一种原油光谱性质的非线性建模方法
【专利摘要】本发明公开了一种原油光谱性质的非线性建模方法，该方法面向炼化企业，以近红外光谱数据库及对应的原油性质数据库为基础，首先采用基线校正、截取和矢量归一化方法对光谱库原油和待测原油进行光谱预处理，然后对所有谱图采用单层小波变换以提取光谱特征，再对光谱库原油进行神经网络训练，最终根据训练结果和待测原油谱图数据进行原油性质的预测。与普通线性建模方法相比，该方法在原油的氮含量和质量收率等性质预测方面，预测精度有明显提高。
【专利说明】
一种原油光谱性质的非线性建模方法
技术领域
[0001] 本发明涉及石油化工领域的原油性质检测方面，具体是一种原油光谱性质的非线 性建模方法。
【背景技术】
[0002] 当前，近红外光谱结合恰当的建模技术，广泛应用于原油以及石油产品性质的快 速检测。这些建模技术，可以大致分为两类，一类是线性建模方法，包括多元线性回归、主成 分回归、偏最小二乘(PLS)等多种;另一类是非线性建模方法，以人工神经网络、支持向量机 等方法为代表。
[0003] 在原油性质检测中，氮含量、质量收率等性质与近红外光谱之间存在着较强的非 线性关系，如果仅采用线性建模方法预测该性质，会导致预测精度不足。鉴于上述原因，考 虑采用非线性建模方法，有望克服非线性因素带来的预测误差，提高原油性质的预测精度。
【发明内容】
[0004] 由于原油部分性质与其近红外光谱之间存在非线性关系，使用单一的线性建模方 法，难以满足炼化企业对原油性质分析准确性的要求。针对该问题，本发明提出了一种原油 光谱性质的非线性建模方法。
[0005] 本发明采用以下的技术方案：
[0006] 本发明基于原油近红外谱图，首先对光谱库原油和待测原油进行光谱预处理，包 括基线校正、截取和矢量归一化，然后再对谱图进行单层小波变换，提取出小波变换后的低 频系数并重构。将处理好的光谱库原油数据作为神经网络输入，每个谱图对应油样的性质 (氮含量或者质量收率)作为网络输出。训练完成后即可对待测原油进行性质预测。
[0007] 优选的，本方法选取6400CHT1和9200CHT1两波数点作为基线校正的两基点。通过下 式计算：
[0008] /i=y.-{kxj +b)
[0009] 式中，Xi为原油在近红外光谱区的波数;kxi+b为过6400CHT1和9200CHT1两点的直线 方程，其中k为该直线斜率，b为该直线截距;yi表示原谱图在波数Xl下的吸光度;i表示基线 校正后谱图在波数 Xl下的吸光度。
[0010] 测试发现，原油近红外谱图在低频与高频区均含有大量噪声。因此，优选的，本方 法截取4000CHT1~4800CHT 1波数段内的谱图来建模。
[0011] 优选的，本方法在对谱图进行矢量归一化时，采用下式计算
[0013]式中，是指第i个样本在波数j下的吸光度;足指第i个样本的吸光度平均值;m是 波数点的个数;xy表示矢量归一化之后的第i个样本在波数j下的吸光度。
[0014]优选的，本发明使用带动量项的反向传播(BP)神经网络算法建立模型。
[0015]为进一步去除光谱噪声，使用一阶Daubechies小波对谱图进行单层离散小波变 换，得到低频系数和高频系数。舍弃高频系数，采用低频系数再重构以去除噪声。重构后的 光谱数据作为BP神经网络的输入。
[0016]优选的，本方法中，BP神经网络的目标函数设置为：
[0018]式中，n为样本库的油样个数;j>,指样本库中第i个样本的性质训练值;yi指样本库 中第i个样本的性质真实值。
[0019]优选的，本方法所预测的性质包括氮含量和质量收率。
[0020]本发明对于最终结果的评价依据均方根误差，即RMSE。均方根误差在工程测量中 被广泛采用，它对一组测量中的特大或特小误差反映非常敏感，因此能够很好地反映出测 量的精度，而且能综合衡量一组观测值同真值之间的偏差。RMSE通过下式计算：
[0022]式中，np为待测原油的个数;矣指第i个待测原油的性质预测值;Xl指第i个待测原 油的性质真实值。RMSE值越小，说明预测的精确度越高，预测效果越好。
[0023] 有益效果：
[0024] 本发明所提供的检测方法基于原油近红外光谱，采用小波变换结合神经网络技 术，实现原油非线性性质的快速检测。与一般的线性建模方法相比，本方法能快速并更加准 确预测原油性质，有助于炼化企业的原油在线调合控制，进而提高企业的经济效益。
【附图说明】
[0025] 图1待测原油性质快速预测过程框图。
[0026] 图 2(a)是待测原油样本 JLPEC_SRS_101210_0000_3 在4000cm-1 ~4800cm-1 波数段 内的近红外光谱谱图。
[0027] 图 2(b)是待测原油样本 JLPEC_SUB_100810_1410_3 在4000cm-1 ~4800cm-1 波数段 内的近红外光谱谱图。
[0028] 图 2(c)是待测原油样本 MPEC02_NAP_140726_0900_140815_1117_3 在4000cm-1 ~ 4800CHT1波数段内的近红外光谱谱图。
[0029] 图 2(d)是待测原油样本 MPEC02_SRA_130801_1200_140326_1321_3 在4000cm-1 ~ 4800CHT1波数段内的近红外光谱谱图。
[0030] 具体实施过程
[0031] 下面结合附图和实施案例，给出详细的计算过程和具体操作流程。实施例中的光 谱库采用国际通用的INTERTEK原油光谱库（采用其他标准原油光谱库也可以达到相同结 果），该光谱库内含近1300种世界各地的原油光谱数据。本实施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例。
[0032] 如图1所示，以氮含量的性质预测为例，具体实施过程如下：
[0033] 1)采集待测原油油样，共4个，经近红外光谱仪扫描，得到待测原油的近红外光谱 图，如图2(a)、2(b)、2(c)、2(d)所示。
[0034] 2)对待测原油以及光谱库原油的谱图进行预处理。
[0035] 3)使用Matlab工具箱中的dwt函数对待测原油以及光谱库原油进行单层小波变 换，得到变换后的低频光谱数据，再使用upcoef?函数对变换后的低频系数进行重构。
[0036] 4)将变换后的光谱库原油数据输入BP神经网络，光谱库原油的氮含量值作为训练 输出。BP网络结构选择单隐层，隐层节点数25,输出节点数1。参数设置如下:迭代最大周期 数100,学习速率0.01，动量因子0.1，训练目标0.08。表1为训练过程中目标函数E的变化情 况。
[0037]表1训练过程中目标函数E的变化情况
[0039] 5)利用训练后的网络权值和阈值矩阵，以及变换后的待测光谱数据计算待测原油 的性质值。表2为待测原油的氮含量性质预测结果。
[0040]表2待测原油的氮含量性质预测结果
[0043]为了对比，将变换后的光谱库光谱数据建立PLS模型，得到拟合系数，利用该拟合 系数，以及变换后的待测原油光谱数据计算待测原油的氮含量。表3为PLS方法下待测原油 的氮含量性质预测结果。
[0044]表3 PLS方法下待测原油的氮含量性质预测结果
[0045]
[0046] 对比表2和表3,可以发现，相比于PLS建模预测的结果，使用本方法预测的原油氮 含量的预测误差均有所降低，预测结果的均方根误差RMSE从0.1171减小到0.0869。
[0047] 本案例也采用同样方法预测了待测原油在200°C~250°C下的质量收率(W_200_ 250)，并与PLS建模结果作了对比。表4为待测原油的W_200-250性质预测结果。
[0048] 表4待测原油的W_200-250性质预测结果
[0050]表5为PLS方法下待测原油的W_200-250性质预测结果。
[00511表5 PLS方法下待测原油的W_200-250性质预测结果
[0054] 对比表4和表5，相比于PLS建模预测的结果，使用本方法预测200 °C~250 °C下的质 量收率的预测误差也有所减小，均方根误差RMSE从1.68减小到1.22。
[0055]以上实施例仅用于说明本发明的技术方案，而非对本发明保护范围的限制，尽管 参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发 明的技术方案进行修改或等同替换，而不脱离本发明技术方案的实质和范围。
【主权项】
1. 一种原油光谱性质的非线性建模方法，其特征在于该方法包括如下步骤： 1) 基于原油近红外光谱图，首先对光谱库原油和待测原油进行光谱预处理，所述光谱 预处理包括基线校正、截取和矢量归一化； 2) 对处理后的谱图进行单层小波变换，提取出小波变换后的低频系数并重构； 3) 将处理好的光谱库原油数据作为神经网络输入，原油的性质作为网络输出，训练完 成后即可对待测原油进行性质预测。2. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于所述基线 校正的两基点选取6400cnfi和9200cnf 1两波数点，基线校正通过下式计算：式中，Xi为原油在近红外光谱区的波数;kxi+b为过谱图中6400cnfi和9200cnfi两波数点 的直线方程，其中k为该直线斜率，b为该直线截距;yi表示原谱图在波数Xi下的吸光度;义表 示基线校正后谱图在波数Xi下的吸光度。3. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于所述的非 线性建模方法截取4000cnfi~4800cnfi内的谱图来建模。4. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于对谱图进 行矢量归一化时，通过下式计算：式中，Xu是指第i个样本在波数j下的吸光度;X指第i个样本的吸光度平均值;m是波数 点的个数;Xi/表示矢量归一化之后的第i个样本在波数j下的吸光度。5. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于本方法使 用一阶化Ubechies小波函数来实现单层小波变换，W提取出小波变换后的低频系数。6. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于该方法使 用带动量项的反向传播神经网络算法建立模型，网络的输出为原油的性质数据。7. 根据权利要求6所述的一种原油光谱性质的非线性建模方法，其特征在于该方法在 采用反向传播神经网络算法计算原油的性质数据时，目标函数E设置为：式中，n为样本库的油样个数;爲指样本库中第i个样本的性质训练值;yi指样本库中第i 个样本的性质真实值。8. 根据权利要求1所述的一种原油光谱性质的非线性建模方法，其特征在于所述原油 的性质数据包括氮含量数据和质量收率数据。
【文档编号】G01N21/359GK105911016SQ201610211481
【公开日】2016年8月31日
【申请日】2016年4月6日
【发明人】陈夕松, 杜眯, 吴沪宁, 梅彬
【申请人】南京富岛信息工程有限公司