[发明专利]一种提高油品近红外建模稳健性的方法

说明书

技术领域

本发明涉及石油化工领域的油品性质检测分析方面，基于近红外光谱快速分析技术，建立一种稳健的油品性质预测方法。

背景技术

在油品分析领域，近红外光谱分析技术相比较传统的分析方法具有成熟、快速、无损等优点，因而该技术越来越多应用在油品性质的分析中。

在工业生产中，从实际生产过程选取的样本，分布往往很不均匀，这是由实际生产往往追求稳定的工况所决定的，即使偶有波动也会常常快速恢复。而采用近红外技术进行性质建模预测时，又要求校正集样本性质分布尽可能广而均匀，以便在生产偏离正常工况时也能给出准确的性质预测。采用全局建模的方法对待测样本进行性质预测时，已证明精度往往偏低。对样本光谱进行主成分分析后，选择与待测样本在主成分分布图上距离较近的样本，作为相似样本构成校正集进行局部建模，该方法可以显著提高预测精度，但模型稳健性有时会难以保证。尤其是当选择的相似样本性质分布严重不均时，待测样本的预测稳健性较差，进而影响预测精度。

因此如何在采用局部建模方法的基础上，既能保证模型预测精度，又能提高模型稳健性，近年来越来越引起科技人员的关注。

发明内容

本发明针对局部建模方法在模型精度和模型稳健性上无法兼顾的问题，提出了一种结合样本性质分布添加相似样本的方法，在保证预测精度的同时，提高模型的稳健性。

本发明采用以下技术方案：

一种提高油品性质近红外建模稳健性的方法，基于样本光谱的主成分分析，并综合考虑样本性质分布的均匀度来选取相似样本，进行局部建模预测待测样本性质，具有以下步骤：

(1)测定样本的近红外光谱，对待测样本和光谱库中样本的光谱数据进行常规预处理；

(2)对预处理后的光谱数据进行主成分分析，以得分矩阵中前三维列向量绘制所有样本的主成分分布图；

(3)在主成分分布图中以待测样本为中心，建立框内样本数为50±5、长宽高比例为3:2:1的长方体框，选取框内样本作为相似样本，构成初始校正集；

(4)判断初始校正集样本性质分布的均匀度，若分布均匀转步骤(5)，否则依据样本性质向初始校正集中添加样本，得到最终校正集；

(5)进行局部建模预测待测样本的性质。

优选的，以均匀度指标p判断样本性质分布的均匀度，步骤如下：

(1)从初始校正集中找出性质的最小值a和最大值b；

(2)将区域[a,b]平均分为n段，计算初始校正集样本落在每一段的比例p_i,i＝[1,n]；

(3)p_min为设定的每段内样本所占比例的最小阈值，若p_i≥p_min，则认为校正集样本分布均匀；若p_i＜p_min，则认为校正集样本分布不均，且该段定义为样本性质稀疏区。

优选的，当初始校正集样本分布不均时，从样本库中查找位于样本性质稀疏区的样本，添加到初始校正集中，直到在任意一段性质分布中都满足p_i≥p_min，得到最终校正集。

所述样本性质包括：研究法辛烷值、马达法辛烷值、抗爆指数、密度、10％蒸发温度、50％蒸发温度以及终馏点。

有益效果：

本发明在油品性质近红外建模过程中，不仅依据样本光谱主成分分析选取相似样本，还综合考虑相似样本的性质分布的均匀性。该方法可以避免因选择的相似样本性质分布严重不均，而导致的局部建模预测精度反而降低的问题。在保证预测精度的同时，有效提高了模型的稳健性。该方法对提升石化领域油品性质检测精度、稳定生产、提高企业效益具有良好的实际应用价值。

附图说明

图1是提高油品性质近红外建模稳健性方法的实施流程图

图2是实施例中92#汽油样本的主成分分布图

具体实施过程

下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施案例。

本案例以92#成品油的马达法辛烷值(MON)检测为例，选取的是某炼化企业在2014年3月11日至2016年12月29日调合的92#成品油。

本案例实施流程如图1所示，具体的实施步骤如下：

(1)测定样本光谱并预处理