JP2004132921A

JP2004132921A - 性状予測方法

Info

Publication number: JP2004132921A
Application number: JP2002299885A
Authority: JP
Inventors: Yukihiro Toyoda; 豊田　幸裕; Kazuji Nakano; 中野　和司; Manabu Maeda; 前田　学
Original assignee: Campus Create Co Ltd
Current assignee: Campus Create Co Ltd
Priority date: 2002-10-15
Filing date: 2002-10-15
Publication date: 2004-04-30
Anticipated expiration: 2022-10-15
Also published as: JP3992188B2

Abstract

【課題】精度の良い性状予測方法を提供する。また、対象の変更に対して柔軟性の高い性状予測方法を提供する。
【解決手段】試料の特性を示す既存スペクトルと、前記試料の性状を示す既存性状値との組を複数備えたデータベースを用いる。まず、データベースにおける第ｉ番目および第ｊ番目（ｉ，ｊは任意の自然数）の組における既存スペクトルどうしの差と、既存性状値どうしのずれ量とに基づいて、スペクトルの差から性状値のずれ量を予測する補正モデルを生成する。ついで、特性未知の試料から未知スペクトルを取得する。ついで、未知スペクトルと一つの既存スペクトルとの差を算出する。ついで、この差を補正モデルに適用する。これにより、性状値の予測ずれ量を算出する。ついで、予測ずれ量と既存性状値とを用いて、特性未知の試料における性状値を予測する。
【選択図】　図７

Description

【０００１】
【発明の属する技術分野】
本発明は、試料の性状を予測する方法に関するものである。
【０００２】
【背景技術】
例えばガソリンの製造プラントにおいては、複数の基材を混合することによりガソリンを製造している。製造されたガソリンについては、その一部を試料として抜き出して分析する。分析の結果、製造されたガソリンの性状が規定範囲から外れているときは、一旦ラインを止め、基材混合比を調整し、その後、生産を再開する。
【０００３】
しかしながら、このような方法では、ラインを止めるまで規格外製品を製造してしまうことになり、生産効率が低下してしまう。また、ラインを止めることにより、ラインの運用効率も低下してしまう。
【０００４】
そこで、最近、ＦＴＩＲ（Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ　Ｉｎｆｒａ−Ｒｅｄ）分析計やＦＴＮＩＲ（Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ　Ｎｅａｒ　Ｉｎｆｒａ−Ｒｅｄ）分析計を用いて、ラインから抜き出した試料のスペクトルを直ちに分析し、このスペクトルに基づいてガソリンの性状値を予測しようという手法が用いられている。予測された性状値の精度が高ければ、ラインを止めずに（つまりオンラインで）基材の混合比を調整することも可能となる。
【０００５】
しかしながら、現状では、ガソリン性状値の予測精度が不十分である。このため、前記したオンラインによる分析・調整手法は未だ改善の余地が残されている。
【０００６】
【発明が解決しようとする課題】
本発明は、前記の事情に鑑みてなされたものである。本発明の目的は、従来に比較して、より精度の高い性状予測方法を提供することである。本発明の他の目的は、試料の変更に対して柔軟に対応しうる性状予測方法を提供することである。
【０００７】
【課題を解決するための手段】
本発明の性状予測方法は、試料の吸光度を示す既存スペクトルと、前記試料の性状を示す既存性状値との組を複数備えたデータベースを用い、かつ、以下のステップを備えるものである。
（ａ）第ｉ番目および第ｊ番目（ｉ，ｊは任意の自然数）の前記組における前記既存スペクトルどうしの差を表す差スペクトルと、前記既存性状値どうしのずれ量とに基づいて、スペクトルの差から性状値のずれ量を予測する補正モデルを生成するステップ；
（ｂ）性状未知の試料への分光分析に基づいて未知スペクトルを取得するステップ；
（ｃ）前記未知スペクトルと第ｐ番目（ｐは任意の自然数）の前記組における既存スペクトルとの差を表す差スペクトルを算出するステップ；
（ｄ）前記ステップ（ｃ）で得られた差スペクトルを前記補正モデルに適用することによって、前記ｐ番目の前記組における性状値への補正量を算出するステップ；
（ｅ）前記補正量と前記第ｐ番目の前記組における既存性状値とを用いて、前記性状未知の試料における性状値を予測するステップ。
【０００８】
前記ステップ（ｃ）における前記既存スペクトルは、他の既存スペクトルに比較して、前記未知スペクトルとのパターン類似度が高いもの、またはもっとも高いものとすることができる。
【０００９】
前記パターン類似度の判定は、以下のステップを含むことができる。
（ｆ）前記既存スペクトルのパターンの特徴を示すデータ（既知データ）を特徴空間に射影するステップ；
（ｇ）前記未知スペクトルのパターンの特徴を示すデータ（未知データ）を特徴空間に射影するステップ；
（ｈ）前記既知データと前記未知データとの、前記特徴空間におけるマハラノビス距離に基づいて、前記類似度を判定するステップ。
【００１０】
前記既知データおよび前記未知データは、モーメントを用いることにより低次元化することができる。この低次元化は、より具体的には、ｋ次の中心モーメントを用いてｋ次（ｋは任意の自然数）に低次元化することができる。
【００１１】
前記ステップ（ａ）における補正モデルを多変量回帰モデル、たとえば、ＰＬＳ回帰モデルとすることができる。
【００１２】
既存スペクトルおよび前記未知スペクトルには、試料の特性に応じた重み付けを行うことができる。
【００１３】
前記ステップ（ａ）における第ｉ番目の組を、前記ステップ（ｃ）における第ｐ番目の組として用いないようにしてもよい。
【００１４】
本発明の前処理方法は、試料の特徴を示すスペクトルデータ列の前処理方法であって、かつ、以下のステップを備えている。
（ａ）前記スペクトルデータ列をｋ次の中心モーメントを用いてｋ次（ｋは任意の自然数）の特徴データに低次元化するステップ。
【００１５】
この前処理方法は、さらに以下のステップを備えていても良い。
（ｂ）前記低次元化された特徴データを特徴空間に射影するステップ。
【００１６】
本発明の補正モデルの生成方法は、試料の吸光度を示す既存スペクトルと、前記試料の性状を示す既存性状値との組を複数備えたデータベースを用い、かつ、以下のステップを備える構成となっている。
（ａ）第ｉ番目および第ｊ番目（ｉ，ｊは任意の自然数）の前記組における前記既存スペクトルどうしの差を表す差スペクトルと、前記既存性状値どうしのずれ量とに基づいて、スペクトルの差から性状値のずれ量を予測する補正モデルを生成するステップ。
【００１７】
前記補正モデルの生成方法においては、前記スペクトルどうしの差と、前記既存性状値どうしのずれ量との複数の組に基づいて、前記補正モデルを生成することができる。
【００１８】
前記補正モデルとしては、多変量回帰モデル、たとえばＰＬＳ回帰モデルを用いることができる。
【００１９】
本発明の制御装置は、複数の基材の混合量を調整する制御装置であって、混合によって得られた試料の性状を、前記したいずれかの予測方法により予測し、予測された性状に基づいて前記基材の混合量を調整するものである。
【００２０】
本発明の生産プラントは、前記の制御装置を用いて原料の混合量を調整するものである。
【００２１】
本発明のコンピュータプログラムは、前記の性状予測方法、前処理方法または補正モデルの生成方法をコンピュータに実行させるものである。
【００２２】
【発明の実施の形態】
本発明の一実施形態に係る性状予測方法を、添付の図面を参照しながら説明する。まず、この性状予測方法を適用できる生産プラントの一例を図１に基づいて説明する。このプラントは、ガソリンのブレンディングを行うものである。このプラントは、原料となる基材のタンク１・２・３と、バルブ４・５・６と、制御部７と、インライン・ブレンダ８と、インライン・ミキサ９と、循環ポンプ１０と、ファーストループ（ｆａｓｔ　ｌｏｏｐ）・サンプリングユニット（以下「サンプリングユニット」）１１と、ＦＴＮＩＲ分析計１２と、添加剤タンク１３と、製品タンク１４とを備えている。
【００２３】
基材タンク１〜３には、ガソリンの基材（例えばアルキレートガソリン、イソガソリン、ＭＴＢＥ（メチル・ターシャリー・ブチル・エーテル）など）がそれぞれ貯蔵されている。バルブ４〜６は、制御部７からの指令に従って、インライン・ブレンダ８への基材の供給量を制御するものである。
【００２４】
制御部７は、ＦＴＮＩＲ分析計１２で得られたスペクトルに基づいて予測された製品の性状値（予測方法は後述する）に基づきフィードバック制御を行うものである。予測された性状値が規定範囲から外れているか、その可能性があるときは、性状値が規定範囲となるように、前記バルブ４〜６へ制御信号を送り、これらの動作を制御する。
【００２５】
インライン・ブレンダ８およびミキサ９は、基材タンク１・２・３から製品タンク１４への流路に直列に配列されている。インライン・ブレンダ８およびインライン・ミキサ９は、バルブ４〜６を介して供給された基材を、基材移送用の管の内部を流しながら、混合して均質化するものである。
【００２６】
循環ポンプ１０は、インライン・ミキサ９から製品タンク１４への流路の途中に接続されている。循環ポンプ１０は、インライン・ミキサ９で混合された製品ガソリンの一部をサンプリングユニット１１に常時送る。サンプリングユニット１１は、送られてきた製品ガソリンの一部を、バルブ１１１を介してＦＴＮＩＲ分析計１２に送り、残りの製品ガソリンを、製品タンク１４への流路に戻す。ＦＴＮＩＲ分析計１２は、ＣＰＵ、外部記憶装置、入出力装置（図示せず）を備えており、外部記憶装置に格納されたプログラムに従って所定の制御動作を行うようになっている。外部記憶装置は、ネットワークを介して利用できるものでもよい。また、ＦＴＮＩＲ分析計１２の外部記憶装置には、データベース１５（図２参照）が格納されている。データベース１５は、性状既知の試料について、そのスペクトルを表すデータ（本発明における既存スペクトルに相当）１６と、既存性状値１７とを備えた複数（図２ではｎ個）の組を備えている。スペクトルデータ１６は、重み付けされたスペクトルデータそのものと、低次元化された特徴データとを備えている。これらのデータについては後述する。性状値とは、ガソリンの品質を示す数値（例えば密度や成分濃度）であり、具体的には、リサーチオクタン価、リード蒸気圧、モーターオクタン価などである。性状値は、個別の性状値の組｛ａ_ｉ，ｂ_ｉ，ｃ_ｉ．．．｝、つまりベクトルないし行列で表すことができる。
【００２７】
スペクトルデータ１５は、この実施形態では、学習用（つまり補正モデル生成用）のデータと予測用（つまり補正モデルに基づく未知試料の性状予測用）のデータとを含んでいる。学習用のデータは、基材の配合量を変化させることによって得たものである。学習用スペクトルデータには、これに対応した既知の性状値が、データベース上で関連づけられている。この学習用のデータは、学習でのみ用いられ、予測には用いられない。予測用のデータは、通常、石油会社等で保有している既知のデータである。予測用のデータにも、対応する既知性状値がデータベース上で関連づけられている。
【００２８】
ＦＴＮＩＲ分析計１２は、送られてきた製品ガソリン（基材の混合により得られたガソリン）の近赤外分光分析を定期的に行い、得られたスペクトルデータを外部記憶装置へ送る。この実施形態では、制御部７とＦＴＮＩＲ分析計１２とによって本発明の制御装置が構成されている。
【００２９】
添加剤タンク１３は、混合後の製品ガソリンに添加剤を加えるものである。製品タンク１４は、混合によって得られた製品ガソリンを収容するものである。
【００３０】
つぎに、ＦＴＮＩＲ分析計１２により主に実行される性状予測方法を説明する。本実施形態では、この方法は、ＦＴＮＩＲ分析計１２の記録媒体（具体的には外部記憶装置）に格納されたプログラムをコンピュータ上で実行することにより行われる。この予測方法は、（１）補正モデルの生成と（２）補正モデルに基づく性状予測との２段階に分けることができる。まず、補正モデルの生成について説明する。
【００３１】
（補正モデルの生成（図３参照））
補正モデルの生成においては、前記したデータベース１５を用いる。ここで、スペクトルを表すデータ１６（学習用と予測用とを含む）は、データベース１５に格納された状況では、下記の前処理（重み付けおよび低次元化）（図３のステップ３−１）が行われている。
【００３２】
（前処理：重み付け）
ＦＴＮＩＲで取得されるスペクトルデータは、近赤外光の波数（または波長）に対応した吸光度の組（つまりデータ列）である。分光分析によって得たスペクトルデータの例を図４に示す。この前処理では、これらの吸光度に対して、ガソリンの仕様（例えば、プレミアムガソリンであるかレギュラーガソリンであるか）に応じて、重み付けを行う。つまり、試料の特性や基材成分の特性に応じて、スペクトルデータに重み付けされていることになる。例えば、ある範囲の波数における吸光度が重要であれば、その吸光度の重みを大きくする。この重み付けを自動的に行うために、製品の種類に応じて、例えばＰＬＳ回帰モデルなどの回帰係数を用いて、重みを予め設定しておく。重み付けされたスペクトルデータのグラフ表示を図５に示す。重み付け値をスペクトルデータに乗算しているので、図５では、波形だけでなく、縦軸の数値も図４と異なっている。適切な重み付けによって必要な帯域が強調されることになるので、予測の精度を向上させることができる。この明細書では、重み付けされたスペクトルデータを単にスペクトルデータと称することがある。なお、この重み付け処理を省略することも可能である。
【００３３】
（前処理：低次元化）
つぎに、スペクトルデータの低次元化を行う。低次元化とは、例えば、スペクトルデータを構成する数値の組が２００個（すなわち２００次）であれば、それより少ない次数（例えば４次または５次）で、２００個分の情報を表すことである。この低次元化は、例えば、ｋ次の中心モーメントを求めることにより可能である。ｋ次の中心モーメントは、次式で表される。
【００３４】
【数１】

ただし、（１）式において、
Ｍ_ｋ：第ｋ次の中心モーメント
Ｎ：元のスペクトルデータの次数
ｙ：スペクトルデータ
ｍ：平均値
である。これによって、スペクトルデータを、Ｍ_１，Ｍ_２，…，Ｍ_ｋのように、ｋ次（例えばｋ＝４）の次数に低次元化することができる。このように低次元化されたデータは、スペクトルのパターンの特徴を表すデータとなる。このデータは、この実施形態では、本発明における既知データに対応する。
【００３５】
（射影）
さらに、前記のように低次元化されたデータを、特徴空間に射影しておく（ステップ３−２）。つまり、低次元化処理によって得られたｋ次のモーメントを特徴ベクトルとして、フィッシャーの評価関数を最大にする射影ベクトルを用いて、特徴空間上の一点に射影しておく。ここまでの前処理は、使用される各スペクトルデータ（学習用と予測用とを含む）について行われているものとする。
【００３６】
（マハラノビス距離の計算）
ついで、データベース１５においてｉ番目（ｉ：任意の自然数）の組におけるスペクトルを最初に選ぶ。この、ｉ番目のスペクトルは、既存スペクトルのうち、前記した学習用のものである。ついで、特徴空間において、ｉ番目のスペクトルとマハラノビス距離が最も近いｊ番目（ｊ：ｉ以外の任意の自然数）の既存スペクトルを、データベース１５から検索する（ステップ３−３）。ｊ番目の既存スペクトルは、前記した予測用のものである。これにより、パターン類似度の高い二つの既存スペクトルを選ぶことができる。
【００３７】
（差スペクトルの計算）
ついで、前記したｉ番目およびｊ番目の既存スペクトル（つまり、学習用のスペクトルと予測用のスペクトル）の差を計算する（ステップ３−４）。ここで用いられる既存スペクトルは、低次元化されたデータではなく、重み付けがされたスペクトル自体である。これにより、差スペクトル（図６参照）を得ることができる。
【００３８】
（性状値ずれの計算）
さらに、用いられた二つの既存スペクトルに対応する性状値（つまり前記したｉ番目およびｊ番目の組における性状値）どうしのずれ量を計算する（ステップ３−５）。これにより、差スペクトルと性状値のずれ量との組を得る。この組の数が規定数に達していなければ（ステップ３−６）、ステップ３−３に戻り、他の（学習用の既知スペクトルを、前記したｉ番目のスペクトルとして選択する。つまり、例えば、ｉ＋１番目の既知スペクトルを前記したｉ番目のスペクトルと見なす。ついで、選択されたスペクトルと最も近い既存スペクトルを選び、ステップ３−４〜３−６を繰り返す。
【００３９】
（補正モデルの生成）
差スペクトルと性状値のずれ量との組が規定数収集できれば、差スペクトルに基づいてずれ量を予測するモデルを生成する（ステップ３−７）。このモデルの生成は、任意の多変量解析方法（例えばＰＬＳ回帰モデル）を用いて行うことができる。
【００４０】
（補正モデルを用いた予測方法）
つぎに、前記のようにして構成した補正モデルを用いて未知試料の特性値を予測する方法を説明する。まず、基材の混合によって得られた、性状未知の試料が、ＦＴＮＩＲ分析計１２（図１参照）に送られ、そこで未知性状の試料についての吸光度のスペクトル（未知スペクトル）が測定される（図７のステップ７−１）。
【００４１】
ついで、測定された未知スペクトルに対して、既存のスペクトルと同様に、重み付け、低次元化、および特徴空間への射影を行う（ステップ７−２および７−３）。これらの内容は前記の通りなので説明を省略する。未知スペクトルに低次元化を施して得られたデータは、この実施形態では、本発明における未知データとなる。
【００４２】
ついで、特徴空間におけるマハラノビス距離が未知スペクトルと最も近い既存のスペクトル（すなわちｐ番目のスペクトル）を探す（ステップ７−４）。ここで、ｐはｉ以外の任意の自然数である。つまり、ｉ番目の組のデータは、この実施形態では、前記の通り、学習用のみに用いられる。ｐ番目の組のデータは、予測用のデータから選ばれる。前記したとおり、既存スペクトルは、特徴空間に射影されている。これにより、未知スペクトルとの類似度が高い既存スペクトルを選ぶことができる。
【００４３】
ついで、探し出された既存スペクトルと未知スペクトルとの差のスペクトル（差スペクトル）を算出する（ステップ７−５）。ここで用いられる既存スペクトルおよび未知スペクトルは、いずれも、重み付け後、低次元化される前のものである。
【００４４】
ついで、差スペクトルに、前記した補正モデルを適用する（ステップ７−６）。これによって、差スペクトルに対応して、性状値へのずれ量すなわち補正量を算出することができる（ステップ７−７）。この補正量を用いて、性状未知の試料の性状値を予測することができる。例えば、リサーチオクタン価を予測する場合は、
ＲＯＮ_{ｅｓｔｉｍａｔｅｄ}＝ＲＯＮ_{ｄａｔａｂｅｓｅ}＋ｄＲＯＮとなる。
ただし、
ＲＯＮ_{ｅｓｔｉｍａｔｅｄ}：リサーチオクタン価の予測値、
ＲＯＮ_{ｄａｔａｂｅｓｅ}：データベースに記録されている既存スペクトルのリサーチオクタン価、
ｄＲＯＮ：リサーチオクタン価の補正値、
である。
他の性状値についても同様に算出することができる。
【００４５】
【実施例および比較例】
前記実施形態の方法により、ＲＯＮ（リサーチオクタン価）、ＲＶＰ（リード蒸気圧）およびＭＯＮ（モーターオクタン価）の予測を行った。比較のため、従来のＰＬＳ回帰モデルを補正モデルとして用いた予測も行った。比較例では、補正モデル以外の計算条件は、実施例と同じである。実施例および比較例の予測結果を図８〜図１０に示す。
【００４６】
各図において左欄の数字は、試料の番号を示す。ＰＬＳの欄は、ＰＬＳ回帰モデルで予測した性状値と実際の値との誤差、その右側は誤差の２乗値、ＴＮＭの欄は、この実施例の方法で予測した性状値と実際の値との誤差、その右側は誤差の２乗値である。また、ＳＵＭ欄は２乗した誤差の合計、ＳＥＰ欄は、予測誤差の標準偏差、改善率は、比較例に対する本実施例の改善率を示す。また、ｍｅａｎ欄は２乗誤差の平均値を示している。
【００４７】
この結果から明らかなように、本実施例では、比較例に比べて、予測値の精度が、ＲＯＮで２９％、ＲＶＰで１８％、ＭＯＮで５０％改善されている。
【００４８】
本実施形態においては、対象とするガソリン用基材の種類が変更された場合（例えば、基材の元となる原油の成分や性状が変更された場合など）は、それに対応した既存のデータベース１５を用いて補正モデルを生成する。このようなデータベースは例えば石油会社などが通常は保有している。生成した補正モデルを用いて、変更後のガソリンについての予測を行う。もちろん、スペクトルデータへの重み付けは、ガソリンの仕様に応じて行う。
【００４９】
本実施形態では、データベースが用意されていれば、それを用いて補正モデルを容易に生成することができる。したがって、基材の変更に対応して柔軟に予測を行うことができ、汎用性が高いという利点がある。
【００５０】
なお、前記各実施形態の記載は単なる一例に過ぎず、本発明に必須の構成を示したものではない。各部の構成は、本発明の趣旨を達成できるものであれば、上記に限らない。
【００５１】
例えば、前記実施形態では、性状未知スペクトルとの間でマハラノビス距離が最短の既存スペクトルを探索することとしたが（図７のステップ７−４）、最短に限るものではない。ただし、両スペクトルのマハラノビス距離が比較的に近いことは、予測精度を向上させるために好ましい。
【００５２】
また、本実施形態では、性状値を予測する対象としてガソリンを例示したが、他の石油製品であってもよい。前記したデータベース１５が用意できれば、予測対象とする試料の変更に柔軟に対応することができる。また、石油製品以外の対象（たとえば食品や油脂）であってもよい。
【００５３】
また、前記実施形態では、ＦＴＮＩＲ分析計を用いたが、赤外光や中赤外光を用いた分析計でもよく、さらに他の分光分析計であってもよい。
【００５４】
さらに、前記実施形態におけるデータベース１５は、複数のファイルにより構成されたものでもよい。つまり、データベース１５の物理的な構成は任意である。例えば、前記したｉ番目、ｊ番目、ｐ番目の組のデータが異なるファイルに含まれていても、同じファイルに含まれていても良い。要するに、データベースとして利用可能であればよい。
【００５５】
【発明の効果】
本発明によれば、精度の良い性状予測方法を提供することができる。また、本発明によれば、試料の変更に対して柔軟性の高い性状予測方法を提供することができる。
【図面の簡単な説明】
【図１】本発明の一実施形態に係る性状予測方法を実装したガソリンブレンディング用のプラントの概略的な説明図である。
【図２】本発明の一実施形態に係る性状予測方法において用いるデータベースの説明図である。
【図３】本発明の一実施形態に係る性状予測方法を説明するためのフローチャートである。
【図４】試料から測定されたスペクトルの一例を示すグラフであり、横軸は近赤外光の波数、縦軸は吸光度である。
【図５】重み付けがされたスペクトルの一例を示すグラフであり、横軸は近赤外光の波数、縦軸は重み付け後の吸光度である。
【図６】差のスペクトルの一例を示すグラフであり、横軸は近赤外光の波数、縦軸は吸光度である。
【図７】本発明の一実施形態に係る性状予測方法を説明するためのフローチャートである。
【図８】本発明の実施例と比較例による予測結果を示す表である。
【図９】本発明の実施例と比較例による予測結果を示す表である。
【図１０】本発明の実施例と比較例による予測結果を示す表である。
【符号の説明】
１・２・３　基材タンク
４・５・６　バルブ
７　制御部（制御装置）
８　インライン・ブレンダ
９　インライン・ミキサ
１０　循環ポンプ
１１　ファーストループ・サンプリングユニット
１１１　バルブ
１２　ＦＴＮＩＲ分析計（制御装置）
１３　添加剤タンク
１４　製品タンク
１５　データベース
１６　既存スペクトルを表すデータ
１７　性状値

Claims

試料の吸光度を示す既存スペクトルと、前記試料の性状を示す既存性状値との組を複数備えたデータベースを用い、かつ、以下のステップを備えることを特徴とする性状予測方法：
（ａ）第ｉ番目および第ｊ番目（ｉ，ｊは任意の自然数）の前記組における前記既存スペクトルどうしの差を表す差スペクトルと、前記既存性状値どうしのずれ量とに基づいて、スペクトルの差から性状値のずれ量を予測する補正モデルを生成するステップ；
（ｂ）性状未知の試料への分光分析に基づいて未知スペクトルを取得するステップ；
（ｃ）前記未知スペクトルと第ｐ番目（ｐは任意の自然数）の前記組における既存スペクトルとの差を表す差スペクトルを算出するステップ；
（ｄ）前記ステップ（ｃ）で得られた差スペクトルを前記補正モデルに適用することによって、前記ｐ番目の前記組における性状値への補正量を算出するステップ；
（ｅ）前記補正量と前記第ｐ番目の前記組における既存性状値とを用いて、前記性状未知の試料における性状値を予測するステップ。
前記ステップ（ｃ）における前記既存スペクトルは、他の既存スペクトルに比較して、前記未知スペクトルとのパターン類似度が高いものであることを特徴とする請求項１記載の性状予測方法。
前記ステップ（ｃ）における前記既存スペクトルは、他の既存スペクトルに比較して、前記未知スペクトルとのパターン類似度がもっとも高いものであることを特徴とする請求項１記載の性状予測方法。
前記パターン類似度の判定は、以下のステップを含むことを特徴とする請求項２または３に記載の性状予測方法：
（ｆ）前記既存スペクトルのパターンの特徴を示すデータ（既知データ）を特徴空間に射影するステップ；
（ｇ）前記未知スペクトルのパターンの特徴を示すデータ（未知データ）を特徴空間に射影するステップ；
（ｈ）前記既知データと前記未知データとの、前記特徴空間におけるマハラノビス距離に基づいて、前記類似度を判定するステップ。
前記既知データおよび前記未知データは、モーメントを用いることにより低次元化されていることを特徴とする請求項４記載の性状予測方法。
前記低次元化は、ｋ次の中心モーメントを用いてｋ次（ｋは任意の自然数）に低次元化するものであることを特徴とする請求項５記載の性状予測方法。
前記ステップ（ａ）における補正モデルは多変量回帰モデルであることを特徴とする請求項１〜６のいずれか１項記載の性状予測方法。
前記多変量回帰モデルはＰＬＳ回帰モデルであることを特徴とする請求項７記載の性状予測方法。
前記既存スペクトルおよび前記未知スペクトルには、試料の特性に応じた重み付けがなされていることを特徴とする請求項１〜８のいずれか１項に記載の性状予測方法。
前記ステップ（ａ）における第ｉ番目の組は、前記ステップ（ｃ）における第ｐ番目の組として用いられることがないことを特徴とする請求項１〜９のいずれか１項に記載の性状予測方法。
試料の特徴を示すスペクトルデータ列の前処理方法であって、かつ、以下のステップを備える前処理方法：
（ａ）前記スペクトルデータ列をｋ次の中心モーメントを用いてｋ次（ｋは任意の自然数）の特徴データに低次元化するステップ。
さらに以下のステップを備える請求項１１記載の前処理方法：（ｂ）前記低次元化された特徴データを特徴空間に射影するステップ。
試料の吸光度を示す既存スペクトルと、前記試料の性状を示す既存性状値との組を複数備えたデータベースを用い、かつ、以下のステップを備えることを特徴とする補正モデルの生成方法：
（ａ）第ｉ番目および第ｊ番目（ｉ，ｊは任意の自然数）の前記組における前記既存スペクトルどうしの差を表す差スペクトルと、前記既存性状値どうしのずれ量とに基づいて、スペクトルの差から性状値のずれ量を予測する補正モデルを生成するステップ。
前記スペクトルどうしの差と、前記既存性状値どうしのずれ量との複数の組に基づいて、前記補正モデルを生成することを特徴とする請求項１３記載の補正モデルの生成方法。
前記補正モデルは、多変量回帰モデルであることを特徴とする請求項１３または１４に項記載の補正モデルの生成方法。
前記多変量回帰モデルはＰＬＳ回帰モデルであることを特徴とする請求項１５に記載の補正モデルの生成方法。
複数の基材の混合量を調整する制御装置であって、混合によって得られた試料の性状を請求項１〜１０のいずれか１項記載の方法により予測し、予測された性状に基づいて前記基材の混合量を調整することを特徴とする制御装置。
請求項１７記載の制御装置を用いて原料の混合量を調整することを特徴とする生産プラント。
請求項１〜１０のいずれか１項に記載された性状予測方法をコンピュータに実行させるコンピュータプログラム。
請求項１１または１２に記載された前処理方法をコンピュータに実行させるコンピュータプログラム。
請求項１３〜１６に記載された補正モデルの生成方法をコンピュータに実行させるコンピュータプログラム。