一种汽油性质数据的快速测定方法
【专利摘要】本发明提出了一种汽油性质数据的快速测定方法，在对汽油样本的近红外光谱进行常规预处理后，通过小波变换分别得到光谱数据的近似小波变换系数行向量A和细节小波变换系数行向量D，再计算近似小波变换系数的累计占比率。当n个近似系数的累计占比率达到70％以上时，选取近似小波变换系数行向量A中的前n个系数重构信息数据，然后建立偏最小二乘模型，并对待测样本进行预测。该方法不仅有效提取了汽油光谱的特征信息，而且在基本不牺牲系统总体预测精度的条件下，减少了建模过程中的数据处理量，降低了计算负荷，提高了汽油在线检测的实时性。
【专利说明】
一种汽油性质数据的快速测定方法
技术领域
[0001] 本发明涉及石油化工领域的原油性质检测，尤其是一种利用待测汽油样本的近红 外光谱图的特征参数预测汽油性质。
【背景技术】
[0002] 在炼化企业的汽油调合过程中，为取得更好的经济效益和社会效益，企业对测定 汽油性质的要求也越来越高。
[0003] 目前，近红外光谱分析方法已广泛应用于汽油性质分析中，同传统的实验室汽油 性质检测方法相比，该方法具有分析速度快、精度高和耗费少等优点，使原本复杂繁琐的分 析过程变得简单高效，即通过分析汽油样本的近红外谱图，在较短时间内可以得到汽油的 大量性质数据。
[0004] 目前的实际应用中，普遍采用近红外光谱技术结合主成分回归、偏最小二乘(PLS) 回归等方法建立数学模型，再基于该模型实现对汽油性质的快速测定。前期我们提出过"一 种基于相似判别的辛烷值检测方法"（发明专利受理号:201510355734.6)，与普通预测方法 相比，该方法的预测精度有所提高。但应用中发现，随着样本量的增大，其运算过程中存在 计算量增加、耗时较长的问题，给实际工程应用的实时性带来了挑战。
【发明内容】
[0005] 为了降低工程应用中的计算负荷，进一步提高系统的预测实时性，本专利提出了 一种汽油性质数据的快速测定方法。该方法以普通的PLS建模为基础，在已知的近红外光谱 库中查找与待测汽油样本类型相同的光谱，然后通过小波变换(Wavelet Transform)处理 并取近似小波变换系数的部分系数重构信息数据，再用该数据建立PLS模型，最后使用建好 的小波变换-偏最小二乘(Wavelet-PLS)模型对待测样本进行预测，具有以下步骤：
[0006] (1)获取待测汽油样本的近红外光谱；
[0007] (2)对待测汽油样本和光谱库中汽油样本的光谱进行常规预处理；
[0008] (3)将预处理后的光谱数据进行小波变换处理，得到光谱数据的近似小波变换系 数行向量A和细节小波变换系数行向量D;
[0009] (4)取近似小波变换系数行向量A，并计算近似小波变换系数的累计占比率，当η个 系数的累计占比率达到70%以上时，记下此时的近似小波变换系数的个数η;
[0010] (5)基于步骤(4)确定的η的值，取步骤(3)处理后的近似小波变换系数行向量A的 前η个系数重构得到2η个信息数据点，然后用该数据建立偏最小二乘模型；
[0011] (6)通过步骤(5)建好的模型对待测样本进行预测。
[0012] 本方案中，取近似小波变换系数行向量A的前η个系数进行重构信息数据时，变量η 的确定在于:η个近似小波变换系数的累计占比率达到70%以上时，记下此时的η。
[0013] 优选的，步骤(2)所述的预处理方法采用矢量归一和基线校正。
[0014]优选的，小波变换采用Haar小波。
[0015] 优选的，所述汽油性质的快速测定方法用于检测研究法辛烷值。
[0016] 选取累计占比率为70%及以上的η个近似小波变换系数重构信息数据，这是因为 一般用前2η个近似信息的数据中已含有70%及以上的光谱有效特征信息，这样有效提取特 征信息的同时也消除了众多共存信息相互重叠的影响，降低了数据的冗余率。
[0017] 有益效果：
[0018] 本发明提出了一种汽油性质数据的快速测定方法，根据汽油样本的近红外光谱数 据，通过小波变换处理并取近似小波变换系数的部分系数重构信息数据，建立PLS模型对待 测样本进行预测。这种方法不仅有效提取了汽油光谱的特征信息，而且在基本不牺牲系统 总体预测精度的条件下，减少了建模过程中的数据处理量，降低了计算负荷，提高了检测的 实时性。
【附图说明】
[0019] 图1汽油性质数据的快速测定方法的实施流程图
【具体实施方式】
[0020] 下面结合附图和实施案例对本发明作进一步的说明。
[0021] 本发明以某95#成品油为例，介绍基于小波变换的汽油性质数据的快速测定方法， 其中汽油性质数据以RON为例。表1为某95#成品油所有样本的编号及其对应的R0N。
[0022] 表1某95#成品油样本编号及对应的RON
[0025] 在表1中，编号95#-1~71的样本为建模样本，编号95#-72~81的样本为校正样本。 对汽油样本近红外光谱数据进行常规预处理后，通过小波变换得到近似小波变换系数行向 量A，并计算前η个近似小波变换系数的累计占比率，如表2所示。本实施例中，小波变换采用 Haar小波变化吗，预处理方法采用矢量归一和基线校正。
[0026] 表2某95#成品油样本光谱数据的近似小波变换系数累计占比率
[0028]由表2可知，45个近似小波变换系数的累计占比率即可达到70%以上，即近似信息 的前90个信息数据点的累积贡献率为70%以上;60个近似小波变换系数的累计占比率接近 90%，即近似信息的前120个信息数据点的累积贡献率在90%左右。
[0029] 在实施案例中，本发明做了两种Wavelet-PLS模型试验，其中，在Wavelet-PLS模型 1试验中，取近似小波变换系数行向量A中的前45个系数重构得到90个信息数据点来建立模 型；在Wavelet-PLS模型2试验中，取近似小波变换系数行向量A中的前60个系数重构得到 120个信息数据点来建立模型。为分析比较，继续采用相同的71个建模样本的近红外光谱， 经过常规预处理后建立普通PLS模型。三个试验的详细预测结果如表3所示。其中绝对偏差 是指RON的实际值与预测值的差值的绝对值。
[0030] 表3 PLS模型与Wavelet-PLS模型的预测结果比较
[0032] 经计算，普通PLS模型、Wavelet-PLS模型1和Wavelet-PLS模型2的总体标准偏差分 别为0.293，0.240，0.285。分析表3中的数据，比较Wavelet-PLS模型1与普通PLS模型的试验 结果，可知10个待测样本中，5个样本的绝对偏差有所增大，而其余5个样本的绝对偏差减小 或者保持不变，且Wavelet-PLS模型1的总体标准偏差相对减小了0.53,说明了该方法的总 体预测精度有所提高。
[0033] 根据已知汽油样本的近红外光谱，计算光谱数据的小波变换系数，并取近似小波 变换系数行向量A中的前45个系数重构得到90个信息数据点，而原始光谱数据中包含208个 数据点，经过部分小波变换系数重构处理后，可减少一半以上的数据处理量。在相同试验条 件下，使用同一台电脑进行测试仿真，发现对于同一个待测样本，使用普通PLS模型的预测 时间为4.1秒，而使用Wavelet-PLS模型的预测时间为3.8秒，可见，本发明提出的方法降低 了计算负荷，这有助于提升汽油在线调合的实时性。
[0034] 通过比较Wavelet-PLS模型l、Wavelet_PLS模型2与普通PLS模型的试验结果，可知 相对普通PLS模型来说，Wave Iet-PLS模型的总体标准偏差较小一些，同时也说明了 Wavelet-PLS模型在基本不牺牲总体预测精度的条件下，提高了预测的实时性，对工程运行 至关重要。
【主权项】
1. 一种汽油性质数据的快速测定方法，其特征在于具有以下步骤： (1) 获取待测汽油样本的近红外光谱； (2) 对待测汽油样本和光谱库中汽油样本的光谱进行常规预处理； (3) 将预处理后的光谱数据进行小波变换处理，得到光谱数据的近似小波变换系数行 向量A和细节小波变换系数行向量D; (4) 取近似小波变换系数行向量A，并计算近似小波变换系数的累计占比率，当η个系数 的累计占比率达到70%以上时，记下此时的近似小波变换系数的个数η; (5) 基于步骤(4)确定的η的值，取步骤(3)处理后的近似小波变换系数行向量A的前η个 系数重构得到2η个信息数据点，然后用该数据建立偏最小二乘模型； (6) 通过步骤(5)建好的模型对待测样本进行预测。2. 根据权利要求1所述的一种汽油性质数据的快速测定方法，其特征在于步骤(2)所述 的预处理方法采用矢量归一和基线校正。3. 根据权利要求1所述的一种汽油性质数据的快速测定方法，其特征在于小波变换采 用Haar小波。4. 根据权利要求1所述的一种汽油性质数据的快速测定方法，其特征在于所述汽油性 质的快速测定方法用于检测研究法辛烷值。
【文档编号】G01N21/359GK105891141SQ201610192727
【公开日】2016年8月24日
【申请日】2016年3月30日
【发明人】陈夕松, 姜胜男, 杜眯, 费树岷, 胡云云, 宋玲政
【申请人】南京富岛信息工程有限公司