[发明专利]一种基于相似判别的汽油辛烷值检测方法

说明书

技术领域

本发明涉及炼油企业汽油检测，尤其是汽油性质的快速预测，具体是一种基于相似判别的汽油辛烷值检测方法。

背景技术

辛烷值(RON)是汽油关键质量指标之一，汽油辛烷值直接表征汽油的抗爆性能，根据辛烷值大小划分成不同的汽油牌号。对汽油辛烷值的测定已有相应的标准方法，但是分析周期长、分析成本高，难以满足过程控制中对快速性的要求。

近红外光谱(NIR)分析技术是一种间接快速的无损分析技术，根据汽油样品的近红外光谱和标准方法测定的辛烷值，采用化学计量学方法，建立分析模型，然后通过未知样品的光谱曲线和分析模型确立的函数关系，快速预测未知样品的辛烷值。

目前建立分析模型的过程是，从同一类油种中选择数十个或上百个近期的样本建立模型，用来预测未来某段时间的汽油性质。但是在实际生产中由于生产装置工艺条件的改变，往往会导致油种辛烷值在短时间内波动较大，因此建立的模型需要有较高的稳健性，即建模样本的辛烷值范围要广，尽量囊括所有的情况，才能使预测样本的覆盖面广。然而，模型的稳健性越高，其预测精度就会随之下降。这种矛盾的存在，使得建模陷入顾此失彼的局面。

发明内容

为解决现有技术存在的问题，本发明提出了一种基于相似判别的汽油辛烷值检测方法，该方法是指在光谱数据库中找出与待测样本光谱距离最近的样本建立分析模型，再对待测样本预测，具体包括以下步骤：

(1)对待测样本进行近红外扫描，获得其光谱；

(2)对待测样本和光谱库中已知样本光谱进行常规预处理；

(3)采用主成分分析方法计算预处理后的光谱得分矩阵；

(4)根据得分矩阵中每个得分向量的贡献值计算出累积贡献率，获取累积贡献率达85％～95％的得分向量组成新的得分矩阵；

(5)利用步骤(4)所得的新的得分矩阵计算待测样本与数据库样本的光谱距离；

(6)选出光谱距离小于等于阈值的相似样本作为校正样本，建立偏最小二乘模型；

(7)通过建好的偏最小二乘模型对待测样本进行预测。

优选的，步骤(5)中利用步骤(4)所得的新的得分矩阵计算待测样本与数据库样本的光谱距离，计算式如下所示：

其中，d_j是指待测样本与光谱数据库中第j个样本间的光谱距离，T_i为待测样本第i个得分向量的光谱得分，1≤i≤f，f为得分向量的长度，T_j,i为光谱数据库中第j个样本的第i个得分向量的光谱得分，公式中乘以a是为了更方便的观察数据大小。

优选的，所述a＝1000。

优选的，步骤(6)中选出光谱距离小于等于阈值的相似样本作为校正样本，所述阈值取20，当光谱距离小于等于阈值的相似样本小于最少建模数量25时，按照光谱距离由小到大顺序选前25个相似光谱作为校正样本。

有益效果：

本发明提出了一种基于相似判别的汽油辛烷值检测方法，在对光谱进行传统预处理后，通过主成分分析提取出承载85％-95％光谱有用信息的得分矩阵，计算光谱距离并以光谱距离小于等于20作为挑选相似光谱的依据，通过相似光谱建立偏最小二乘模型，这种方法有效避免了传统快速检测中为照顾模型的稳健性而牺牲预测精度的问题。特别是在工况变化剧烈，辛烷值波动较大时，能有效提高模型预测精度，为炼厂准确测量汽油性质，及时调整操作参数提供重要保障。

附图说明

图1是基于相似判别的汽油辛烷值检测方法的流程步骤。

具体实施方式

下面结合附图和实施案例对本发明作进一步的说明。

原理分析：

一般仪器记录的样品近红外光谱数据中包含有一系列噪声和干扰信号，因此适当的预处理为较为准确地选择相似样本奠定基础，可以采用常规的基线校正和矢量归一化等手段。将待测光谱和光谱数据库中的光谱进行常规预处理后，通过主成分分析从吸光度矩阵中得到得分矩阵。得分矩阵实际上是吸光度矩阵在其对应载荷矩阵方向上的投影，得分矩阵中得分向量携带的信息越多其贡献率也越大，在得分矩阵中排列越靠前，一般选取累积贡献率达85％-95％对应的得分向量组成新的得分矩阵计算光谱间的距离，这样有效的提取了有用的信息同时也消除掉了噪音干扰。