JP3992188B2

JP3992188B2 - Property prediction method

Info

Publication number: JP3992188B2
Application number: JP2002299885A
Authority: JP
Inventors: 幸裕豊田; 和司中野; 学前田
Original assignee: Campus Create Co Ltd
Current assignee: Campus Create Co Ltd
Priority date: 2002-10-15
Filing date: 2002-10-15
Publication date: 2007-10-17
Anticipated expiration: 2022-10-15
Also published as: JP2004132921A

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
１２ＦＴＮＩＲ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[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a method for predicting the properties of a sample.
[0002]
[Background]
For example, in a gasoline production plant, gasoline is produced by mixing a plurality of base materials. About the manufactured gasoline, a part is extracted as a sample and analyzed. As a result of analysis, when the properties of the produced gasoline are out of the specified range, the line is temporarily stopped, the base material mixture ratio is adjusted, and then production is resumed.
[0003]
However, in such a method, a non-standard product is manufactured until the line is stopped, and the production efficiency is lowered. In addition, stopping the line also reduces the operational efficiency of the line.
[0004]
Therefore, recently, using the FTIR (Fourier Transform Infra-Red) analyzer and the FTNIR (Fourier Transform Near Infra-Red) analyzer, the spectrum of the sample extracted from the line is immediately analyzed, and the properties of gasoline based on this spectrum. A method of predicting the value is used. If the accuracy of the predicted property value is high, the mixing ratio of the base materials can be adjusted without stopping the line (that is, online).
[0005]
However, at present, the accuracy of predicting the gasoline property value is insufficient. Therefore, there is still room for improvement in the above-described online analysis / adjustment technique.
[0006]
[Problems to be solved by the invention]
The present invention has been made in view of the above circumstances. An object of the present invention is to provide a property prediction method with higher accuracy than in the past. Another object of the present invention is to provide a property prediction method that can flexibly cope with a change of a sample.
[0007]
[Means for Solving the Problems]
The property prediction method of the present invention uses a database including a plurality of sets of existing spectra indicating the absorbance of a sample and existing property values indicating the properties of the sample, and includes the following steps.
(A) Based on a difference spectrum representing a difference between the existing spectra in the i-th and j-th (i and j are arbitrary natural numbers) sets, and a deviation amount between the existing property values, Generating a correction model for predicting the deviation of the property value from the difference;
(B) obtaining an unknown spectrum based on spectroscopic analysis on a sample whose property is unknown;
(C) calculating a difference spectrum representing a difference between the unknown spectrum and an existing spectrum in the p-th (p is an arbitrary natural number) group;
(D) calculating a correction amount to the property value in the p-th set by applying the difference spectrum obtained in step (c) to the correction model;
(E) predicting a property value in the unknown sample using the correction amount and the existing property value in the p-th set.
[0008]
The existing spectrum in the step (c) may have a higher pattern similarity or the highest pattern similarity with the unknown spectrum than other existing spectra.
[0009]
The determination of the pattern similarity can include the following steps.
(F) projecting data (known data) indicating features of the pattern of the existing spectrum onto a feature space;
(G) projecting data (unknown data) indicating features of the pattern of the unknown spectrum onto a feature space;
(H) determining the similarity based on the Mahalanobis distance in the feature space between the known data and the unknown data.
[0010]
The known data and the unknown data can be reduced in dimension by using moments. More specifically, this reduction in dimension can be reduced to the kth order (k is an arbitrary natural number) using the kth order central moment.
[0011]
The correction model in step (a) can be a multivariate regression model, for example, a PLS regression model.
[0012]
The existing spectrum and the unknown spectrum can be weighted according to the characteristics of the sample.
[0013]
The i-th group in step (a) may not be used as the p-th group in step (c).
[0014]
The pre-processing method of the present invention is a pre-processing method of a spectral data string indicating the characteristics of a sample, and includes the following steps.
(A) A step of reducing the dimension of the spectral data sequence to feature data of kth order (k is an arbitrary natural number) using a kth order central moment.
[0015]
This pre-processing method may further include the following steps.
(B) Projecting the reduced dimension feature data onto a feature space.
[0016]
The correction model generation method of the present invention uses a database including a plurality of sets of existing spectra indicating the absorbance of a sample and existing property values indicating the properties of the sample, and includes the following steps. Yes.
(A) Based on a difference spectrum representing a difference between the existing spectra in the i-th and j-th (i and j are arbitrary natural numbers) sets, and a deviation amount between the existing property values, A step of generating a correction model for predicting the deviation amount of the property value from the difference.
[0017]
In the correction model generation method, the correction model can be generated based on a plurality of sets of the difference between the spectra and the shift amount between the existing property values.
[0018]
As the correction model, a multivariate regression model such as a PLS regression model can be used.
[0019]
The control device of the present invention is a control device that adjusts the mixing amount of a plurality of base materials, and predicts the properties of the sample obtained by mixing by any of the above-described prediction methods, and based on the predicted properties. The amount of the base material mixed is adjusted.
[0020]
The production plant of this invention adjusts the mixing amount of a raw material using the said control apparatus.
[0021]
The computer program of the present invention causes a computer to execute the property prediction method, the preprocessing method, or the correction model generation method.
[0022]
DETAILED DESCRIPTION OF THE INVENTION
A property prediction method according to an embodiment of the present invention will be described with reference to the accompanying drawings. First, an example of a production plant to which this property prediction method can be applied will be described with reference to FIG. This plant is for blending gasoline. This plant is made up of

raw material tanks

1, 2, 3,

valves

4, 5, 6, controller 7, inline blender 8, inline mixer 9, circulation pump 10, and first loop. A (fast loop) sampling unit (hereinafter “sampling unit”) 11, an FTNIR analyzer 12, an additive tank 13, and a product tank 14 are provided.
[0023]
The base material tanks 1 to 3 store gasoline base materials (for example, alkylate gasoline, isogasoline, MTBE (methyl tertiary butyl ether), etc.). The valves 4 to 6 control the supply amount of the base material to the inline blender 8 in accordance with a command from the control unit 7.
[0024]
The control unit 7 performs feedback control based on the property value of the product predicted based on the spectrum obtained by the FTNIR analyzer 12 (the prediction method will be described later). When the predicted property value is out of or within the specified range, a control signal is sent to the valves 4 to 6 to control these operations so that the property value falls within the specified range.
[0025]
The in-line blender 8 and the mixer 9 are arranged in series in the flow path from the

base material tank

1, 2, 3 to the product tank 14. The in-line blender 8 and the in-line mixer 9 mix and homogenize the base material supplied through the valves 4 to 6 while flowing through the inside of the base material transfer pipe.
[0026]
The circulation pump 10 is connected in the middle of the flow path from the in-line mixer 9 to the product tank 14. The circulation pump 10 always sends a part of the product gasoline mixed by the in-line mixer 9 to the sampling unit 11. The sampling unit 11 sends a part of the sent product gasoline to the FTNIR analyzer 12 via the valve 111 and returns the remaining product gasoline to the flow path to the product tank 14. The FTNIR analyzer 12 includes a CPU, an external storage device, and an input / output device (not shown), and performs a predetermined control operation according to a program stored in the external storage device. The external storage device may be available via a network. A database 15 (see FIG. 2) is stored in the external storage device of the FTNIR analyzer 12. The database 15 includes a plurality of (n in FIG. 2) sets including data (corresponding to the existing spectrum in the present invention) 16 representing the spectrum of the sample with known properties and the existing property value 17. The spectrum data 16 includes weighted spectrum data itself and reduced-dimensional feature data. These data will be described later. The property value is a numerical value (for example, density or component concentration) indicating the quality of gasoline, and specifically, a research octane number, a lead vapor pressure, a motor octane number, or the like. A property value can be represented by a set of individual property values {a _i , b _i , c _i ...}, that is, a vector or matrix.
[0027]
In this embodiment, the spectrum data 15 includes data for learning (that is, for generating a correction model) and data for prediction (that is, for predicting the properties of an unknown sample based on the correction model). The learning data is obtained by changing the blending amount of the base material. A known property value corresponding to the learning spectrum data is associated on the database. This learning data is used only for learning and is not used for prediction. The prediction data is usually known data held by an oil company or the like. Corresponding known property values are also associated with the prediction data on the database.
[0028]
The FTNIR analyzer 12 periodically performs near-infrared spectroscopic analysis of the sent product gasoline (gasoline obtained by mixing the base materials) and sends the obtained spectral data to an external storage device. In this embodiment, the control unit 7 and the FTNIR analyzer 12 constitute a control device of the present invention.
[0029]
The additive tank 13 is for adding an additive to the product gasoline after mixing. The product tank 14 stores product gasoline obtained by mixing.
[0030]
Next, a property prediction method mainly executed by the FTNIR analyzer 12 will be described. In this embodiment, this method is performed by executing a program stored in a recording medium (specifically, an external storage device) of the FTNIR analyzer 12 on a computer. This prediction method can be divided into two stages: (1) generation of a correction model and (2) property prediction based on the correction model. First, generation of a correction model will be described.
[0031]
(Generation of correction model (see FIG. 3))
In the generation of the correction model, the database 15 described above is used. Here, in the situation where the data 16 (including learning and prediction) representing the spectrum is stored in the database 15, the following preprocessing (weighting and reduction in dimension) (step 3-1 in FIG. 3) is performed. Has been done.
[0032]
(Preprocessing: Weighting)
The spectral data acquired by FTNIR is a set of absorbances (that is, a data string) corresponding to the wave number (or wavelength) of near-infrared light. An example of spectral data obtained by spectroscopic analysis is shown in FIG. In this pre-processing, these absorbances are weighted according to gasoline specifications (for example, premium gasoline or regular gasoline). That is, the spectrum data is weighted according to the characteristics of the sample and the characteristics of the base material component. For example, if the absorbance at a wave number in a certain range is important, the absorbance weight is increased. In order to perform this weighting automatically, the weight is set in advance using a regression coefficient such as a PLS regression model according to the type of product. A graphical representation of the weighted spectral data is shown in FIG. Since the spectrum data is multiplied by the weighting value, not only the waveform but also the numerical value on the vertical axis in FIG. 5 is different from FIG. Since necessary bands are emphasized by appropriate weighting, prediction accuracy can be improved. In this specification, the weighted spectrum data may be simply referred to as spectrum data. It is possible to omit this weighting process.
[0033]
(Pre-processing: Reduced dimension)
Next, the spectral data is reduced in dimension. For example, if the number of numerical values constituting the spectrum data is 200 (that is, the 200th order), the reduction in dimension means representing 200 pieces of information with a lower order (for example, the 4th or 5th order). It is. This reduction in dimension can be achieved, for example, by obtaining a kth order central moment. The k-th order central moment is expressed by the following equation.
[0034]
[Expression 1]

However, in equation (1):
M _k : k-th order central moment N: original spectral data order y: spectral data m: average value. As a result, the spectrum data can be reduced to a k-th order (for example, k = 4) order, such as M ₁ , M ₂ ,..., M _k . The data reduced in this way becomes data representing the characteristics of the spectrum pattern. This data corresponds to the known data in the present invention in this embodiment.
[0035]
(projection)
Further, the data reduced in dimension as described above is projected onto the feature space (step 3-2). In other words, the k-th moment obtained by the reduction processing is used as a feature vector and projected onto a point on the feature space using a projection vector that maximizes the Fisher's evaluation function. It is assumed that the preprocessing so far is performed for each spectrum data to be used (including learning and prediction).
[0036]
(Calculation of Mahalanobis distance)
Next, the spectrum in the i-th (i: arbitrary natural number) set is first selected in the database 15. This i-th spectrum is for learning as described above among the existing spectra. Next, the existing spectrum of the jth (j: any natural number other than i) having the closest Mahalanobis distance to the ith spectrum in the feature space is searched from the database 15 (step 3-3). The j-th existing spectrum is for prediction as described above. Thereby, two existing spectra with high pattern similarity can be selected.
[0037]
(Calculation of difference spectrum)
Next, the difference between the aforementioned i-th and j-th existing spectra (that is, the learning spectrum and the prediction spectrum) is calculated (step 3-4). The existing spectrum used here is not weighted data but a weighted spectrum itself. Thereby, a difference spectrum (refer FIG. 6) can be obtained.
[0038]
(Calculation of property value deviation)
Further, a deviation amount between the property values corresponding to the two existing spectra used (that is, the property values in the i-th and j-th groups) is calculated (step 3-5). As a result, a set of the difference spectrum and the property value deviation amount is obtained. If the number of sets does not reach the specified number (step 3-6), the process returns to step 3-3, and another known spectrum (for learning ) is selected as the i-th spectrum. That is, for example, the (i + 1) th known spectrum is regarded as the i-th spectrum. Next, the existing spectrum closest to the selected spectrum is selected, and Steps 3-4 to 3-6 are repeated.
[0039]
(Generation of correction model)
If a prescribed number of sets of difference spectra and property value deviation amounts can be collected, a model for predicting the deviation amount based on the difference spectrum is generated (step 3-7). This model can be generated using an arbitrary multivariate analysis method (for example, a PLS regression model).
[0040]
(Prediction method using correction model)
Next, a method for predicting the characteristic value of an unknown sample using the correction model configured as described above will be described. First, a sample with unknown properties obtained by mixing the substrates is sent to the FTNIR analyzer 12 (see FIG. 1), where the absorbance spectrum (unknown spectrum) of the sample with unknown properties is measured (see FIG. 1). 7 Step 7-1).
[0041]
Next, the measured unknown spectrum is weighted, reduced in dimension, and projected onto the feature space in the same manner as the existing spectrum (steps 7-2 and 7-3). Since these contents are as described above, the description is omitted. In this embodiment, data obtained by reducing the dimension of an unknown spectrum is unknown data in the present invention.
[0042]
Next, an existing spectrum (that is, the p-th spectrum) whose Mahalanobis distance in the feature space is closest to the unknown spectrum is searched (step 7-4). Here, p is an arbitrary natural number other than i. That is, in this embodiment, the i-th set of data is used only for learning as described above. The p-th set of data is selected from the prediction data. As described above, the existing spectrum is projected onto the feature space. Thereby, the existing spectrum with high similarity with an unknown spectrum can be selected.
[0043]
Next, the spectrum (difference spectrum) of the difference between the found existing spectrum and the unknown spectrum is calculated (step 7-5). The existing spectrum and the unknown spectrum used here are both after weighting and before being reduced in dimension.
[0044]
Next, the above-described correction model is applied to the difference spectrum (step 7-6). Thereby, the shift amount to the property value, that is, the correction amount can be calculated corresponding to the difference spectrum (step 7-7). Using this correction amount, the property value of the sample whose property is unknown can be predicted. For example, to predict the research octane number,
The _{_RON} estimated = RON databese + dRON.
However,
RON _estimated : _Estimated research octane number
RON _databese : Research octane number of existing spectra recorded in the database,
dRON: Research octane value correction value,
It is.
Other property values can be similarly calculated.
[0045]
Examples and Comparative Examples
RON (research octane number), RVP (reed vapor pressure) and MON (motor octane number) were predicted by the method of the above embodiment. For comparison, prediction using a conventional PLS regression model as a correction model was also performed. In the comparative example, the calculation conditions other than the correction model are the same as in the example. The prediction result of an Example and a comparative example is shown in FIGS.
[0046]
In each figure, the numbers in the left column indicate the sample numbers. The PLS column shows the error between the property value predicted by the PLS regression model and the actual value, the right side is the square value of the error, and the TNM column is the property value predicted by the method of this embodiment and the actual value. The right side is the square value of the error. The SUM column shows the sum of the squared errors, the SEP column shows the standard deviation of the prediction error, and the improvement rate shows the improvement rate of the present embodiment relative to the comparative example. Further, the mean column indicates the average value of the square error.
[0047]
As is clear from this result, in this example, the accuracy of the predicted value is improved by 29% for RON, 18% for RVP, and 50% for MON compared to the comparative example.
[0048]
In the present embodiment, when the type of the target gasoline base material is changed (for example, when the component or property of crude oil that is the base material is changed), the existing database 15 corresponding thereto is changed. Is used to generate a correction model. Such a database is usually held by, for example, an oil company. Using the generated correction model, prediction for the changed gasoline is performed. Of course, the spectral data is weighted according to gasoline specifications.
[0049]
In the present embodiment, if a database is prepared, a correction model can be easily generated using the database. Therefore, there is an advantage that the prediction can be performed flexibly corresponding to the change of the base material and the versatility is high.
[0050]
Note that the description of each of the embodiments is merely an example, and does not indicate a configuration essential to the present invention. The configuration of each part is not limited to the above as long as the gist of the present invention can be achieved.
[0051]
For example, in the above-described embodiment, the existing spectrum having the shortest Mahalanobis distance from the property unknown spectrum is searched (step 7-4 in FIG. 7), but is not limited to the shortest. However, it is preferable that the Mahalanobis distance of both spectra is relatively short in order to improve the prediction accuracy.
[0052]
Moreover, in this embodiment, although gasoline was illustrated as an object which estimates a property value, other petroleum products may be sufficient. If the database 15 described above can be prepared, it is possible to flexibly cope with a change in the sample to be predicted. Further, it may be an object other than petroleum products (for example, food or fats and oils).
[0053]
In the above embodiment, an FTNIR analyzer is used. However, an analyzer using infrared light or mid-infrared light may be used, and another spectroscopic analyzer may be used.
[0054]
Further, the database 15 in the above embodiment may be constituted by a plurality of files. That is, the physical configuration of the database 15 is arbitrary. For example, the i-th, j-th, and p-th sets of data described above may be included in different files or included in the same file. In short, it can be used as a database.
[0055]
【The invention's effect】
According to the present invention, an accurate property prediction method can be provided. Furthermore, according to the present invention, it is possible to provide a property prediction method that is highly flexible with respect to changes in the sample.
[Brief description of the drawings]
FIG. 1 is a schematic explanatory diagram of a gasoline blending plant that implements a property prediction method according to an embodiment of the present invention.
FIG. 2 is an explanatory diagram of a database used in a property prediction method according to an embodiment of the present invention.
FIG. 3 is a flowchart for explaining a property prediction method according to an embodiment of the present invention.
FIG. 4 is a graph showing an example of a spectrum measured from a sample, where the horizontal axis represents the wave number of near infrared light, and the vertical axis represents the absorbance.
FIG. 5 is a graph showing an example of a weighted spectrum, where the horizontal axis represents the wave number of near infrared light, and the vertical axis represents the weighted absorbance.
FIG. 6 is a graph showing an example of a difference spectrum, in which the horizontal axis represents the wave number of near infrared light, and the vertical axis represents absorbance.
FIG. 7 is a flowchart for explaining a property prediction method according to an embodiment of the present invention.
FIG. 8 is a table showing prediction results according to examples and comparative examples of the present invention.
FIG. 9 is a table showing prediction results according to examples and comparative examples of the present invention.
FIG. 10 is a table showing prediction results according to examples and comparative examples of the present invention.
[Explanation of symbols]
1 ・ 2 ・ 3 Base material tank 4 ・ 5 ・ 6 Valve 7 Control unit (control device)
8 In-line blender 9 In-line mixer 10 Circulation pump 11 First loop sampling unit 111 Valve 12 FTNIR analyzer (control device)
13 Additive tank 14 Product tank 15 Database 16 Data representing existing spectrum 17 Property value

Claims

A property prediction method using a database including a plurality of sets of existing spectra indicating the absorbance of a sample and existing property values indicating the properties of the sample, and including the following steps:
(A) Based on a difference spectrum representing a difference between the existing spectra in the i-th and j-th (i and j are arbitrary natural numbers) sets, and a deviation amount between the existing property values, Generating a correction model for predicting the deviation of the property value from the difference;
(B) obtaining an unknown spectrum based on spectroscopic analysis on a sample whose property is unknown;
(C) calculating a difference spectrum representing a difference between the unknown spectrum and an existing spectrum in the p-th (p is an arbitrary natural number) group;
(D) calculating a correction amount to the property value in the p-th set by applying the difference spectrum obtained in step (c) to the correction model;
(E) predicting a property value in the unknown sample using the correction amount and the existing property value in the p-th set.

The property prediction method according to claim 1, wherein the existing spectrum in the step (c) has a higher pattern similarity with the unknown spectrum than other existing spectra.

The property prediction method according to claim 1, wherein the existing spectrum in the step (c) has the highest pattern similarity with the unknown spectrum compared to other existing spectra.

The property prediction method according to claim 2 or 3, wherein the determination of the pattern similarity includes the following steps:
(F) projecting data (known data) indicating features of the pattern of the existing spectrum onto a feature space;
(G) projecting data (unknown data) indicating features of the pattern of the unknown spectrum onto a feature space;
(H) determining the similarity based on the Mahalanobis distance in the feature space between the known data and the unknown data.

The property prediction method according to claim 4, wherein the known data and the unknown data are reduced in dimension by using a moment.

6. The property prediction method according to claim 5, wherein the reduction is performed by reducing the order to kth order (k is an arbitrary natural number) using a kth-order central moment.

The property prediction method according to claim 1, wherein the correction model in step (a) is a multivariate regression model.

The property prediction method according to claim 7, wherein the multivariate regression model is a PLS regression model.

The property prediction method according to claim 1, wherein the existing spectrum and the unknown spectrum are weighted according to characteristics of a sample.

The property prediction according to any one of claims 1 to 9, wherein the i-th group in the step (a) is not used as the p-th group in the step (c). Method.

The existing spectrum of the j-th set in the step (a) has the highest similarity to the existing spectrum of the i-th set. The property prediction method according to item.

In the step (a), the correction model is generated based on a plurality of sets of the difference spectrum and the deviation amount,
If the set of the difference spectrum and the deviation amount is different, the existing spectrum of the i-th set is selected to be different from the other difference spectrum and deviation amount set.
The property prediction method according to any one of claims 1 to 11, wherein:

A correction model generation method using a database including a plurality of sets of existing spectra indicating the absorbance of a sample and existing property values indicating the properties of the sample, and including the following steps:
(A) Based on a difference spectrum representing a difference between the existing spectra in the i-th and j-th (i and j are arbitrary natural numbers) sets, and a deviation amount between the existing property values, A step of generating a correction model for predicting a deviation amount of a property value from the difference

The correction model generation method according to claim 13, wherein the correction model is generated based on a plurality of sets of differences between the spectra and a deviation amount between the existing property values.

The correction model generation method according to claim 13, wherein the correction model is a multivariate regression model.

The correction model generation method according to claim 15, wherein the multivariate regression model is a PLS regression model.

A control device for controlling the mix of a plurality of substrates, the properties of the sample obtained by mixing predicted by the method of any one of claims 1 to 12, on the basis of the predicted properties A control device for adjusting a mixing amount of the base material.

A production plant, wherein the mixing amount of the raw material is adjusted using the control device according to claim 17.

Computer program for executing a has been property prediction method according to the computer in any one of claims 1 to 12.

A computer program for causing a computer to execute the correction model generation method according to claim 13.