DE19617917C2

DE19617917C2 - Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks

Info

Publication number: DE19617917C2
Application number: DE19617917A
Authority: DE
Inventors: Aaron Ranson; Fernando Arroyo; Adriano Parisi; Hernan Prieto
Original assignee: Intevep SA
Current assignee: Intevep SA
Priority date: 1996-01-11
Filing date: 1996-05-03
Publication date: 2002-05-29
Anticipated expiration: 2016-05-04
Also published as: JPH09305567A; US5572030A; CA2175326A1; GB2312741A; DE19617917A1; CA2175326C; GB9608947D0

Description

Die Erfindung betrifft ein Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffs wie Benzin, Dieselkraftstoff, Kerosin, Naphta, Düsentreibstoff od. dgl. - nachfolgend auch KWS-Kraftstoff genannt -, durch Bestimmen von zumin dest einem Parameter dieser Substanz. Zudem erfaßt die Er findung eine Verwendung eines neuronalen Netzwerks bei ei nem solchen Verfahren.

Genaue Methoden zum Messen von Parametern von Kraftstoffen wie Benzin sind wünschenswert. Dabei ist es besonders nütz lich, genaue Messungen von Parametern wie Oktanzahlen, Reid-Dampfdruck (reid vapor pressure = RVP) und dgl. zu er halten, so daß Produkte geliefert werden können, die genau den Kundenanforderungen entsprechen.

Ein System zum Messen der physikalischen Eigenschaften von Kohlenwasserstoffen beschreibt die US 5 412 581; eine Refe renzzelle aus Kohlenwasserstoff wird in thermischen Kontakt mit einer Vergleichszelle gebracht, welche einen unbekann ten Kohlenwasserstoff enthält. Von beiden Zellen wird ein sog. (NIR) Nahes Infrarot Spektrum hergestellt, wobei die Messdaten der Vergleichszelle durch die Messdaten der Refe renzzelle angeglichen und die angeglichenen Messdaten durch ein Modell bewertet werden, um die Eigenschaften der Ver gleichszelle voraussagen zu können. Jenes Modell wird von einem Lehrset für Kohlenwasserstoffe bekannter physikali scher Eigenschaften mit der Referenzzelle hergestellt.

Spektroskopie im nahen - auch mittleren genannten - Infra rotbereich (near infrared spectroscopy = NIR) hat sich als nützlich bei der Bewertung gewisser Substanzen erwiesen, da manche Bänder des NIR-Signals Indikatoren von Parametern der Substanz sind. Beispielsweise offenbart US 4,963,745 ein Verfahren zum Messen der Oktanzahl von Benzin unter Be nutzung von NIR-Spektroskopie sowie einer mathematischen Verarbeitung unter Benutzung von Differentialquotienten (derivatives). Dieses Verfahren, das gelegentlich als mul tivariate Analyse bezeichnet wird, ist beim Messen einiger Parameter durchaus nützlich. Allerdings verlangt dieses Verfahren nach einem hohen Signal-Rauschverhältnis und Langzeitstabilität, und setzt ferner eine lineare Korrela tion zwischen den erhaltenen NIR Spektraldaten sowie dem zu bestimmenden Parameter voraus. Weitere Einzelheiten zur NIR-Spektroskopie sind dem Fresenius Journal Anal. Chem. 1992, Bd. 342, S. 292 bis 294 - Foulk. S. I. und DeSimas, B. E. - zu entnehmen.

Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zum Bestimmen gewünschter Parameter einer Substanz, insbesondere eines Kohlenwasserstoffs wie Benzin oder anderer Kraftstofftypen, unter Benutzung der NIR-Spektroskopie anzubieten, wobei genaue Meßwerte (Ergebnisse) trotz einer Nicht-Linearität des Zusammenhangs zwischen dem eingegebenen NIR-Signal und dem ausgegebenen, zu bestimmenden Parameter erhalten werden sollen. Zudem soll ein Bewertungsverfahren geschaffen werden, welches genaue Bestimmungen ermöglicht trotz potentiell größerer Mengen von "Rauschen" oder verstümmelter Daten im NIR-Signal, wobei auch Meßwerte "On-line" (in Echtzeit) erhalten werden sollen.

Weitere Aufgaben und Vorteile ergeben sich aus der weiteren Beschreibung.

Die Aufgabe wird durch das Verfahren nach dem Patentan spruch 1 sowie die Verwendung nach dem Patentanspruch 17 gelöst.

Erfindungsgemäß werden gewünschte Parameter eines Kohlen wasserstoffes - bevorzugt eines Kohlenwasserstoff- Kraftstoffes wie Benzin, Dieselkraftstoff, Naphta, Düsen kraftstoff, Kerosin od. dgl. - durch ein Verfahren bestimmt, das die Schritte aufweist: Vorsehen eines zu bewertenden Kohlenwasserstoffes, Erhalten eines mittleren Infrarot- Signals (near-infrared signal) des Kohlenwasserstoffes, Co difizieren (Codieren) des mittleren Infrarot-Signals zum Reduzieren des Signals auf eine Anzahl von Punkten, Vorse hen eines neuronalen Netzwerkes (neural network), das zum Korrelieren (in eine Wechselbeziehung bringen) der Anzahl von Punkten mit dem gewünschten Parameter und zum Verarbei ten der Anzahl von Punkten mit dem neuronalen Netzwerk zum Bestimmen des gewünschten Parameters eingerichtet (gelernt bzw. trainiert, "trained") ist.

Genau zu bestimmende Parameter müssen nicht linear mit dem NIR-Signal zusammenhängen und können den Reid-Dampfdruck (RVP), simulierte Destillationswerte, die Researchoktanzahl ROZ (research octane number = RON), die Motoroktanzahl MOZ, den Sauerstoffgehalt, die spezifische Dichte, die Cetanzahl (cetane number), die Bromzahl, den Anilinpunkt AP, die Rauchzahl (Rußzahl) und Kombinationen davon umfassen, ge nauso wie zahlreiche weitere Parameter.

Während ferner die bevorzugte Anwendung des Verfahrens Koh lenwasserstoffe betrifft, können auch zahlreiche weitere Substanzen, wie Lebensmittel, Chemikalien und dgl., eben falls mit dem erfindungsgemäßen Verfahren bewertet werden.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausfüh rungsformen anhand der Zeichnung, in welcher:

Fig. 1 ein Schemadiagramm eines Apparats zum Durchfüh ren des erfindungsgemäßen Verfahrens zeigt;

Fig. 2 ein Fußdiagramm zum Verdeutlichen der Schritte des erfindungsgemäßen Verfahrens zeigt;

Fig. 3 ein Flußdiagramm zum Verdeutlichen des Trainie rens ("training") eines neuronalen Netzwerkes zur Benutzung im erfindungsgemäßen Verfahren zeigt;

Fig. 4 den zweiten Oberton (overtone) und dessen Re kombinationsbänder für ein typisches, verarbei tetes Spektrum zeigt, wie in Beispiel 1 illu striert;

Fig. 5 RVP-Werte illustriert, die erfindungsgemäß vor hergesagt wurden, im Vergleich zu tatsächlichen RVP-Werten, die gemäß ASTM D-323 gemessen wur den;

Fig. 6 herkömmlich vorhergesagte RVP-Werte illu striert, verglichen mit tatsächlichen RVP- Werten, die gemäß ASTM D-323 gemessen wurden;

Fig. 7 RON-Werte illustriert, die erfindungsgemäß vor hergesagt wurden, verglichen mit tatsächlichen RON-Werten, gemessen gemäß ASTM-2699;

Fig. 8 vorhergesagte RON-Werte des Validierungs-Satzes (validation set) illustriert, verglichen mit tatsächlichen ASTM-bestimmten RON-Zahlen, und

Fig. 9 den dritten Oberton und dessen Rekombinations bänder für ein typisches Verfahrensspektrum, wie in Beispiel 2 illustriert, zeigt.

Wie oben dargelegt, ist Infrarot-Spektroskopie im mittleren Infrarot-Bereich (NIR) bekannt, um ein Signal zu erzeugen, welches verschiedenen Parametern des in Frage stehenden Ma terials entspricht. Allerdings ist häufig diese Beziehung im Gebiet der Kohlenwasserstoff-Kraftstoffe nicht linear, und herkömmliche Verfahren zum Bewerten des Signals, wie das im US-Patent 4,963,745 beschriebene, benötigen einen linearen Zusammenhang.

Erfindungsgemäß wird ein Verfahren geschaffen, mit welchen ein neuronales Netzwerk (neural network) so eingestellt ("trainiert") und benutzt wird, daß es Bestimmungen von ge wünschten Parametern eines Kohlenwasserstoffes aus einem NIR-Signal erzeugt, unabhängig davon, ob die Beziehung li near oder nicht linear ist. Ferner erzeugt das erfindungs gemäße Verfahren genaue Bestimmungen, selbst wenn es rela tiv großen Mengen von "Rauschen" oder von verstümmelten Da ten im NIR-Signal ausgesetzt ist. Außerdem kann das erfin dungsgemäße Verfahren zur Feststellung benutzt werden, ob eine vorgegebene Eigenschaft vorliegt, diese innerhalb ei nes vorgegebenen Bereichs liegt, und ob diese Eigenschaft zusammen mit anderen Spektren in einer Familie zusammenge faßt werden kann, und es kann das Ausmaß eines Parameters oder einer Eigenschaft auf der Basis der Korrelation zwi schen dem NIR-Spektrum und einem zugehörigen (verknüpften) Erwartungswert vorhergesagt werden.

Fig. 1 illustriert schematisch einen Apparat zum Durchfüh ren des erfindungsgemäßen Verfahrens, und Fig. 2 ist ein Flußdiagramm zum Illustrieren der erfindungsgemäßen Verfah rensschritte.

Wie in Fig. 1 gezeigt, ist ein Sensor 10 zum Erhalten von NIR-Signalen des Kohlenwasserstoffs oder anderer, auszuwer tender Substanzen vorgesehen. Der Sensor 10 kann ein Sensor zum Erhalten (Erfassen) des reflektierenden (reflective) NIR-Spektrums oder des NIR-Durchlaßspektrums (transmittance) des Kohlenwasserstoffs sein. Derartige Sen soren sind im Stand der Technik bekannt und können erfin dungsgemäß zum Erhalten der gewünschten NIR-Spektren in Echtzeit (On-line) sein. Ein typischer Durchlaßsensor (Transmissionssensor) kann beispielsweise ein Rohr (nicht gezeigt) aufweisen, durch welches der Kohlenwasserstoff oder eine andere Substanz fließt, sowie zwei am Rohr vorge sehene Kollimatoren, welche einen Lichtstrahl durch den Kohlenwasserstoff hindurchrichten. Natürlich sind zahlrei che andere Sensortypen oder andere Instrumente zum Erhalten der gewünschten NIR-Spektren aus dem Stand der Technik be kannt und erfindungsgemäß zur Benutzung mit der vorliegen den Erfindung geeignet.

Das erfindungsgemäße System umfaßt ferner ein Übertra gungselement 12 (transmission member) zum Übertragen (Weiterleiten) des vom Sensor 10 erhaltenen NIR-Spektrums zu einem Spektrometer 14 zum Verarbeiten des Signals des Sensors 10, zum Erhalten einer Basislinienkorrektur (base line correction) des Signals und zum Reduzieren des Signals auf eine gewünschte Anzahl von Punkten. Das Übertragungse lement 12 kann eine geeignete optische Fiber od. dgl. sein.

Das System umfaßt auch ein eingestelltes (gelerntes, trai niertes) neuronales Netzwerk 16 zum Empfangen des konditio nierten Signals des Spektrometers 14 (im weiteren wird "trainiert" synonym mit "gelernt" verwendet).

Das Netzwerk 14 ist so "trainiert", daß es einen oder meh rere gewünschter Parameter des Kohlenwasserstoffs auf der Basis der Extinktionswerte (absorbance values) der Punkte des konditionierten Signals bestimmt. Das Netzwerk 16 ver arbeitet die vom Spektrometer 14 empfangenen Signale zum Erzeugen der gewünschten Parameter.

Wie in Fig. 2 gezeigt, verlangt Schritt 18 das Bereitstel len eines zu messenden und zu bewertenden Kohlenwasser stoffs, bevorzugt im On-line-Betrieb. Erfindungsgemäß wird das NIR-Spektrum des Kohlenwasserstoffs in Schritt 20 bei einer Wellenlänge zwischen etwa 800 nm und etwa 1600 nm ge messen. In diesem Bereich ist es weiter bevorzugt, eine Wellenlänge zwischen etwa 800 nm und etwa 1050 nm (die dem dritten Oberton und dessen Rekombinationsbändern ent spricht) auszuwählen, oder zwischen etwa 1100 nm und etwa 1500 nm (entsprechend dem zweiten Oberton und dessen Rekom binatiosbändern). Die vorbeschriebenen Bereiche sind beson ders bevorzugt, da darin Bänder konzentriert sind, die Me thyl, Methylen, oleophilischem und aromatischem Gehalt ent sprechen.

Zahlreiche Spektrometer sind geeignet und kommerziell er hältlich, um die gewünschten NIR-Spektren bzw. Signale zu erhalten. Beispiele geeigneter Spektrometer umfassen das Modell SC 300 von Guidewave, Pioneer 1024 von Perkin Elmer und weitere.

Das wie oben erhaltene NIR-Signal wird dann in Schritt 24 erfindungsgemäß konditioniert, zum Codifizieren des Signals durch Korrigieren der spektralen Basislinie und Reduzieren des Signals auf eine geeignete Anzahl von Punkten, die von dem neuronalen Netzwerk zum Erhalten der gewünschten Koh lenwasserstoffparameter zu verarbeiten sind.

Die Signalkonditionierung könnte durch Benutzung eines be liebigen geeigneten PC durchgeführt werden, beispielsweise einer Sun Corporation Workstation mit einem UNIX Betriebs system, oder in beliebiger anderer herkömmlicher Weise, die geeignet ist, das NIR-Signal auf die dem neuronalen Netz werk zu übermittelnden Punkte zu korrigieren und zu redu zieren.

In Schritt 24 werden die Punkte aus Schritt 22 durch das neuronale Netzwerk verarbeitet, zum Herbeiführen einer Be stimmung des gewünschten Parameters (Schritt 26).

Ein neuronales Netzwerk ist ein mehrschichtiges (z. B. li near geschichtetes) Netzwerk (layered network), das eine Eingangsschicht (Inputschicht) mit einem Netzwerkeingang (Input) sowie eine Ausgabeschicht (Outputschicht) mit einem Netzwerkausgang (Output) aufweist. Eine oder mehrere ver borgene Schichten (hidden layers) sind zwischen der Einga beschicht und der Ausgabeschicht angeordnet, zum Verarbei ten eingegebener Information gemäß einer gewichteten Summe von Netzwerkeingaben.

Punkte aus Schritt 22 werden dem Netzwerkeingang der Einga beschicht (Input layer) eingegeben und durch die Schichten des Netzwerks verarbeitet, zum Erzeugen des gewünschten Pa rameters als Ausgabe (Ausgangssignal) des Netzwerk-Ausgangs der Ausgabeschicht (Output layer). Die eingegebenen Daten werden durch eine Sigma-Transformationsfunktion (sigmoid transfer function) zwischen jeder Schicht des Netzwerks verarbeitet. Die Transformationsfunktion (Zustandsübergangsfunktion, Übertragungsfunktion) überträgt ein Signal zur nächsten Schicht des Netzwerks. Die Kombina tion der von einer Schicht empfangenen Eingabe dient zum Definieren der Ausgabe dieser Schicht, wobei verschiedenen Teilen der Eingabe (des angegebenen Signals) mehr oder weniger Gewicht auf der Basis der vorerwähnten gewichteten Werte zugemessen wird.

Die gewichteten Werte werden durch ein Verfahren bestimmt, das nach dem Stand der Technik als "Training" ("Lernen") bezeichnet wird, wodurch eine Anzahl von bekannten Eingabe- und Ausgabewerten dem Netzwerk zugeführt wird, und dann zu sätzliche Werte durch das Netzwerk verarbeitet werden, wo bei die gewichteten Werte nach jedem Durchlauf verändert werden, bis der Fehler konstant und einheitlich unterhalb einer akzeptablen Fehlermarge liegt.

Neuronale Netzwerke sind im Stand der Technik bekannt. Ge eignete neuronale Netzwerke können mit kommerziell erhält licher Software generiert werden, einschließlich Planet 5.6, Unscrambler sowie Neuralwave, aber nicht auf diese Pa kete beschränkt.

Das Training der neuronalen Netzwerke ist ebenfalls aus dem Stand der Technik bekannt, und zahlreiche Techniken wie rückwärtige Ausbreitung (back propagation), gestütztes (überwachtes) Lernen (supervised learning) und dgl. sind dem einschlägigen Fachmann bekannt. Ein Beispiel einer Lern- bzw. Trainingsprozedur wird nachfolgend unter Bezug auf Fig. 3 dargelegt.

Die Eingabeschicht (Input layer) des neuronalen Netzwerkes weist eine Anzahl von Knoten zum Empfangen der Punkte des codifizierten NIR-Signals auf. Die Anzahl von zu benutzen den Knoten wird so gewählt, daß sie groß genug zum Erzeugen zuverlässiger Bestimmungen ist, aber klein genug, so daß das neuronale Netzwerk nicht sehr kompliziert wird. Es hat sich erfindungsgemäß herausgestellt, daß ein Reid- Dampfdruck eines Benzins unter Benutzung eines Bereichs zwischen etwa 30 und etwa 100 Eingangsknoten bestimmt wer den kann.

Die Knoten der Eingabeschicht (Input layer) verarbeiten die eingehenden Punkte entsprechend dem Training des neuronalen Netzwerks zum Erzeugen teilweise verarbeiteter Signale für die verborgenen Zwischenschicht(en), die die Signale wei terverarbeitet/(-en), zum Erzeugen eines Ausgangssignals der Ausgabeschicht entsprechend dem gewünschten Parameter.

Die Ausbreitung (Übertragung) von der Eingabeschicht zur Zwischenschicht wird durch eine Sigmafunktion (sigmoid function) erreicht, die zum Bestimmen des Ausgangs (Ausgangssignals, Output) eines Knotens (j) auf der Basis eines empfangenen Eingangssignals (Input) eines Knotens aus Knoten (i) einer vorhergehenden Schicht dient. Die Sigma funktion stellt sich wie folgt dar:

wobei I_i der Ausgabewert des Knotens i ist, W_ji der Gewich tungswert (weighted value) zwischen den Knoten j und i ist und Q_j der Ausgabewert des Knotens j ist.

Die Sigma-Übertragungsfunktion (transfer function), die im Zusammenhang mit Vorstehendem benutzt wird, ist bevorzugt wie folgt:

f(x) = 1/(1 + e^-x)

wobei

Die Zwischenschicht weist typischerweise eine Anzahl von Knoten auf, die geringer ist als die der Eingabeschicht, und höher als die der Ausgabeschicht. Wenn beispielsweise die Eingabeschicht 30 bis 100 Knoten aufweist, besitzt die Zwischenschicht bevorzugt etwa zwischen 3 und etwa 15 Kno ten. Die Knoten der Zwischenschicht dienen zum Verarbeiten eingehender Signale aus der Eingabeschicht entsprechend ei nes zusätzlichen Satzes von gewichteten Werten, die eben falls während des Trainings des neuronalen Netzwerks be stimmt worden sind. Ein Fortschreiten (Ausbreiten, propaga tion) von der Zwischenschicht zur Ausgabeschicht wird eben falls bevorzugt in der oben beschriebenen Weise erreicht, so daß der gewünschte Ausgabewert (Output) erreicht wird.

Sigma-Übertragungsfunktionen sind besonders geeignet beim Verarbeiten von Daten von Schicht zu Schicht im Netzwerk, da sie nützlich beim Modellieren (Abbilden) von nicht- linearen Mustern oder Funktionen sind.

Erfindungsgemäß kann der zu bewertende Kohlenwasserstoff geeignet Benzin, Dieselkraftstoff, Kerosin, Naphta, Düsen kraftstoff od. dgl. sein. Während zahlreiche Parameter des Kohlenwasserstoffs ausgewertet werden können, umfassen spe zifische Beispiele den Reid-Dampfdruck, simulierte Destil lationswerte, die Researchoktanzahl, die Motoroktanzahl, den Sauerstoffgehalt, die spezifische Dichte, die Cetanzahl für Dieselkraftstoff, die Bromzahl für Dieselkraftstoff oder Benzin, den Anilinpunkt, den Rauchpunkt und dgl. Vie le der vorstehenden Parameter sind nicht-linear mit dem NIR-Signal verknüpft und konnten daher mit herkömmlichen Verfahren nicht bestimmt werden.

Fig. 3 illustriert einen Lernprozeß zum Trainieren eines neuronalen Netzwerks zur Benutzung gemäß der Erfindung.

Anfänglich wird ein als neuronales Netzwerk konfigurierter Computer vorgesehen. Ein Datensatz muß dann herangezogen werden, mit welchem das Training des Netzwerkes initiiert wird. Schritt 21 in Fig. 3 zeigt die Auswahl der Familie (family). In Schritt 23 werden NIR-Spektren für jedes Mit glied der Familie erhalten.

Die gewünschten Parameter für jedes Familienmitglied werden dann in Schritt 25 bestimmt, unter Benutzung standardisier ter analytischer Methoden.

Die in Schritt 23 erhaltenen Spektren werden dann in Schritt 27 und Schritt 29 konditioniert. Schritt 27 erzeugt die Basislinienkorrektur des Signals, welches, in Schritt 29, reduziert wird, so daß die gewünschte Zahl von Punkten zum Eingeben in das Netzwerk extrahiert wird.

Zwei Matrizen werden dann generiert, eine mit den in Schritt 29 erhaltenen Punkten, und die andere mit den ana lytisch in Schritt 25 bestimmten Parameterwerten. Durch den Trainingsprozeß, und unter Benutzung der zwei Matrizen, werden abschließende, gewichtete Werte für die Eingabe- zur mittleren Schicht und für die mittlere zur Ausgabe-Schicht berechnet. Die randomisierten, anfänglichen gewichteten Werte werden durch einen in den Schritten 31 und 32 durch geführten Iterationsprozeß angepaßt und optimiert. Mit zu sätzlichen Probewerten (samples) oder mit Mitgliedern der Datenfamilie werden durch das Netzwerk erzeugte Anzeigewer te in Schritt 33 mit denjenigen verglichen, die gemäß Schritt 25 erwartet werden. Bei jedem Vergleich werden Techniken der Rückwärtsausbereitung (back propagation) oder des gestützten (überwachten) Lernens (supervised learning) oder beliebige andere bekannte Lern- bzw. Trainingstechni ken benutzt, um die Gewichtungswerte zwischen den Knoten einzustellen, bis das Netzwerk Bestimmungen (Bestimmungswerte) generiert, die konsistent innerhalb ei ner akzeptablen Fehlermarge sind. Sobald dies der Fall ist, ist das Netzwerk ausreichend trainiert und fertig für den Einsatz. In Schritt 35 wird das Netzwerk zum Bestimmen von quantitativen Parametern On-line geschaltet (aktiviert), ohne daß herkömmliche Verfahren notwendig sind, die möglicherweise nicht On-line (in Echtzeit) durchgeführt werden könnten, oder nicht einmal am Produktionsstandort.

Beispiel 1

Dieses Beispiel illustriert das Training eines neuronalen Netzwerks und die Benutzung des trainierten neuronalen Netzwerks entsprechend dem erfindungsgemäßen Verfahren zum Bestimmen des Reid-Dampfdruckes von Benzin.

Bei diesem Beispiel wurde eine Familie von 56 typischen Benzinen als Datensatz ausgewählt. Diese Familie umfaßte Benzin, welches als normal (regular), Super (super) und "Premium" kategorisiert wurde.

NIR-Spektren wurden für jedes Familienmitglied erstellt, wobei bei diesem Beispiel ein vis-NIR Fiberoptik-basiertes Spektrometer Guidewave Modell 300A unter Benutzung einer 1 cm Silika-Schmelzwanne (fuse silica cuvette) bei einem Wellenlängenbereich zwischen 800 nm und 1600 nm bei einem (1) nm Auflösung eingesetzt wurde.

Standardisierte analytische Techniken wurden dann benutzt, um den tatsächlichen Reid-Dampfdruck jedes Familienmit glieds zu messen. Die Messung wurde gemäß ASTM D-323-82 durchgeführt (ASTM = american society for testing materi als). Der Bereich des ausgewählten Reid-Dampfdrucks lag zwischen 45,5 kPa und 82,7 kPa (6,6 psi bis 12 psi). Dieser Bereich entspricht typischen Reid-Dampfdrücken für kommer zielles Benzin. Die gemessenen Werte sind nachfolgend in Tabelle I dargestellt.

(In der weiteren Beschreibung gelten die folgenden Abkür zungen: "ap." für Premium-verbleit, "up." für Medium- verbleit, "sp." für bleifrei, "gA." für Premium-Kraftstoff und "gM." für Medium-Kraftstoff (mittlere Qualität).

Tabelle I

Der zweite Oberton der NIR-Spektren und deren Rekombinati onsbänder bei einem Wellenlängenbereich zwischen etwa 1100 nm und etwa 1500 nm wurde für jedes Mitglied der Familie gemessen und erfindungsgemäß so konditioniert, daß 47 Punk te erzeugt wurden. Das Netzwerk wurde so konfiguriert, daß es 47 Eingabeknoten in der Eingabeschicht für diese Punkte aufweist. Fig. 4 zeigt eine Kurve, die den ausgewählten Punkten entspricht.

Die Punkte und analytisch gemessenen Parameter wurden dann in Matrizen angeordnet, die dem Netzwerk zum Beginnen des Trainingsprozesses eingegeben wurden. 50 der 56 Familien mitglieder wurden in den Matrizen angeordnet. Die verblei benden sechs Proben wurden zur Benutzung bei der Validie rung des neuronalen Netzwerks nach dem Training zurückge halten. In diesem Beispiel wird ein vorhergesagter Wert als akzeptabel angesehen, wenn er innerhalb 0,5 psi des gemäß ASTM gemessenen Wertes liegt.

Die nachfolgend aufgeführten Tabellen II-IV enthalten die rauschfreien Vorhersagen von RVP-Werten sowie ASTM-Meßwerte der vom Trainieren des Netzwerks benutzten 50 Proben. Ta belle V enthält vorhergesagte und ASTM-Werte für den Vali dierungssatz. Wie gezeigt waren der durchschnittliche Feh ler und die Standardabweichung akzeptabel. Ein trainiertes neuronales Netzwerk war dann fertig und wurde On-line ge schaltet, um erfindungsgemäß Reid-Dampfdruck zu messen.

Tabelle II

Tabelle III

Tabelle IV

Tabelle V

RVP-Werte wurden dann erfindungsgemäß vorhergesagt, unter Benutzung des zweiten Obertons und des Rekombinationsbandes der 56 Spektren. Die so vorhergesagten RVP-Werte sind in Fig. 5 gegenüber tatsächlich gemäß ASTM D-323 gemessenen Werten aufgetragen. Für jeden Kraftstoff wurden fünf zu sätzliche Vorhersagen gemacht, während das Signal normal verteilten Rauschwerten von 34 dB, 40 dB, 43.5 dB, 46 dB sowie 48 dB ausgesetzt wurden. Diese Werte sind auch in Fig. 5 dargestellt. Wie gezeigt, erzeugt das Verfahren des neuro nalen Netzwerks Vorhersagen von RVP-Werten, die innerhalb akzeptabler Fehlertoleranzen liegen, selbst wenn das Signal vergleichsweise großen Rauschmengen ausgesetzt wird.

Zum weiteren Illustrieren der Vorteile der vorliegenden Er findung wurden RVP-Werte derselben Kraftstoffe gemäß her kömmlicher multivariater Analyse (partielles Verfahren der kleinsten Quadrate = Partial Least Square) vorhergesagt. Die Werte sind gegenüber tatsächlichen durch ASTM D-323 er mittelten Meßwerten aufgetragen, ohne Rauschen und mit hin zugefügtem normalverteiltem (Gauf-)Rauschen, wie oben be schrieben. Wie dargestellt, fällt eine wesentlich größere Anzahl von mit herkömmlichen Verfahren gemachten Vorhersa gen aus den akzeptablen Fehlergrenzen heraus.

Beispiel 2

Bei diesem Beispiel wird eine Researchoktanzahl (RON) er findungsgemäß vorhergesagt und mit tatsächlichen Meßwerten verglichen, die gemäß ASTM D-2699 ermittelt wurden. Die vorhergesagten Werte werden in Fig. 7 bestimmten Werten (festgestellten Werten) gegenübergestellt aufgetragen. Wie gezeigt, fallen die meisten Werte in das Akzeptanzband des ASTM. Außerdem liegt, wie oben dargelegt, der dritte Ober ton im Spektralbereich zwischen etwa 800 nm und etwa 1050 nm, und dessen Rekombinationsband ist ebenfalls geeignet zum Erzeugen von Vorhersagen gemäß der Erfindung. Bei die sem Beispiel wird die RON von dem dritten Oberton (overtone) vorhergesagt, der in Fig. 9 dargestellt ist.

In Fig. 8 sind ebenfalls Werte für den Validierungssatz dargestellt und fallen in das Akzeptanzband des ASTM.

Die vorhergehenden Ergebnisse wurden erhalten, wobei das Spektrum für jeden Kraftstoff von 1600 Punkte auf 47 Punkte für die Eingabe zum Netzwerk reduziert wurde, in entspre chender Weise wie beim oben dargelegten Beispiel 1 zum Mes sen des RVP.

Die nachfolgenden Tabellen VI-IX enthalten Vorhersagewer te und ASTM-Werte für die Trainingssätze und Validierungs sätze für das neuronale Netzwerk.

In Tabelle VI und VIII werden vorhergesagte RON-Werte mit entsprechenden ASTM-Werten verglichen, die zum Aufbauen ei nes neuronalen Netzwerks gemäß der Erfindung benutzt wur den. Die Werte des durchschnittlichen Fehlers und der Stan dardabweichung wurden bestimmt. Diese Werte lagen innerhalb der durch den ASTM-Test tolerierten Abweichung. RON-Werte für unabhängige Untermengen (Teilmengen) von Benzinen wur den dann unter Benutzung des neuronalen Netzwerkes vorher gesagt. Tabelle VII und IX führen die vorhergesagten Werte und die gemessenen ASTM-Werte auf. Wie zu erkennen ist, sind die Ergebnisse in befriedigender Weise vergleichbar, demonstrieren daher die vorteilhafte und geeignete Leistung des erfindungsgemäßen neuronalen Netzwerkes.

Tabelle VI

Tabelle VII

Tabelle VIII

Tabelle VIX

Somit ist ein System und ein Verfahren zum Bewerten einer Substanz wie Kohlenwasserstoff-Kraftstoff offenbart, womit genaue (akkurate) Vorhersagen von Parametern möglich sind, selbst wenn diese Parameter nicht-linear mit den für die Vorhersage benutzten NIR-Spektren verknüpft sind.

Während bei der vorliegenden Offenbarung und den bevorzug ten Ausführungsformen Kohlenwasserstoff-Kraftstoffe bewer tet wurden, wird auch darauf hingewiesen, daß das erfin dungsgemäße Verfahren auch nützlich beim Bewerten anderer Substanzen wäre.

Im Rahmen der vorliegenden Erfindung liegt es auch, das er findungsgemäß eingesetzte neuronale Netzwerk ("neural net work") mit (ggf. festverdrahteten) Hardwarekomponenten zu realisieren.

Diese Erfindung kann in anderer Form verkörpert sein oder auf andere Weisen ausgeführt werden, ohne von dessen grund sätzlichen Charakteristiken abzuweichen. Daher ist das vor liegende Ausführungsbeispiel als in jeder Hinsicht illu strativ und keinesfalls beschränkend anzusehen.

Claims

1. Verfahren zum Bewerten eines Kohlenwasserstoff- Kraftstoffes aus einer Familie von Kohlenwasserstoff- Kraftstoffen oder KWS-Kraftstoffen, die Benzin, Die selkraftstoff, Kerosin, Naphta und Düsenstreibstoff enthält, durch Bestimmen zumindest eines gewünschten Parameters aus der Gruppe, die den Reid-Dampfdruck, simulierte Destillationswerte, Researchoktanzahl, Mo toroktanzahl, Sauerstoffgehalt, spezifische Dichte- Oktanzahl, Bromzahl, Anilinpunkt, Rauchpunkt und Kom binationen davon umfaßt, bei dem

1. ein als neuronales Netzwerk konfigurierter Compu ter eingesetzt wird,
2. das neuronale Netzwerk zum Bewerten des KWS- Kraftstoffes aus der Familie von KWS-Kraftstoffen durch Bestimmen des gewünschten Parameters mit tels der folgenden Schritte trainiert wird:
- a) Auswählen einer Mehrzahl von KWS-Kraftstoffen aus der zu bewertenden Familie von KWS- Kraftstoffen,
- b) Herstellen eines Spektrums im Nahen Infrarot (NIR) für jeden der Mehrzahl von KWS- Kraftstoffen;
- c) Codifizieren von jedem der erhaltenen NIR- Spektren durch Vorsehen einer Basislinienkor rektur und folgendem Reduzieren der Basisli nien-korrigierten Spektren auf eine gewünsch te Anzahl von Punkten gemäß den ausgewählten Parametern;
- d) Entwickeln einer ersten Matrix aus der ge wünschten Anzahl von Punkten, wobei diese er ste Matrix danach dem neuronalen Netzwerk zu geführt wird;
- e) Erhalten einer zweiten Matrix von Parameter werten aus einer analytischen Auswertung der Mehrzahl von KWS-Kraftstoffen;
- f) Verarbeiten der ersten Matrix und der zweiten Matrix im neuronalen Netzwerk zum Darstellen einer funktionalen Beziehung zwischen der er sten Matrix und der zweiten Matrix, um eine gewichtete Matrix zu erhalten;
- g) Wiederholen der Schritte (b) bis (f) zum Ein stellen einer optimal gewichteten Matrix;
3. ein NIR-Spektrum aus einem aus der Familie von KWS-Kraftstoffen ausgewählten KWS-Kraftstoff mit der optimal gewichteten Matrix im neuronalen Netzwerk verglichen wird zum Erhalten eines Vor hersagewertes der gewünschten Parameter für den ausgewählten Kohlenwasserstoff-Kraftstoff.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schritt des Codifizierens das Reduzieren des Si gnals auf etwa 47 Punkte einschließt.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich net, daß der zu bestimmende Parameter Reid-Dampfdruck ist, wobei der Schritt des Codifizierens das Reduzie ren des Signals auf zwischen etwa 30 und etwa 100 Punkte einschließt.

4. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich net, daß der zu bestimmende Parameter die Researchok tanzahl ist, wobei der Schritt des Codifizierens das Reduzieren des Signals auf zwischen etwa 30 und etwa 100 Punkte einschließt.

5. Verfahren nach einem der Ansprüche 1 bis 4, gekenn zeichnet durch das Auswählen eines zu bestimmenden Pa rameters, der nicht-linear mit dem Nahen-Infrarot- Signal (NIR) verknüpft ist.

6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, daß das NIR-Signal bei einer Wellen länge zwischen etwa 800 nm und etwa 1600 nm erhalten wird.

7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß das NIR-Signal bei einer Wellenlänge zwischen etwa 800 nm und etwa 1050 nm erhalten wird.

8. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß das NIR-Signal bei einer Wellenlänge zwischen etwa 1100 nm und etwa 1500 nm erhalten wird.

9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, daß das NIR-Signal on-line erhalten wird.

10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, daß der Schritt des Erhaltens des NIR- Signals das Auftreten eines transmissiven NIR- Spektrums aus dem Kohlenwasserstoff einschließt.

11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, daß der Schritt des Erhaltens des NIR- Spektrums das Auftreten eines reflektiven NIR- Spektrums aus dem Kohlenwasserstoff einschließt.

12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, daß die Codifizierung den Schritt der Basislinienkorrektur des Signals vor dem Reduzieren des Signals auf die Anzahl von Punkten einschließt.

13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, daß das Bereitstellen des neuronalen Netzwerks das Bereitstellen eines neurona len Netzwerks mit einer Eingabeschicht, einer Zwi schenschicht und einer Ausgabeschicht einschließt, wo bei die Eingabeschicht zwischen etwa 30 und etwa 100 Knoten, die Zwischenschicht von etwa 3 bis etwa 15 Knoten, und die Ausgabeschicht eine Anzahl von Knoten aufweist, die äquivalent der Anzahl von zu bestimmen den, gewünschten Parametern ist.

14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, daß beim Bereitstellen des neuronalen Netzwerks ein neuronales Netzwerk mit Schichten be reitgestellt wird, das Transferfunktionen zwischen den Schichten aufweist, die Sigma-Funktionen sind.

15. Verfahren nach Anspruch 14, gekennzeichnet durch die folgende Sigma-Funktion:
wobei i und j Knoten des Netzwerks, I_i ein Ausgabewert des Knotens i, W_ji ein gewichteter Wert zwischen i und j sowie O_j ein Ausgabewert des Knotens j sind.

16. Verfahren nach Anspruch 15, dadurch gekennzeichnet, daß die Sigma-Funktion folgende Sigma-Transferfunktion aufweist:

17. Verwendung eines mit einer Datenverarbeitungseinrich tung realisierten neuronalen Netzwerks zur Vorhersage von Parameterwerten eines Kohlenwasserstoff- Kraftstoffs aus Werten eines NIR-Spektrums des Kohlen wasserstoff-Kraftstoffs.