专利名称：用于预测碳氢化合物产品物理性能数据的方法
技术领域：
本发明涉及一种方法，它用神经系统网络的手段通过碳氢化合物产品的近红外线((N.)J.R.)光谱与上述所说的物理性能之相互关系来预测碳氢化合物产品的物理性能数据。这样的物理性能包括辛烷值，蒸气压力，十六烷值，密度及类似等等。特别的，中红外线(3—4μm)用于十六烷点火改进剂(improver)的浓度预测。
象在本领域中受过训练的人所已知的那样，有机化合物在红外线区(约1到约300μm)具有独特的光谱纹印(fingerprint)。
最近市场对碳氢化合物产品如散装燃料(bulkfwels)的趋向是把更多的责任放在产品的质量及工作特性上。整个销售战役被指挥到去说服顾客一种燃料显著地比另一种工作得好，而且期望这种原则继续下去。这样一种方式需要完全的质量维持，从精炼到混合，最后到传递给顾客。通过使用质量监测仪器来测量燃料的工作特性，这种要求可得到最好的满足。
此刻，在离开精炼厂之后，对燃料所做的看其是否仍在技术规范之内的检测可以被改进在汽油的场合只用手工来检测透明度，气味并记下其密度。考虑到现代高级汽油的高复合特性，这是不够的。实际上测量燃料特性指标的质量监测仪器成套设备将是优势的，这样对燃料的降级，与其它燃料的交叉污染及燃料成分的变化能够测出并在分配链上准确定位。这不只保证顾客准确接收所打算要的燃料，而且可以发现及寻址沿分配链所发生的问题。汽油的最重要的性能测试就是辛烷值(O、N)，现在通过标准发动机在精炼厂的实验室来进行这种测量。这种发动机是要安装设备的一个很贵的部分，需要经常维护及校准，并需要受过较高训练的人员来操作及分析结果。劳动力及经费限制沿销售链安装这样的发动机，因而需发现较便宜的替代物来测量辛烷值。柴油类似的性能测量是十六烷值，这是反映柴油点火性能的品质。对于十六烷值测量发动机必须存在。
参考燃料的使用与用于马达汽油辛烷值的确定的方式相同。这些参考燃料是n—十六烷及α—甲基萘。点火性能被表示为十六烷值，它是在一与α—甲基萘混合物中十六烷所占体积百分比，这个混合物的点火特性与用于试验的发动机中的燃料点火性能相一致。在实际中，几乎不使用十六烷发动机，十六烷通常作为十六烷指数从其测量值如密度及蒸馏中计算。然而十六烷指数对于未来的柴油燃料可能是不适当的，需要十六烷值的替代测量值。
已提出用神经系统网络在原则上确定不含铅汽油的作为近红外线(N.I.R)光谱的函数的辛烷值。
然而，碳氢化合物产品如汽油的辛烷值从其近红外光谱的预测是易于改进的，因而本发明的一个目标是提供一种方法用于未知汽油(不仅含铅的而且不含铅的)辛烷值精确测定，这里混合产物的辛烷值及具有广阔的辛烷值范围的程序流线(process streams)的辛烷值可以被预测。对于碳氢化合物产品的其它物理性能如蒸汽压力、密度及十六烷值的预测的改进，类似的需要是存在的。
此外，已提出确定作为近红外线(N.I.R)光谱的函数(参见e.g.Ep-A-0，304，232)的汽油的十六烷值。
然而，直到现在不能从其红外光谱中确定汽油的十六烷值。
因而，本发明提供一种用于数据处理及神经系统网络的最优化的方法，沿神经系统网络用于从所测量的(近)红外线光谱吸收中确定碳氢化合物的物理性能数据，其特征在于以下步骤(a)测量从宽范围来源中而来的一大组碳氢化合物产品样品的(近)红外线光谱；(b)选择(近)红外线光谱的谐波谐函数范围，因而被获得；(c)在每一(近)红外线光谱中选择数个不连续波长，将数个所说波长转换成吸收数据并用所说吸收数据作为神经系统网络的输入；(d)通过重复出现输入及已知输出即碳氢化合物产物的(近)红外线数据及其相关物理性能数据，在整个数据组上训练神经系统网络，来获知二者之间的关系，并对照着由用于训练数据的标准方法所测量的实际相关物理性能数据来监测其预测的执行，因而使吸收值与所说相关物理性能相关连；(e)产生一组在步骤(d)的学习期间之后所调整的网络的相互联系的加权值及偏差值；年(f)用神经系统网络运算，将这些被调整的值施加到(近)红外光谱，光谱是在同样条件来取得的用于未知物理性能数据的碳氢化合物产品。
应用0.78—30μm波长是具有优势的。更具有优势的是近红外线(0.7—3μm)波长的使用。
本发明现在将参照附图
通过例子来得到更详细的描述，在这里图形示意性地表示了由本发明方法所应用的具有优势的神经系统网络。
本发明基于碳氢化合物产品的物理性能如辛烷值，蒸汽压力，密度及类似性能与近红外光谱之间相互关系的原理。这个原理本身已知(参见例EP—A—0，304，232及EP—A—0，285，251)并且将不再详细描述。此外，应用一神经系统网络。象这样的神经系统网络的一般理论及一般操作对本领域中受过训练的人来说是已知的，因而将不再详细描述。
一般来说，神经系统网络可被定义为一个系统，这里，在学习期间寻找输入与输出变量间的相互关系。在这个学习期间在足够的例子被提供之后，神经系统网络对任意输入可产生相关的输出。神经系统网络已发现例如用于模式(pattern)识别问题的应用。
象那些在本领域中受过训练的人将了解到的那样，神经系统网络由处理单元(processing elements)层构成(类似于人脑的神经细胞，每个单元被称重并连到其它层的单元上(类似于人脑的突触)。神经系统网络通过调整单元间的重量来学习模式同时用精确鉴定的数据来受到训练。
根据具有优势的学习算法，训练误差及实际与预测结果之间的不同通过网络向后传播到隐含的层，这些层从训练模式中不接收反馈。在误差发生的方向上以几个小步骤调节相互联系的加权，以减少误差并用训练数据再次通过。这一过程发生许多次直到误差达到可接收水平，这通常是初始测量的可重复性。
下面，特别参照汽油的辛烷值的预测来描述本发明，但对那些在本领域中受过训练的人应该认识到本发明并不局限于此，也应用于蒸气压力、密度、十六烷值及类似等等的预测。
根据本发明，测量从广泛的来源中而来的一大组汽油样品(具有优势地最少100)的(近)红外光谱，覆盖不同的未加工原料及中间提炼过程。这种多样性是重要的，因为这确定了任何接下来使用的预测工具的一般性和可应用性。具有优势的是选择(近)红外光谱的第二谐波谐函数区域。这个区域覆盖900—1300nm(波长)并且之所以被选择是因为在这个区域中从测量而来的或获得信息与成分仪器测量(component instrumentation)的稳定性与敏感性之间可获得最好的平衡。
数个不连续波长被转化到吸收数据，它被用作向神经系统网络的输入。以下列步骤对应于训练组汽油的光谱组做数据分析；1.产生这个组的平均光谱并计算出每一个个别光谱平均之间的差。
2.平均光谱是在5000数据点的数量级，所以一组100个汽油的分析问题非常困难。要求一种技术允许数据减少到一易于处理的问题变量数目。
3.在神经系统网络技术的场合，数据的减少是通过所测波长数目中的实际减少而完成的。数据减少是以下列方式进行的；在汽油的训练组上使用多元变量统计技术如主要成分分析(PrincipalComponent Analysis)，来产生一“特性光谱”，它表示了每一个光谱数据点对与辛烷值相互关系的相对重要性，然后将光谱测量简化到不连续波长，典型的是总计5到10之间。这个吸收值用作向神经系统网络的输入。
具有优势的是对于那些不包含酒精但可包含充氧化物(oxy-genates)如MTBE的燃料所选波长数目是5，如果对含酒精的燃料则是6。具有优势的是对于十六烷值测量，除了监测十六烷点火改进剂添加的浓度外选择6—7μm的波长。
这些波长之一具有优势地作用传输参考任何仪器漂移来校正。
余下的波长由这个参照所校正，被转换成吸收数据。这可以用对数来做，这个数据可在预定界限内对每个波长来数学换算。即，对或是燃料或更适当地是工艺流线所期望的整套值被用来在每个波长上提供可接受的吸收范围，对照这套值对要测试的燃料做换算。
由输入和已知输出即汽油及其辛烷值的红外数据的重复出现，在完全数据组上神经系统网络被训练学习这二者之间的关系而且对照由标准发动机方法所测的实际辛烷值来监测其预测的进行。
一旦神经系统网络已学习这种联系，数据组将分离成另一训练组及一确认组，该组将不用于“学习”状态。
具有优势的是如图所示，这个所使用的网络具有一三层结构，例如由一层的4个输入结点(node)，第二层在输入A及输出B之间的2个隐含结点，以及第三层的一个输出结点。这被称做(4，2，1)网络。光谱数据作为输入A提供到输入结点，这里产品质量信息B是输出。
象在本领域中受到过训练的人所知道的那样，结点拥有一定的相互联系加权并且可以被偏离。
网络的加权及偏差可以被储存并被用来分析由所测红外吸收构成的输入数据并使模式与汽油辛烷值相关连。因而，对使用网络算法来描述从(近)红外数据来的辛烷值的预测，已被训练并对照确认组成功测试的重要参数是结点与在隐含结点上的偏离间的相互联系加权及输出结点。
对于未来燃料样品的辛烷值分析；这些可以被询问然后以网络算法来执行。
对于多个输出，对每个输出进行神经系统网络算法。在微处理机芯片上用软件编码来进行，因而对网络参数中的任何变化都是灵活的，这些参数可容易地再设定程序。
除了不含铅的马达汽油，仪器可对含铅燃料产生结果，只要已知含铅量。可在所预测的辛烷值上加上一简单的数字校正。
神经系统网络也可具有优势地用于提供从中间工艺流线如催化裂化，重整产品，异构产品，烷化物中来的样品的辛烷值。用在从工艺流线中来的样品上训练过的单个神经系统网络可获得这些。
那些在本领域中受过训练的人应认识到所用网络结构在每层出现的结点的精确数目上可变化，甚至实际层数也可变化。具有优势地是已用2到5层。
根据本发明具有优势的是输入层的结点数目在3—10的范围，隐含层的结点数目范围在1—10，输出层的结点数目范围在1—3。特别是可使用(3，5，1)(6，6，3)及(6，6，6，3)网络。
从前面描述及附图中对本领域中受过训练的人来说本发明的各种修改是显然的。这样的修改被规定落在所附加权利说明书的范围内。
权利要求
1.一种方法用于数据处理以及用于从已测量的(近)红外光谱吸收中确定碳氢化合物产品的物理性能数据的神经系统网络之最优化，其特征为如下步骤a)测量从一宽范围来源中选出的大组碳氢化合物产品的(近)红外光谱；b)选择(近)红外光谱的谐波(谐波的)范围，然后被获得；c)在每一(近)红外光谱中选择一定数目的不连续波长，将一定数目的所说波长转换成吸收数据，用所说吸收数据作为向神经系统网络的输入，d)通过重复出现输入及已知输出即用于碳氢化合物产品(近)红外数据及其相关物理性能数据在整个数据组上训练神经系统网络，以便学习这二者之间的关系，并对照由用于训练数据的标准方法所测量的实际相关物理性能数据，监测其预测的执行，这样使吸收值与所说相关物理性能相关连；e)产生一系列在步骤d)的学习期之后所调整的网络的相关加权及偏离；且f)用网络算法将这些调整值用于(近)红外光谱，这个光谱是在同样条件下取得的用于未知物理性能数据的碳氢化合物产品。
2.如权利要求1所要求的方法，其特征在于光谱范围是0.70—30μm波长。
3.如权利要求1或2所要求的方法，其特征在于谐波(谐波的)范围是第二谐波(谐波的)范围。
4.如权利要求2或3所要求的方法，其特征在于(近)红外光谱范围覆盖900—1300nm(波长)。
5.如权利要求1—4的任何一个所要求的方法，其特征在于所选不连续波长的数目对于不含酒精的燃料如充氧化物或不含十六烷点火添加物的燃料是5。
6.如权利要求1—4的任何一个所要求的方法，其特征在于所选不连续波长的数目对于含酒精的燃料如充氧化物或含十六烷点火改进剂添加剂的燃料是6。
7.如权利要求1—6的任何一个所要求的方法，其特征在于神经系统网络层的数目是2到5。
8.如权利要求1—7的任何一个所要求的方法，其特征在于所应用的神经系统网络具有三层或四层结构。
9.如权利要求8所要求的方法，其特征在于输入层的结点数目是从3到10，隐含层的结点数目是从1到10，输出层的结点数目是从1到3。
10.如权利要求8或9所要求的方法，其特征在于网络由4个输入结点，2个隐含结点及一个输出结点((4，2，1)网络)。
11.如权利要求8或9所要求的方法，其特征在于网络是(3，5，1)网络。
12.如权利要求8或9所要求的方法，其特征在于网络是(6，6，3)网络。
13.如权利要求8或9所要求的方法，其特征在于网络是(6，6，6，3)网络。
14.如权利要求1—13的任何一个所要求的方法，其特征在于物理性能是十六烷值或辛烷值。
15.如权利要求1—13的任何一个所要求的方法，其特征在于物理性能是蒸汽压力。
16.如权利要求1—13的任何一个所要求的方法，其特征在于其物理性能是密度。
17.如权利要求1—16所要求的方法，其特征在于碳氢化合物是汽油或柴油。
全文摘要
一种方法，用于测量数据及从已测量(近)红外光谱吸收来确定碳氢化合物产品物理性能数据的神经系统网络的最优化，其特征在于以下步骤a)测定范围大组碳氢化合物产品样品的红外光谱；b)选择谐波范围；c)将一定数目的所说波长转换成吸收数据向神经系统网络的输入；d)训练神经系统网络，使吸收值与相关物理性能相关连；e)产生网络的交互加权及偏差值，f)应用神经系统网络算法将所调节值施于(近)红外光谱。
文档编号G01N33/28GK1116878SQ94191022
公开日1996年2月14日 申请日期1994年1月26日 优先权日1993年1月28日
发明者安德鲁·博伊德, 约翰·米切尔·托尔查德 申请人:国际壳牌研究有限公司