JPH08501878A - 燃料品質監視装置 - Google Patents

Abstract

(57)【要約】 所定のスペクトル範囲内の（近）赤外線放射を供給する手段と、（近）赤外線スペクトル領域内の選択した波長の光を透過させる手段と、この透過手段からの光を炭化水素製品ラインへ供給する手段と、炭化水素製品ライン中に光路長を設けられるようにする手段と、前記光路を通った光を検出する手段と、得た信号をスペクトル分析して、スペクトルデータを、オクタン価、セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製品の物理的特性データに相関させるための処理器に入力させる手段とを備え、オクタン価、セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製品の物理的特性データをオンライン測定する装置。

Description

【発明の詳細な説明】燃料品質監視装置 本発明は、エンジン管理装置の制御（たとえば、フィードフォーワード制御） に使用するために、燃料品質についてのフィードフォーワード情報を供給するた めに使用するインライン燃料品質モニタに関するものである。そのような装置は 、運転者またはエンジンに燃料品質について知らせるために、自動車の小型軽量 の計器として応用されるので有利である。 得られた情報は、燃料のオクタン価、セタン価、蒸気圧密度などの、炭化水素 製品の物理的特性データ、および複合燃料車に使用するための、ガソリン／アル コール比である。当業者には周知のように、有機化合物は赤外線スペクトル領域 （約１μｍ〜約３００μｍ）において独特のスペクトル特徴を有する。 物質の物理的特性と化学的特性の間の相関、およびそれらの物質の近赤外線（ ＮＩＲ）スペクトルを得るためのポテンシャルが既に開示されている（たとえば 、ヨーロッパ特許ＥＰ−Ａ−０，３０４，２３２号およびＥＰ−Ａ−２，０８５ ，２５１号参照）。 トレーニングセットとして知られている、大量のデータセッ トにおけるスペクトルの傾向を見つけることによって実験モデルを製作できる。 （近）赤外線分光学は迅速かつ信頼でき、オンライン実時間測定を行うために 応用できる可能性がある。特徴付けられた無鉛ガソリンのトレーニングセットの スペクトルを得るために分光計を使用できる。モデルを構成するために主成分回 帰法、縮小ランク回帰法、部分最小二乗法などの複雑な多変量統計技術の応用に よって、所与の燃料のリサーチ法オクタン価（ＲＯＮ）を予測できる。それら技 術は分光計によって提供されるデータ点の全てを要し、最初のＲＯＮ測定値を可 変性を伴うように予測する。したがって、燃料の性能品質を予測するために、（ 近）赤外線分光技術を実験モデルと共に使用できる。しかし、それらの技術をオ ンライン実時間現場計測に応用することはありふれたことではない。その理由は 、分光計が高精度に動く光学部品を使用し、それらの部品が、石油化学プラント または流通ターミナルにおいて見られるような、汚れた好ましくない環境に極め て敏感であるからである。測定器の製作者はより頑丈な分光計の製作に努力して いる。 改良されているにもかかわらず、非常に高価な分光計は、取 扱いに注意を要する性質、人件費、および過酷な環境にあるために、オンライン 実時間監視には理想的なものではない。データの解析への（近）赤外線技術およ び統計技術の応用を簡単にする方法が必要である。 現在、（近）赤外線（０．７８〜３０μｍの波長が有利である）技術を使用し 、（リサーチ法）オクタン価、セタン価、密度、蒸気圧密度などまたはガソリン ／アルコール比などの炭化水素製品の物理的特性データをオンラインおよび実時 間で測定するためにニューラル・ネットワークに結合され、および、とくに、自 動車に容易に応用できる小型で、頑丈、かつ安価な信頼できる「動かない部品」 による測定器が開発されている。 したがって、本発明は、所定のスペクトル範囲内の（近）赤外線放射を供給す る手段と、（近）赤外線スペクトル領域内の選択した波長の光を透過させる手段 と、この透過手段からの光を炭化水素製品ラインへ供給する手段と、炭化水素製 品ライン中にある光路長を設けられるようにする手段と、前記光路を通った光を 検出する手段と、得た信号をスペクトル分析して、スペクトルデータを、オクタ ン価、セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水 素製品の物理的特 性データに相関させるための処理器に入力させる手段と、を備え、オクタン価、 セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製品 の物理的特性データをオンライン測定する装置を提供するものである。 先に示したように、本発明の原理は、ニューラルネットワークに有利に結合さ れる、（近）赤外線分析技術を基にしている。一般に、ニューラルネットワーク を、学習期間中に入力変数と出力変数の間の相関を求めるシステムと定義できる 。この学習期間中に十分な例が提供された後で、ニューラルネットワークは任意 の入力に対して関連する出力を発生できる。ニューラルネットワークは、たとえ ば、パターン認識問題、に応用されている。 当業者であればわかるであろうように、ニューラルネットワークは処理素子（ 脳のニューロンに類似する）の層で構成され、各素子は重み付けられて、別の層 の素子に接続される（脳のシナプシスに類似する）。ネットワークは、正確に厳 選されたデータで教育されている間に、素子の間の重みを調整してパターンを学 習する。 有利な学習アルゴリズムに従って、学習誤り、すなわち、実 際の結果と予測した結果の間の違いが、学習パターンから帰還を受けない隠され ている層までネットワークを通じて伝えられる。相互接続の重みを誤りの向きに 小刻みに調節して誤りを最小にし、学習データを再び実行する。誤りが許容レベ ルに達するまでこれを何回も行う。それは通常は最初の測定の反復可能性である 。 以下、ガソリンのオクタン価の予測に関して本発明をとくに説明するが、本発 明はそれに限定されないこと、かつ蒸気圧、密度、セタン価などの予測にも使用 できることが当業者には分かるであろう。 トレーニングセットのガソリンに対応するスペクトルのセットについてのデー タ解析を下記のようにして行う。 １．セットの平均スペクトルを発生して個々の各スペクトルと平均スペクトルと の間の差を計算する。 ２．平均スペクトルは５０００程度のデータ点であるから、１００種類の燃料の セットを分析する問題は非常に困難である。データを取り扱いできる問題の変数 の数まで減少できるようにする技術が求められる。 ３．ニューラルネットワーク技術の場合には、測定波長の数を 物理的に減少することによってデータを減少する。データ減少は次のようにして 行う。すなわち、ガスオイルのトレーニングセットに対して、たとえば、主成分 解析等の多変数統計技術を用いて、オクタン価との相関に対する各スペクトルデ ータ点の相対的な重要性を表す「特性スペクトル」を発生する。そうすると、ス ペクトル測定は、通常は５番と１０番の間の個別の波長に単純化される。ニュー ラルネットワークへの入力として吸光度値を使用する。 （近）赤外線スペクトルの第２オーバートーン（調波）領域を選択すると有利 である。この領域は９００〜１３００ｎｍ（波長）をカバ−し、測定から利用可 能な情報と、成分計測の安定度および感度との間の最良の平衡を達成できるのが この領域であるから、この領域が選択される。 いくつかの個別波長を吸収データに変換する。そのデータをニューラルネット ワークへの入力として使用する。 選択する波長の数は、オキシジネート（oxygenates）としてアルコールを含ま ず、またはセタン点火改良剤添加物を含まない燃料の場合には５で、燃料がオキ シジネートとしてアルコールを含み、またはセタン点火改良剤添加物を含んでい る場合に は６にすると有利である。セタン価測定のためには、セタン点火改良剤添加物の 濃度を監視することに加えて、６〜７μｍの波長を選択すると有利である。 波長の１つを測定のドリフトを修正するための透過基準として用いると有利で ある。 基準によって修正する残りの波長を吸収データに変換する。これは対数的に行 うことができ、データを各波長の所定の境界内で数学的に換算できる。すなわち 、いずれかの燃料について予測される極端な値、あるいはおそらく、プロセスの 流れを用いて、試験すべき燃料に対して換算できる各波長における許容吸光度の 範囲を提供する。 入力と既知出力、すなわち、ガソリンおよびそれのオクタン価についての赤外 線データ、を繰り返し提供することによって、データ組全体についてニューラル ネットワークを教育して、２つの間の関係を学習し、標準エンジン法によって測 定する実際のオクタン価データに対するそれの性能を監視する。 その関係をニューラルネットワークが「学習する」と、データセットは更にト レーニングセットと、「学習」段階では使用しない確認セットとに分割される。 本発明の測定器はガソリンのオクタン定格の影響を及ぼすことが知られている Ｃ−Ｈ結合震動構造から情報を発生するために選択した、５つの個別波長におけ る（近）赤外線吸光度を集めるのに有利である。測定した吸光度を、基線を与え るために選択して、炭化水素情報を含まない波長の１つに正規化する。これによ って周囲条件（温度、（近）赤外線源、電子的ドリフト等）が変化しても差支え がなくなり、残りの４つの測定がニューラルネットワークに加えられる。 以下、図面を参照して本発明を例を用いてより詳しく説明する。 第１図はエンジンをベースとするオンラインオクタン解析器を概略的に表す。 第２図は本発明の装置に適応するのに有利なニューラルネットワークを概略的 に表す。 第１図を参照すると、光学手段１が示されている。この光学手段１は複数の発 光ダイオード（ＬＥＤ）と、フィルタおよびレンズホルダとを含むと有利である 。簡明にするために、エンジンまたは車へのこの解析器の機械的な結合は示して いない。 手段１は、炭化水素製品ライン（図示せず）に適当なやり方 で取り付けられているインライン・ガソリンセル３に、適当な任意の光学的結合 手段（多用途光ファイバの束が有利である）２を介して連結される。 更に、光検出器４が設けられる。この光検出器は得た信号をスペクトル解析処 理のために電子装置とニューラルネットワークに供給する。第１図には５個の発 光ダイオードがあるが、適当な任意の数を設けることができる。簡明にするため に、スペクトル解析処理のために電子装置とニューラルネットワークは示してい ない。本発明の装置の形状は、エンジンをベースとする測定器として車に搭載で きるようなものにすると有利である。 第２図に示すように、使用するニューラルネットワークは３層構造にすると有 利である。この構造は、たとえば、４つの入力ノードと、入力Ａと出力Ｂの間の 層に隠されている２つのノードと、１つの出力ノードとを含む。これは（４，２ ，１）ネットワークと呼ばれている。スペクトルデータは入力Ａとして入力ノー ドに供給され、製品品質情報が出力Ｂである。 当業者であれば知っているように、ノードは相互接続の一定の重みを有してお り、バイアスされても良い。 ネットワークの重みとバイアスは格納され、測定した赤外線 吸光度を含む入力データを解析して、パターンをガソリンのオクタン価に相関さ せるために使用できる。したがって、（近）赤外線データからオクタン価を記述 するためにネットワーク・アルゴリズムを使用する予測のために、学習されて確 認セットに対しての試験に合格している重要なパラメータは、ノードの間の重み と、隠されているノードおよび出力ノードにおけるバイアスである。 それらを質問して、後日の燃料見本のオクタン価解析のためにネットワーク・ アルゴリズムで実現できる。 多数の出力の場合には、ニューラルネットワーク・アルゴリズムが各出力に対 して実現される。実現はマイクロプロセッサ・チップにおいてソフトウエア・コ ードによって行われ、したがって、再プログラムを容易に行うことができるネッ トワーク・パラメータのどのような変化に対しても融通性がある。 無鉛自動車用ガソリンに加えて、鉛含有量が既知であるならば、この測定器は 鉛添加ガソリンに対しても結果を生ずることができる。予測したオクタン価に対 して簡単な数値修正を施すことができる。 適用されるネットワーク・アーキテクチャを、各層に存在す るノードの正確な数、または実際の層の数でさえも、変更できることが当業者に はわかるであろう。２〜５層を用いると有利である。 本発明によれば、入力層のノードの数は３〜１０の範囲で、隠されている層の ノードの数は１〜１０の範囲、出力層のノードの数は１〜３の範囲にすると有利 である。更に詳しくいえば、（３，５，１）、（６，６，３）、（６，６，６， ３）ネットワークを適用できる。 本発明の装置の動作は下記の通りである。 ５個の発光ダイオード（ＬＥＤ）が、たとえば、１〜２．０ミクロンのスペク トル範囲の近赤外線を発生する。ＬＥＤからの光は平行にされて干渉フィルタ（ 各ＬＥＤに１つ）を通らされる。そのフィルタは近赤外線スペクトル領域（たと えば、１〜１．５ミクロン）中の選択した波長の光を透過させる。ガソリンの場 合には、５つの波長を１１０６ｎｍ、１１５０ｎｍ、１１７０ｎｍ、１１９０ｎ ｍ、１２１９ｎｍにし、正規化波長を１１０６ｎｍにすると有利である。正規化 波長をそのような値にする理由は、その波長ではガソリンの吸光度が最低で、良 い基線測定値が得られるためである。ガソリン／アルコールで は別の波長を必要とし、１７６６ｎｍと１７３０ｎｍが有利である。それらは他 の波長に加えて求められることがある。光ファイバ束（５本を１本にまとめる） がフィルタを通った光を集めて、選択したＬＥＤから、光を炭化水素ラインに供 給する。 ＬＥＤの選択は電子的パルスによって行われ、ＬＥＤを１個ずつパルス励起す ることによって迅速な（＜１秒）測定を行えるようにできる。２０ｍｍが有利な １０〜３０ｍｍの光路長を使用できるようにするために、光窓を燃料ラインのイ ンラインセルの前に置くと有利である。光路を通って送られた光を検出して、得 た信号をスペクトル解析のために電子処理装置およびニューラルネットワークに 供給するために、インジウム・ガリウム・ヒ素検出器を装着する。 以上の説明から本発明の種々の変更が当業者には明らかになるであろう。それ らの変更は添付した請求の範囲内に含まれるであろう。

【手続補正書】特許法第１８４条の８ 【提出日】１９９４年９月１６日 【補正内容】 （近）赤外線分光学は迅速かつ信頼でき、オンライン実時間測定を行うために 潜在的に応用できる。特徴付けられた無鉛ガソリンの学習セットのスペクトルを 得るために分光計を使用できる。モデルを構成するために主成分回帰法、縮小ラ ンク回帰法、部分最小二乗法などの複雑な多変量統計技術の応用によって、所与 の燃料のリサーチ法オクタン価（ＲＯＮ）を予測できる。それら技術は分光計に よって提供されるデータ点の全てを要し、良く予測して最初のＲＯＮ測定値の可 変性を許す。したがって、燃料の性能晶質を予測するために、（近）赤外線を実 験モデルに結びつけて使用できる。しかし、それらの技術をオンライン実時間現 場計測に応用することはささいなことではない。その理由は、分光計が高精度の 動く光学部品を使用し、それらの部品が、石油化学プラントまたは流通ターミナ ルにおいて見られるような、汚れた好ましくない環境に極めて敏感であるからで ある。測定器の製作者はより頑丈な分光計の製作に努力している。 改良されているにもかかわらず、非常に高価な分光計は、取扱いに注意を要す る性質、人件費、および過酷な環境にあるために、オンライン実時間監視には理 想的なものではない。デー タの解析への（近）赤外線技術および統計技術の応用を簡単にする方法が必要で ある。 現在、（近）赤外線（０．７８〜３０μｍの波長が有利である）技術を使用し 、（リサーチ法）オクタン価、セタン価、密度、蒸気圧密度などまたはガソリン ／アルコール比などの炭化水素製品の物理的特性データをオンラインおよび実時 間で測定するためにニューラル・ネットワークに結合され、および、とくに、自 動車に容易に応用できる小型で、頑丈、かつ安価な信頼できる「動かない部品」 による測定器が開発されている。 したがって、本発明は、所定のスペクトル範囲内の（近）赤外線放射を供給す る手段と、前記手段は炭化水素製品ライン中に存在する光路長によって炭化水素 製品ラインに光学的に結合され、前記光路を通った光を検出する手段と、得た信 号をスペクトル分析して、スペクトルデータを、オクタン価、セタン価、密度、 蒸気圧などまたはガソリン／アルコール比などの炭化水素製品の物理的特性デー タに相関させるためのニュートラルネットワークに入力させる手段とを備え、オ クタン価、セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭 化水素製品の物理的特性データをオンライン測定する装置を提供す るものであり、ニューラルネットワークの層の数は２〜５であり、３またはそれ 以上の場合には、入力層のノードの数は３から１０、隠されている層のノードの 数は１から１０、出力層のノードの数は１から３である。 ドイツ特許ＤＥ−Ａ−３，７１６，７９３号が、ガソリン／アルコール比など の、炭化水素製品の物理的特性データをオンライン測定する装置を開示している ことが注目される。 しかし、特定のニューラルネットワークを応用する本発明の特定の装置は開示 されていない。請求の範囲 １．所定のスペクトル範囲内の（近）赤外線放射を供給する手段（１）と、 前記手段（１）は、光路長が炭化水素製品ライン中に存在することにより炭化 水素製品ラインに光学的に結合され、 前記光路を通った光を検出する手段と、 得た信号をスペクトル分析して、スペクトルデータを、オクタン価、セタン価 、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製品の物理的 特性データに相関させるためのニューラルネットワークに入力させる手段とを備 えることを特徴とする オクタン価、セタン価、密度、蒸気圧などまたはガソリン／アルコール比など の炭化水素製品の物理的特性データをオンライン測定する装置であって、 ニューラルネットワークの層の数は２〜５であり、３またはそれ以上の場合に は、入力層のノードの数は３から１０、隠されている層のノードの数は１から１ ０、出力層のノードの数は１から３である装置。 ２．スペクトル範囲が０．７８〜３０μｍである請求の範囲第１項に記載の装置 。 ３．（近）赤外線放射線が発光ダイオードによって供給される請求の範囲第１項 または第２項に記載の装置。 ４．発光ダイオードの数が最低５個である請求の範囲第３項に記載の装置。 ５．（近）赤外線放射線を供給する前記手段（１）が光ファイバ束を介して炭化 水素製品ラインに結合される請求の範囲第１項から第４項のいずれか一項に記載 の装置。 ６．発光ダイオードを選択するための手段を備える請求の範囲第４項または第５ 項に記載の装置。 ７．前記選択を電子的パルスによって行う請求の範囲第６項に記載の装置。 ８．炭化水素製品ライン中に最低１つの光窓が置かれる請求の範囲第１項から第 ７項のいずれか一項に記載の装置。 ９．光路の長さが１０〜３０ｍｍ、有利には２０ｍｍである請求の範囲第８項に 記載の装置。 １０．インジウム・ガリウム・ヒ素検出器を備える請求の範囲第１項から第９項 のいずれか一項に記載の装置。 １１．炭化水素製品ラインがインラインセルを備える請求の範囲第１項から第１ ０項のいずれか一項に記載の装置。 １２．その形状がエンジンを基にしている請求の範囲第１項から第１１項のいず れか一項に記載の装置。 １３．ニューラルネットワークが４つの入力ノードと、２つの隠されているノー ドと、１つの出力ノードとを有する（（４，２，１）ネットワーク）請求の範囲 第１項から第１２項のいずれか一項に記載の装置。 １４．ネットワークが（３，５，１）ネットワークである請求の範囲第１項から 第１２項のいずれか一項に記載の装置。 １５．ネットワークが（６，６，３）ネットワークである請求の範囲第１項から 第１２項のいずれか一項に記載の装置。 １６．ネットワークが（６，６，６，３）ネットワークである請求の範囲第１項 から第１２項のいずれか一項に記載の装置。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ， ＣＡ，ＣＨ，ＣＺ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＧＢ，Ｈ Ｕ，ＪＰ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＵ，ＭＧ，ＭＮ ，ＭＷ，ＮＬ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ， ＳＤ，ＳＥ，ＳＫ，ＵＡ，ＶＮ (72)発明者 トルチヤード，ジヨン・マイケル イギリス国、チエシヤー・シー・エイチ・ １・３・エス・エイチ、チエスター、イン ス、プール・レーン（番地なし)

Claims (1)

1. 【特許請求の範囲】 １．所定のスペクトル範囲内の（近）赤外線放射を供給する手段と、 （近）赤外線スペクトル領域内の選択した波長の光を透過させる手段と、 この透過手段からの光を炭化水素製品ラインへ供給する手段と、 炭化水素製品ライン中に光路長を設けられるようにする手段と、 前記光路を通った光を検出する手段と、 得た信号を、スペクトル分析して、スペクトルデータを、オクタン価、セタン 価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製品の物理 的特性データに相関させるための処理器に入力させる手段とを備え、オクタン価 、セタン価、密度、蒸気圧などまたはガソリン／アルコール比などの炭化水素製 品の物理的特性データをオンライン測定する装置。 ２．スペクトル範囲が０．７８〜３０μｍである請求の範囲第 １項に記載の装置。 ３．（近）赤外線放射線が発光ダイオードによって供給される請求の範囲第１項 または第２項に記載の装置。 ４．発光ダイオードの数が最低５個である請求の範囲第３項に記載の装置。 ５．光ファイバ束が光を炭化水素ラインに供給する請求の範囲第１項から第４項 のいずれか一項に記載の装置。 ６．発光ダイオードを選択するための手段を備える請求の範囲第４項または第５ 項に記載の装置。 ７．前記選択を電子的パルスによって行う請求の範囲第６項に記載の装置。 ８．炭化水素製品ライン中に最低１つの光窓が置かれる請求の範囲第１項から第 ７項のいずれか一項に記載の装置。 ９．光路の長さが１０〜３０ｍｍ、有利には２０ｍｍである請求の範囲第８項に 記載の装置。 １０．インジウム・ガリウム・ヒ素検出器を備える請求の範囲第１項から第９項 のいずれか一項に記載の装置。 １１．炭化水素製品ラインがインラインセルを備える請求の範囲第１項から第１ ０項のいずれか一項に記載の装置。 １２．その形状がエンジンを基にしている請求の範囲第１項から第１１項のいず れか一項に記載の装置。 １３．前記処理器がニューラルネットワークを備える請求の範囲第１項から第１ ２項のいずれか一項に記載の装置。 １４．ニューラルネットワークの層の数が２〜５である請求の範囲第１３項に記 載の装置。 １５．適用されるニューラルネットワークが３層または４層のアーキテクチャを 有する請求の範囲第１４項に記載の装置。 １６．入力層のノードの数が３〜１０、隠されている層のノードの数が１〜１０ 、出力層のノードの数が１〜３である請求の範囲第１５項に記載の装置。 １７．ニューラルネットワークが４つの入カノードと、２つの隠されているノー ドと、１つの出力ノードとを有する（（４，２，１）ネットワーク）請求の範囲 第１５項または第１６項に記載の装置。 １８．ネットワークが（３，５，１）ネットワークである請求の範囲第１５項ま たは第１６項に記載の装置。 １９．ネットワークが（６，６，３）ネットワークである請求の範囲第１５項ま たは第１６項に記載の装置。 ２０．ネットワークが（６，６，６，３）ネットワークである請求の範囲第１５ 項または第１６項に記載の装置。