据确定所述目标油品的简评数据,其中,所述目标油品的简评数据包括目标油品的部分宏观物性数据;
S10,根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
S20,利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
S30,基于所述混配比例以及所述若干油品样品各自的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
S40,将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据(分析数据),其中,所述目标油品的详评数据中的宏观物性数据多于所述目标油品的简评数据中的宏观物性数据。
实施例二
下面结合具体的实施例来对本发明的基于光谱数据的油品数据分析方法进行详细地解释说明。图2为发明实施例二提供的的基于光谱数据的油品数据分析方法的工作流程图。如图2所示,本实施例的油品数据分析方法主要包括以下步骤:
S1,利用目标油品的光谱数据确定所述目标油品的简评数据,其中,所述目标油品的简评数据包括目标油品的部分宏观物性数据。
在本实施例中,可以首先通过仪器测量或者通过模型计算获得目标油品的简评数据;其中,目标油品的简评数据可以包括例如密度、馏程、硫含量、辛烷值、十六烷值等宏观物性数据。在本发明中,简评数据是相对于详评数据而言。通常,简评数据中的宏观物性数据少于详评数据中的宏观物性数据。
在本实施例中,光谱谱图数据可以是近红外、中红外、拉曼、核磁谱图的数据。
S100.1,根据目标油品的简评数据,确定目标油品隶属的油品种类。
利用目标油品的简评数据,例如密度和/或馏程等数据,在预先建立的原油数据库、汽油数据库、柴油数据库、蜡油数据库中进行目标油品归集筛选,判断目标油品归属于哪一个油品种类以及相应的油品数据库。
例如,利用密度、初馏点和终馏点、5%的馏出温度、95%的馏出温度,判断目标油品归属于哪一个上述油品数据库。
首先确定每个数据库密度的最小值和最大值构成的密度区间,5%的馏出温度的最小值和最大值构成的第一馏程区间,95%的馏出温度的最小值和最大值构成的第二馏程区间,然后将目标油品的密度与各数据库的密度区间进行匹配,若单一,选择该数据库,若有重叠,将目标油品的5%的馏出温度与各数据库的第一馏程区间进行匹配,确定是否有重叠;或将目标油品的95%的馏出温度与各数据库的第二馏程区间进行匹配,确定是否有重叠;若单一,选择该数据库,若有重叠,继续判断,直到确定隶属的油品数据库。
在确定目标油品隶属的油品种类后,执行以下步骤:
S100,根据目标油品的简评数据,在油品数据库中查找与目标油品(目标原油)一致的油品样品:
若在油品数据库中找到与目标油品一致的油品样品,则将所述油品样品的分子组成数据和宏观物性数据作为目标油品的详评数据;
若在油品数据库中未找到与目标油品一致的油品样品,则执行步骤S200。
S200,根据目标油品的简评数据,在油品数据库中查找与目标油品近似的若干油品样品的步骤。
在本实施例中,该步骤S200主要是先根据目标油品的简评数据,分析油品数据库中的各个油品样品与目标油品的物性相似度,然后根据所述物性相似度对油品数据库中的油品样品进行排序,最后再根据排序结果选择与目标油品的物性最接近的若干油品样品。
对此,在具体应用时,所述步骤S200可以包括以下步骤:
S210,针对油品数据库中的每一种油品样品,计算该油品样品与目标油品的物性相似度,其中,所述物性相似度等于油品样品与目标油品的对应的各项宏观物性数据组成的向量之间的带权重的距离;其中,权重可以预先根据各宏观物性的重要性确定;
S220,根据油品数据库中的各个油品样品与目标油品的物性相似度对油品数据库中的油品样品进行排序;
S230,根据排序结果选择与目标油品的物性最接近的若干油品样品。
例如,按照物性相似度从高到低的顺序对油品数据库中的油品样品进行排序,然后选取排名靠前的若干油品样品,作为与目标油品的物性最接近的油品样品。这里,选取若干油品样品的数量不受限制,通常根据计算结果的精度和时间的权衡来设定。
S300,利用混合整数非线性规划法确定所述若干油品样品的混配比例。
在本实施例中,利用混合整数非线性规划法确定所述若干油品样品的混配比例,主要是基于混合整数非线性规划和罚函数来确定所述若干油品样品的混配比例。其中,所述罚函数包括:
油品种类数量的罚函数,用于限定从排序的油品样品中选择的用于建模的油品种类的数量;
最小混配比例数值的罚函数,用于限定最终获得的混配比例中最小混配比例数值。
S400,按照所述混配比例将所述若干油品样品混合成调合油品。
S500,基于所述混配比例以及所述若干油品样品各自的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据。
在本实施例中,该步骤S500可以细分为以下步骤:
S510,基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
S520,对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
S530,对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
对于线性物性,可以利用参与混配的若干油品样品的线性宏观物性数据和混配比例进行线性相加,获得调合油品的线性宏观物性数据;
对于非线性物性,可以根据调合油品的分子组成数据及物性计算公式,计算调合油品的非线性宏观物性数据。
应当说明的是,实际应用时步骤S520和S530的执行顺序不限于此。
S600,分析调合油品的宏观物性数据与目标油品(目标原油)的宏观物性数据之间的差异。
S700,若所述差异不满足预设的阈值条件,则调整所述混配比例,并返回执行步骤S400,根据调整后的混配比例将所述若干油品样品重新混合成调合油品,以重新分析调合油品的宏观物性数据与目标油品的宏观物性数据之间的差异。
在本实施例中,所述差异满足预设的阈值条件是指调合油品的宏观物性数据与目标油品的宏观物性数据之间的差异能够达到最小。
为此,可以优选地借助一个质量评估参数来衡量调合油品的宏观物性数据与目标油品的宏观物性数据之间的差异。具体地,该质量评估参数等于调合油品与目标油品的对应的各项宏观物性数据组成的向量之间的带权重的距离。
在本实施例中,当该质量评估参数的值达到最小值时,判定调合油品的宏观物性数据与目标油品的宏观物性数据之间的差异达到最小。
S800,若所述差异满足预设的阈值条件,则将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据,其中,所述目标油品的详评数据中的宏观物性数据多于所述目标油品的简评数据中的宏观物性数据。
本实施例的方法能够快速准确地确定油品的分子组成以及相应的宏观物性数据,避免了后续工艺流程操作优化提供有益指导。
下面进一步举例说明上述步骤S1的工作流程。具体地,所述步骤S1包括以下子步骤:
S11,获取目标油品的光谱数据;
在本实施例中,所述光谱数据指指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度。所述光谱数据包括为光线的波长与油品对该光线的吸收强度之间的关系,在实际应用中,所述光谱数据可以为横坐标为波长、纵坐标为吸收强度的光谱曲线,其中,在该光谱曲线中,已知波长的情况下,能够查询到与该波长对应的吸收强度。所述光谱数据可以通过近红外吸收光谱仪或中红外吸收光谱仪测得。
S12,将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据即为简评数据;
在本实施例中,所述宏观物性数据为沸点、密度、辛烷值、浊点、倾点和苯胺点中的任意一种,由于数量较少,属于目标油品的简评数据。
如图3所示:在本实施例中,所述物性预测模型通过以下步骤训练得到:
S21,建立初始物性预测模型,其中,所述初始物性预测模型可以是多元线性回归、主成分回归、偏最小二乘、人工神经网络或深度学习及拓扑方法模型;
S22,采集已知油品样品的光谱数据并测量已知油品样品的宏观物性数据;
S23,利用所述已知油品样品的光谱数据以及所述已知油品样品的宏观物性数据,对所述初始物性预测模型进行训练,得到训练完成的物性预测模型。
具体地,当物性预测模型是输入端为光谱数据且输出端为宏观物性数据的人工神经网络模型时,也是采用上述步骤进行训练得到训练完成的人工神经网络模型作为所述物性预测模型。
例如,当所述已知油品样品的光谱数据为近红外光谱仪从780nm-2500nm,以步长4nm采集的光谱数据,已知油品样品的族组成的宏观物性数据包括P-直链烷烃、I-异构烷烃、N-环烷烃、O-烯烃、A-芳烃的分子的物性数据,具体地,油品样品的物性数据为沸点、密度、辛烷值、芳烃、烯烃、苯、闪点、折光指数、凝点、浊点、倾点、苯胺点、冰点、粘度指数、粘度、API度和蜡含量中的任意一种。当所述光谱数据为横坐标为波长、纵坐标为吸收强度的光谱曲线时,利用所述已知油品样品的光谱数据以及所述已知油品样品的族组成的物性数据,对所述物性预测模型进行训练,包括:
对于多种已知油品样品中每种包含PIONA族组成、沸点、密度、辛烷值、芳烃、烯烃、苯、闪点、折光指数、凝点、浊点、倾点、苯胺点、冰点、粘度指数、粘度、API度和蜡含量的已知油品样品,收集在光谱不同波长的吸收强度数据,回归建立光谱数据与上述物性的预测模型,其中,样品的种类在80以上;族组成数据是多组关联模型共同计算校准的结果。
对于每种包含P-直链烷烃的已知油品样品,将其在P-直链烷烃所对应波长处的吸收度作为输入,并将与P-直链烷烃对应的物性数据作为输出,训练所述初始物性预测模型,使得训练完成的物性预测模型能够根据样品在P-直链烷烃所对应波长处的吸收度预测出与P-直链烷烃对应的物性数据;
对于多种已知油品样品中每种包含I-异构烷烃的已知油品样品,收集其在I-异构烷烃所对应波长处的吸收度以及与I-异构烷烃相对应的物性数据,其中,样品的种类在80以上;
对于每种包含I-异构烷烃的已知油品样品,将其在I-异构烷烃所对应波长处的吸收度作为输入,并将与I-异构烷烃对应的物性数据作为输出,训练所述初始物性预测模型,使得训练完成的物性预测模型能够根据样品在I-异构烷烃所对应波长处的吸收度预测出与I-异构烷烃对应的物性数据;
对于多种已知油品样品中每种包含N-环烷烃的已知油品样品,收集其在N-环烷烃所对应波长处的吸收度以及与N-环烷烃相对应的物性数据,其中,样品的种类在80以上;
对于每种包含N-环烷烃的已知油品样品,将其在N-环烷烃所对应波长处的吸收度作为输入,并将与N-环烷烃对应的物性数据作为输出,训练所述初始物性预测模型,使得训练完成的物性预测模型能够根据样品在N-环烷烃所对应波长处的吸收度预测出与N-环烷烃对应的物性数据;
对于多种已知油品样品中每种包含O-烯烃的已知油品样品,收集其在O-烯烃所对应波长处的吸收度以及与O-烯烃相对应的物性数据,其中,样品的种类在80以上;
对于每种包含O-烯烃的已知油品样品,将其在O-烯烃所对应波长处的吸收度作为输入,并将与O-烯烃对应的物性数据作为输出,训练所述初始物性预测模型,使得训练完成的物性预测模型能够根据样品在O-烯烃所对应波长处的吸收度预测出与O-烯烃对应的物性数据;
对于多种已知油品样品中每种包含P-直链烷烃的已知油品样品,收集其在P-直链烷烃所对应波长处的吸收度以及与P-直链烷烃相对应的物性数据,其中,样品的种类在80以上;
对于每种包含A-芳烃的已知油品样品,将其在A-芳烃所对应波长处的吸收度作为输入,并将与A-芳烃对应的物性数据作为输出,训练所述初始物性预测模型,使得训练完成的物性预测模型能够根据样品在A-芳烃所对应波长处的吸收度预测出与A-芳烃对应的物性数据。
当所述已知的物性数据与族组成之间的对应关系包括P-直链烷烃与其物性数据之间的对应关系、I-异构烷烃与其物性数据之间的对应关系、N-环烷烃与其物性数据之间的对应关系、O-烯烃与其物性数据之间的对应关系、A-异构的(或者说带分支)分子与其物性数据之间的对应关系时,查找与预测的各个物性数据分别对应的族组成,包括:
将预测的各个物性数据分别与P-直链烷烃对应的物性数据、I-异构烷烃对应的物性数据、N-环烷烃对应的物性数据、O-烯烃对应的物性数据、A-芳烃对应的物性数据进行对比;
当预测的各个物性数据中存在与P-直链烷烃对应的物性数据、I-异构烷烃对应的物性数据、N-环烷烃对应的物性数据、O-烯烃对应的物性数据、A-芳烃对应的物性数据中任意一个物性数据一致的情况时,即此时的宏观物性参数即为利用目标油品的光谱数据所需要确定的目标油品的简评数据。
本实施例的方法能够快速准确地确定目标油品的详细的分子组成数据和宏观物性数据,为后续的生产工艺提供技术支持。本实施例利用光谱数据来分析目标油品的宏观物性,实现目标油品的宏观物性的快速分析。本实施例通过对物性比对验证来调整目标油品的分子组成,从而确定出目标油品的分子组成以及相应的宏观物性数据,为后续工艺流程操作优化提供有益指导。
实施例三
基于同一发明构思,本发明的实施例三提供一种基于光谱数据的油品数据分析系统,包括:
分析模块,用于利用目标油品的光谱数据确定所述目标油品的简评数据;
查找模块,用于根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
混合模块,用于利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
确定模块,用于基于所述混配比例以及所述若干油品样品各自的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
输出模块,用于将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据。
本实施例中,所述分析模块包括:
获取单元,用于获取目标油品的光谱数据;
预测单元,用于将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据;
其中,所述光谱数据指将指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度,所述物性预测模型为多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型、深度学习模型和拓扑方法模型中的一种。
本实施例中,所述确定模块包括:
确定单元,用于基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
第一计算单元,用于对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
第二计算单元,用于对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
本实施例中,还可以设置调整模块,所述调整模块设置在混合模块和确定模块之间,所述调整模块用于根据调合油品与目标油品的宏观物性差异调整所述混配比例,并根据调整后的混配比例将所述若干油品样品重新混合成调合油品,直至调合油品与目标油品的宏观物性差异达到最小。
本实施例的油品数据分析系统中各模块实现的功能以及实现方式与本发明实施例一或实施例二的油品数据分析方法中各步骤的功能以及实现方式对应一致,因此,此处不再一一详细赘述。
实施例四
基于同一发明构思,如图4所示,本发明实施例提供了一种基于光谱数据的油品数据分析设备,包括处理器1110、通信接口1120、存储器1130和通信总线1140,其中,处理器1110、通信接口1120和存储器1130通过通信总线1140完成相互间的通信;
存储器1130,用于存放计算机程序;
处理器1110,用于执行存储器1130上所存放的程序时,实现如下所示基于光谱数据的油品数据分析方法:
利用目标油品的光谱数据确定所述目标油品的简评数据,其中,所述目标油品的简评数据包括目标油品的部分宏观物性数据;
根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
基于所述混配比例以及所述若干油品样品各自的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据,其中,所述目标油品的详评数据中的宏观物性数据多于所述目标油品的简评数据中的宏观物性数据。
上述的通信总线1140可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(RandomAccess Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称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。
实施例五
基于同一发明构思,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任意可能的实现方式中的基于光谱数据的油品数据分析方法。
可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够除了在这里图示或描述的那些以外的顺序实施。
应当理解的是,本说明书中的示例性实施方式可以由多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的实施方式。提供这些实施方式是为了使得本申请的公开彻底且完整,并且将这些示例性实施方式的构思充分传达给本领域普通技术人员,而不应当理解为对本发明的限制。
Claims (17)
1.一种基于光谱数据的油品数据分析方法,其特征在于,包括以下步骤:
利用目标油品的光谱数据确定所述目标油品的简评数据;
根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据。
2.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述目标油品的简评数据和详评数据均包括目标油品的宏观物性数据且所述目标油品的详评数据中的宏观物性数据多于所述目标油品的简评数据中的宏观物性数据。
3.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述利用目标油品的光谱数据确定所述目标油品的简评数据,包括:
获取目标油品的光谱数据;
将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据即为简评数据;
其中,所述光谱数据指将指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度,所述物性预测模型为多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型、深度学习模型和拓扑方法模型中的一种。
4.根据权利要求3所述的基于光谱数据的油品数据分析方法,其特征在于,当所述物性预测模型是输入端为光谱数据且输出端为宏观物性数据的人工神经网络模型时,所述物性预测模型通过以下步骤训练得到:
建立初始人工神经网络模型;
采集已知油品样品的光谱数据并测量已知油品样品的宏观物性数据;
利用所述已知油品样品的光谱数据以及所述已知油品样品的宏观物性数据,对所述初始人工神经网络模型进行训练,训练完成的人工神经网络模型作为所述物性预测模型。
5.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤之前,所述方法还包括:
根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与目标油品一致的油品样品;
若在油品数据库中找到与目标油品一致的油品样品,则将所述油品样品的分子组成数据和宏观物性数据作为目标油品的详评数据;
若在油品数据库中未找到与目标油品一致的油品样品,则执行根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤。
6.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品的步骤,包括:
根据目标油品的简评数据,确定油品数据库中的各个油品样品与目标油品的物性相似度,根据所述物性相似度对油品数据库中的油品样品进行排序;
基于排序结果选择与目标油品的物性最接近的若干油品样品。
7.根据权利要求6所述的基于光谱数据的油品数据分析方法,其特征在于,所述物性相似度等于油品样品与目标油品对应的各项宏观物性数据组成的向量之间的带权重的距离。
8.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述利用混合整数非线性规划法确定所述若干油品样品的混配比例的步骤,包括:
基于混合整数非线性规划法和罚函数确定所述若干油品样品的混配比例,其中,所述罚函数包括:
油品种类数量的罚函数,用于限定从排序的油品样品中选择的用于建模的油品种类的数量;
最小混配比例数值的罚函数,用于限定最终获得的混配比例中最小混配比例数值。
9.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据的步骤,包括:
基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
10.根据权利要求1所述的基于光谱数据的油品数据分析方法,其特征在于,所述基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据的步骤之后,且所述将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据的步骤之前,所述方法还包括:
根据调合油品与目标油品的宏观物性差异调整所述混配比例,并根据调整后的混配比例将所述若干油品样品重新混合成调合油品,直至调合油品与目标油品的宏观物性差异达到最小。
11.根据权利要求10所述的基于光谱数据的油品数据分析方法,其特征在于,当调合油品与目标油品的简评数据中的对应的各项宏观物性数据组成的向量之间的带权重的距离达到最小值时,则判定调合油品与目标油品的宏观物性差异达到最小。
12.一种基于光谱数据的油品数据分析系统,其特征在于,包括:
分析模块,用于利用目标油品的光谱数据确定所述目标油品的简评数据;
查找模块,用于根据目标油品的简评数据,在目标油品隶属的油品种类的油品数据库中查找与所述目标油品近似的若干油品样品;
混合模块,用于利用混合整数非线性规划法确定所述若干油品样品的混配比例,并按照所述混配比例将所述若干油品样品混合成调合油品;
确定模块,用于基于所述混配比例以及所述若干油品样品的分子组成数据和宏观物性数据,确定所述调合油品的分子组成数据和宏观物性数据;
输出模块,用于将所述调合油品的分子组成数据和宏观物性数据作为目标油品的详评数据。
13.根据权利要求12所述的基于光谱数据的油品数据分析系统,其特征在于,所述分析模块包括:
获取单元,用于获取目标油品的光谱数据;
预测单元,用于将目标油品的光谱数据输入物性预测模型,预测与所述目标油品的光谱数据对应的宏观物性数据;
其中,所述光谱数据指将指定波长的光线通过目标油品后,该目标油品对该指定波长的光线的吸收强度,所述物性预测模型为多元线性回归模型、主成分回归模型、偏最小二乘模型、人工神经网络模型、深度学习模型和拓扑方法模型中的一种。
14.根据权利要求12所述的基于光谱数据的油品数据分析系统,其特征在于,所述确定模块包括:
确定单元,用于基于混配比例和所述若干油品样品的分子组成数据确定所述调合油品的分子组成数据;
第一计算单元,用于对于一种线性宏观物性,按照混配比例对所述若干油品样品的所述线性宏观物性的数据进行加权求和,获得所述调合油品的所述线性宏观物性的数据;
第二计算单元,用于对于一种非线性宏观物性,根据所述调合油品的分子组成数据和相应的物性计算模型确定所述调合油品的所述非线性宏观物性的数据。
15.根据权利要求12所述的基于光谱数据的油品数据分析系统,其特征在于,还包括调整模块,所述调整模块设置在混合模块和确定模块之间,所述调整模块用于根据调合油品与目标油品的宏观物性差异调整所述混配比例,并根据调整后的混配比例将所述若干油品样品重新混合成调合油品,直至调合油品与目标油品的宏观物性差异达到最小。
16.一种基于光谱数据的油品数据分析设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1至11中任一项所述的基于光谱数据的油品数据分析方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,实现权利要求1至11中任一项所述的基于光谱数据的油品数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666139.6A CN116413417A (zh) | 2021-12-31 | 2021-12-31 | 一种基于光谱数据的油品数据分析方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666139.6A CN116413417A (zh) | 2021-12-31 | 2021-12-31 | 一种基于光谱数据的油品数据分析方法、系统和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116413417A true CN116413417A (zh) | 2023-07-11 |
Family
ID=87055082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111666139.6A Pending CN116413417A (zh) | 2021-12-31 | 2021-12-31 | 一种基于光谱数据的油品数据分析方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116413417A (zh) |
-
2021
- 2021-12-31 CN CN202111666139.6A patent/CN116413417A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021249330A1 (zh) | 一种分子级炼油加工全流程优化方法、装置、系统及存储介质 | |
CN107976419B (zh) | 一种由油品近红外光谱预测其性质的方法 | |
US20180196778A1 (en) | Method for Correlating Physical and Chemical Measurement Data Sets to Predict Physical and Chemical Properties | |
CN106407648A (zh) | 一种汽油关键性质的快速批量预测方法 | |
CN107941739A (zh) | 一种sbs改性沥青性能指标快速判定方法 | |
Wang et al. | Application of attenuated total reflectance Fourier transform infrared (ATR-FTIR) and principal component analysis (PCA) for quick identifying of the bitumen produced by different manufacturers | |
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 | |
He et al. | A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes | |
CN108760789A (zh) | 一种原油快评方法 | |
US20190064076A1 (en) | Method and system for analysing a blend of two or more hydrocarbon feed streams | |
CN111892938B (zh) | 一种原油分子组成的确定方法、系统、装置及存储介质 | |
CN109324014A (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN109507352A (zh) | 一种预测石化生产中任意流股分子组成的方法 | |
EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
CN116413417A (zh) | 一种基于光谱数据的油品数据分析方法、系统和设备 | |
CN109724938B (zh) | 由近红外光谱预测润滑油基础油性质的方法 | |
Sastry et al. | Determination of physicochemical properties and carbon-type analysis of base oils using mid-IR spectroscopy and partial least-squares regression analysis | |
Stratiev et al. | Evaluation of accuracy of literature gasoline blending models to predict octane numbers of gasoline blends | |
US11402323B2 (en) | Systems and processes for performance property determination using optical spectral data | |
CN109724939B (zh) | 由近红外光谱预测加氢尾油性质的方法 | |
CN116430014A (zh) | 一种目标油品详评数据的获取方法和系统 | |
WO2017062416A1 (en) | Hybrid analyzer for fluid processing processes | |
CN116413238A (zh) | 一种油品族组成确定方法、系统、设备及存储介质 | |
WO2024011687A1 (zh) | 一种油品物性快评模型建立方法及装置 | |
CN117894386A (zh) | 混合原油组分和理化性质的预测方法、系统及可读介质 |
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 |