JP2004132921A - 性状予測方法 - Google Patents
性状予測方法 Download PDFInfo
- Publication number
- JP2004132921A JP2004132921A JP2002299885A JP2002299885A JP2004132921A JP 2004132921 A JP2004132921 A JP 2004132921A JP 2002299885 A JP2002299885 A JP 2002299885A JP 2002299885 A JP2002299885 A JP 2002299885A JP 2004132921 A JP2004132921 A JP 2004132921A
- Authority
- JP
- Japan
- Prior art keywords
- spectrum
- property
- existing
- unknown
- data
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【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
【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{ai,bi,ci...}、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、
Mk: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、M1,M2,…,Mk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、
RONestimated=RONdatabese+dRONとなる。
ただし、
RONestimated:リサーチオクタン価の予測値、
RONdatabese: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 (21)
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002299885A JP3992188B2 (ja) | 2002-10-15 | 2002-10-15 | 性状予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002299885A JP3992188B2 (ja) | 2002-10-15 | 2002-10-15 | 性状予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004132921A true JP2004132921A (ja) | 2004-04-30 |
JP3992188B2 JP3992188B2 (ja) | 2007-10-17 |
Family
ID=32288895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002299885A Expired - Fee Related JP3992188B2 (ja) | 2002-10-15 | 2002-10-15 | 性状予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3992188B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010501843A (ja) * | 2006-08-21 | 2010-01-21 | エスペートロワアッシュ | 燃料の劣化に追随して車両の駆動列の構成要素の安全性を確保する方法 |
CN101839858B (zh) * | 2010-05-13 | 2012-11-07 | 大连海事大学 | 一种非线性激光荧光光谱实时识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05502300A (ja) * | 1990-04-09 | 1993-04-22 | アシュランド・オイル・インコーポレーテッド | 近赤外分光学分析法による炭化水素を分析するための方法および装置 |
JPH05281138A (ja) * | 1992-04-01 | 1993-10-29 | Nireco Corp | 試料の物理的化学的性質推定方法 |
JPH08502360A (ja) * | 1992-10-15 | 1996-03-12 | シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー | 軽油のセタン価の予測方法 |
JPH08505221A (ja) * | 1992-10-07 | 1996-06-04 | アシュランド・オイル・インコーポレーテッド | 分光装置の較正 |
JPH08319879A (ja) * | 1995-05-25 | 1996-12-03 | Kyushu Denki Seizo Kk | 内燃機関の動作状態判定方法および装置 |
JPH10206236A (ja) * | 1996-12-20 | 1998-08-07 | Perkin Elmer Corp:The | 分析情報を変換するための方法及び装置及びスペクトル情報の変換において利用するためのコンピュータ読み取り可能な記憶媒体 |
JPH10512667A (ja) * | 1994-12-13 | 1998-12-02 | エクソン リサーチ アンド エンジニアリング カンパニー | 非線形多変量赤外解析法 |
JP3070608B2 (ja) * | 1987-08-18 | 2000-07-31 | ユーテック エンジニアリング ソリューションズ リミテッド | 炭化水素生成物の物理的特性の直接測定方法 |
WO2000070527A1 (en) * | 1999-05-14 | 2000-11-23 | Exxonmobil Research And Engineering Company | Method for optimizing multivariate calibrations |
-
2002
- 2002-10-15 JP JP2002299885A patent/JP3992188B2/ja not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3070608B2 (ja) * | 1987-08-18 | 2000-07-31 | ユーテック エンジニアリング ソリューションズ リミテッド | 炭化水素生成物の物理的特性の直接測定方法 |
JPH05502300A (ja) * | 1990-04-09 | 1993-04-22 | アシュランド・オイル・インコーポレーテッド | 近赤外分光学分析法による炭化水素を分析するための方法および装置 |
JPH05281138A (ja) * | 1992-04-01 | 1993-10-29 | Nireco Corp | 試料の物理的化学的性質推定方法 |
JPH08505221A (ja) * | 1992-10-07 | 1996-06-04 | アシュランド・オイル・インコーポレーテッド | 分光装置の較正 |
JPH08502360A (ja) * | 1992-10-15 | 1996-03-12 | シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー | 軽油のセタン価の予測方法 |
JPH10512667A (ja) * | 1994-12-13 | 1998-12-02 | エクソン リサーチ アンド エンジニアリング カンパニー | 非線形多変量赤外解析法 |
JPH08319879A (ja) * | 1995-05-25 | 1996-12-03 | Kyushu Denki Seizo Kk | 内燃機関の動作状態判定方法および装置 |
JPH10206236A (ja) * | 1996-12-20 | 1998-08-07 | Perkin Elmer Corp:The | 分析情報を変換するための方法及び装置及びスペクトル情報の変換において利用するためのコンピュータ読み取り可能な記憶媒体 |
WO2000070527A1 (en) * | 1999-05-14 | 2000-11-23 | Exxonmobil Research And Engineering Company | Method for optimizing multivariate calibrations |
Non-Patent Citations (2)
Title |
---|
鳥飼孝幸、秋山嘉邦、豊田幸裕、尾山高義、田中正吾: ""内燃機関の排気弁吹き抜け異常検出について"", 電気学会論文誌D, vol. 第115巻、第8号, JPN4007007064, 20 July 1995 (1995-07-20), JP, pages 1038 - 1045, ISSN: 0000839940 * |
鳥飼孝幸、秋山嘉邦、豊田幸裕、尾山高義、田中正吾: ""内燃機関の排気弁吹き抜け異常検出について"", 電気学会論文誌D, vol. 第115巻、第8号, JPNX007038050, 20 July 1995 (1995-07-20), JP, pages 1038 - 1045, ISSN: 0000874447 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010501843A (ja) * | 2006-08-21 | 2010-01-21 | エスペートロワアッシュ | 燃料の劣化に追随して車両の駆動列の構成要素の安全性を確保する方法 |
CN101839858B (zh) * | 2010-05-13 | 2012-11-07 | 大连海事大学 | 一种非线性激光荧光光谱实时识别方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3992188B2 (ja) | 2007-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Model-based real-time optimization of automotive gasoline blending operations | |
EP2050038B1 (en) | Prediction of stream composition and properties in near real time | |
Alves et al. | Determination of diesel quality parameters using support vector regression and near infrared spectroscopy for an in-line blending optimizer system | |
Pasadakis et al. | Octane number prediction for gasoline blends | |
He et al. | Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy | |
US6159255A (en) | Method for predicting intrinsic properties of a mixture | |
RU2292379C2 (ru) | Способ получения углеводородного продукта с содержанием серы ниже 0,05 мас.% | |
JP6620100B2 (ja) | 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム | |
He et al. | A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes | |
US20170269559A1 (en) | System and Method for Online Measurement of Vapor Pressure in Hydrocarbon Process Streams | |
EP2751627B1 (en) | Rundown blending optimization apparatus and method | |
CN108760789A (zh) | 一种原油快评方法 | |
He et al. | Biased minimax probability machine-based adaptive regression for online analysis of gasoline property | |
Nikolaidis et al. | Calculation of the phase envelope of multicomponent mixtures with the bead spring method | |
Long et al. | Modified hybrid strategy integrating online adjustable oil property characterization and data-driven robust optimization under uncertainty: Application in gasoline blending | |
JP3992188B2 (ja) | 性状予測方法 | |
US11415568B2 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
US20170097330A1 (en) | Hybrid analyzer for fluid processing processes | |
US20200103340A1 (en) | Systems and processes for performance property determination using optical spectral data | |
JP6752298B2 (ja) | 炭化水素処理流内の蒸気圧をオンラインで測定するためのシステムおよび方法 | |
He et al. | Application of Generative Adversarial Network for the Prediction of Gasoline Properties. | |
Kongkiatpaiboon | Improving Offshore Condensate Production Optimization Processes with Prediction of Reid Vapor Pressure Using Machine Learning | |
JP2024002873A (ja) | 検量装置、検量方法および検量プログラム | |
CN111359523B (zh) | 一种油品调合的先进控制系统 | |
Lv et al. | Integrated parameter and tolerance design for multiple response optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050530 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20050530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20050530 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070402 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070416 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070615 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070717 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070719 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100803 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100803 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110803 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110803 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120803 Year of fee payment: 5 |
|
LAPS | Cancellation because of no payment of annual fees |