一種汽油關鍵性質的快速批量預測方法與流程

2023-08-12 10:42:16

本發明涉及石油化工領域的汽油性質檢測方面，具體是一種基於神經網絡技術的汽油關鍵性質預測方法。

背景技術：

在煉油加工及汽油調合的過程中，需要分析成品汽油的多種性質，如研究法辛烷值(RON)、抗爆指數、餾程等等。快速準確預測汽油性質在煉油加工及汽油調合中起著重要作用。

為提高汽油性質預測的快速性，目前有人在常規偏最小二乘(PLS)基礎上，採用多因變量的PLS進行預測，可以一次批量預測多個性質。然而，這種基於PLS的方法僅對汽油性質中線性度較好的性質預測有較好精度。

在汽油的關鍵性質中，10％蒸發溫度、50％蒸發溫度、終餾點等性質與近紅外光譜之間存在著較強的非線性關係，因此以人工神經網絡為代表的非線性建模方法已開始應用於汽油性質的快速檢測。這種方法一定程度上提高了模型的預測精度，然而該方法建立的模型一般僅用來預測單一的汽油性質。這種單輸出的神經網絡，在預測多個性質時需要建立多個模型，各模型的運行與維護工作十分繁雜，給工程實時應用帶來困難。

技術實現要素：

為解決現有技術存在的問題，本發明提出了一種汽油關鍵性質的快速批量預測方法，該方法首先將光譜庫中汽油樣本進行常規預處理並快速傅立葉變換，然後建立多輸出的BP神經網絡分析模型，最後根據此模型對待測樣本的多個性質進行批量預測。具體包括以下步驟：

(1)基於汽油近紅外光譜圖，首先對光譜庫樣本和待測汽油樣本進行光譜預處理；

(2)將預處理後的光譜數據進行快速傅立葉變換，得到快速傅立葉變換的係數矩陣A；

(3)選取A的前m行作為神經網絡的輸入並配置網絡參數；

(4)預處理後的光譜庫汽油樣本作為訓練樣本，進行神經網絡訓練；

(5)利用訓練好的神經網絡模型對待測樣本的多個性質進行批量預測。

本方法所預測的關鍵性質包括研究法辛烷值、抗爆指數、密度、10％蒸發溫度、50％蒸發溫度以及終餾點。

優選的，光譜預處理包括基線校正、截取和矢量歸一化。

優選的，本方法選取6400cm-1和9200cm-1兩波數點作為基線校正的兩基點。

基線校正通過式(1)計算：

式中，xi為汽油在近紅外光譜區的波數；kxi+b為經過6400cm-1和9200cm-1兩點的直線方程，其中k為該直線斜率，b為該直線截距；yi表示原譜圖在波數xi下的吸光度；表示基線校正後譜圖在波數xi下的吸光度。

優選的，本方法選取4000cm-1～4800cm-1波數段內的譜圖建模。

本方法在對譜圖進行矢量歸一化時，採用式(2)計算：

式中，Xij是指第i個樣本在波數j下的吸光度；指第i個樣本的吸光度平均值；m是波數點的個數；Xij*表示矢量歸一化之後的第i個樣本在波數j下的吸光度。

經過預處理後，汽油近紅外譜圖高頻分量較小，快速傅立葉變換後的係數矩陣A一般在第20個頻率點之後的幅值已經很小，因此本方法選取A的前20行作為神經網絡的輸入，即m＝20。

神經網絡的參數採用如下配置：隱層節點數為30，輸出節點數為6，即待測的汽油關鍵性質的個數，隱層激發函數tansig，輸出層激發函數purelin，訓練函數trainlm，性能函數mse，性能目標值0.05，學習係數0.02。

本發明對於性質j最終結果的評價採用均方根誤差，即RMSEj。均方根誤差在工程測量中被廣泛採用，它對一組測量中的特大或特小誤差反映敏感，能夠很好地反映出測量精度。RMSEj通過式(3)計算：

式中，n為待測汽油的個數；指第i個待測汽油的性質j的預測值；xij指第i個待測汽油的性質j的真實值。RMSEj值越小，說明對性質j預測的精確度越高，預測效果越好。

有益效果：

本發明所提供的檢測方法基於汽油近紅外光譜，採用快速傅立葉變換結合神經網絡技術，實現汽油關鍵性質的批量快速檢測。本發明對譜圖的基線校正、截取以及神經網絡輸入進行了針對性選擇，在減少計算量的同時保證了預測精度。與一般的非線性建模方法相比，本方法能快速、準確預測汽油關鍵性質，有助於煉化企業的汽油在線調合的實時控制，進而提高企業的經濟效益。

結合圖2，為92#成品油的典型近紅外光譜圖，可以發現在6000cm-1～10000cm-1波段內譜圖相對平穩，6400cm-1和9200cm-1兩點的吸光度值較低，因此本方法選取6400cm-1和9200cm-1兩波數點作為基線校正的兩基點，計算量少且精確度高。

由於汽油近紅外譜圖在高頻區含有大量噪聲，低頻區的譜圖信息較少，因此不能把全部近紅外光譜區作為建模波段，需要進行譜圖截取。本方法經過測試發現，4000cm-1～4800cm-1波數段內的譜圖建模效果最好。

附圖說明

圖1為汽油性質快速批量預測過程框圖

圖2為92#成品油的典型近紅外光譜圖

具體實施方式

下面結合附圖和實施案例對本發明作進一步說明。

本發明以某92#成品油為例，介紹基於神經網絡技術的汽油關鍵性質預測方法。表1為某92#成品油所有樣本的編號及其對應的性質。

表1 某92#成品油樣本編號及對應的性質

在表1中，編號92#-1～99的樣本為樣本庫樣本，編號92#-100～108的樣本為待測樣本。對所有汽油樣本的近紅外光譜數據進行常規預處理後，採用Matlab函數fft完成快速傅立葉變換，得到變換係數矩陣A。對矩陣A取模後得到近紅外光譜圖在各頻率點下的幅值，截取前20行。表2給出了部分樣本(92#-1～8)的係數幅值。

表2部分92#成品油樣本的快速傅立葉變換係數的幅值

利用Matlab神經網絡工具箱完成多輸出BP網絡的訓練，首先配置網絡參數：隱層節點數30，輸出節點數6，隱層激發函數tansig，輸出層激發函數purelin，訓練函數trainlm，性能函數mse，性能目標值0.05，學習係數0.02。然後將編號為92#-1～99的汽油樣本的係數矩陣A的前20行作為網絡輸入，進行BP網絡訓練。

訓練完成後，將編號為92#-100～109的汽油樣本係數矩陣的前20行作為網絡輸入，進行BP網絡的預測，92#-100～109的預測結果如表3所示。

表3 92#成品油待測樣本性質的預測結果

表4為92#成品油待測樣本性質的均方根誤差。

表4 92#成品油待測樣本的預測誤差

為了對比，進行了常規神經網絡預測汽油單個性質的測試實驗，測試結果如表5所示。

表5 神經網絡預測單個性質的實驗結果

對比表4和表5可以發現，除10％蒸發溫度等個別性質外，本方法預測的研究法辛烷值、抗爆指數等性質的均方根誤差均優於常規的神經網絡預測方法。這表明，本方法對於汽油關鍵性質的預測效果較好，且能批量預測，實時性更優。