一种基于加权吸光度及相似样本的汽油性质检测方法
【技术领域】
[0001] 本发明涉及炼油企业汽油检测，尤其是汽油性质的快速预测，具体是一种基于加 权吸光度及相似样本的汽油性质检测方法。
【背景技术】
[0002] 在炼油加工及汽油调合的过程中，需要分析直馏汽油及成品汽油的多种性质，如 辛烷值、馏程、组成等常规的分析需要多种分析方法来完成，且分析速度慢、操作繁琐、使用 较多的人力财力，不利于炼油及调合过程中的质量控制。而如今随着不断发展的计算机技 术，使在极短时间内分析大量数据得以实现，促进了光谱技术的发展，使油品分析从根本上 脱离了古老繁琐的分析方法，可在短时间内得到成品汽油及各种组分油的大量性质数据， 在工厂炼油加工及汽油调合中起着重要的指导作用。
[0003] 目前在汽油性质分析工业应用中比较成熟且前景较好的方法有NIR，一般用作二 级分析手段，即首先采集已知性质样品的光谱，用化学计量学方法建立校正模型，然后用此 模型预测未知样品光谱对应的性质。这种分析特性使得NIR技术在模型建立完善的情况 下，可以仅通过一次采谱，即可在很短的时间内获得样品的各项性质指标。
[0004] 在实际生产过程中，由于油样的性质是不断波动的，而普通的建模方法预测精度 较差，不能满足实际需要。目前有直接采用样本光谱查找相似样本来进行建模的方法，这种 方法一定程度上提高了模型的预测精度，而本专利在此基础上做了一定的改进，本专利通 过将汽油性质与光谱吸光度相结合方式计算光谱距离，并在已知光谱库中查找待测样本的 临近点，最终建立局部偏最小二乘模型对待测样本进行预测，该方法进一步提高了模型的 预测精度，从而更加满足实际生产的需要。
【发明内容】
[0005] 为进一步提高模型的预测精度，本发明提出了一种基于加权分类的汽油性质检测 方法，计算汽油性质与吸光度的相关系数，将其与吸光度结合得到加权的样本吸光度，并通 过加权吸光度的得分矩阵计算光谱距离进行相似分类挑选建模样本，具有以下过程：
[0006] (1)获取待测样本的近红外光谱；
[0007] (2)对待测样本和光谱库中已知样本的近红外光谱进行常规预处理；
[0008] (3)计算已知样本的吸光度和汽油性质的相关系数R，如下式所示：
[0009]
[0010] 式中，Xi，yi(i= 1，2，…，n)分别为已知样本的吸光度和汽油性质分别为 两个变量Xi，yi的平均值；n为两个变量xi，yi的样本个数；
[0011] (4)将步骤（3)中相关系数R作为权重，通过下式计算得到加权的样本吸光度：
[0012] xiR=R.*xi
[0013] 式中，Xi为已知样本和待测样本的吸光度向量，x11(为样本的加权吸光度；
[0014] (5)采用主成分分析，计算加权吸光度的得分矩阵，选取得分矩阵中第一和第二主 成分得到新得分矩阵；
[0015] (6)利用步骤（5)所得的新得分矩阵计算待测样本与数据库样本的马氏距离，如 下式所示：
[0016]
[0017] 其中Mj是指待测样本与光谱数据库中第j个样本间的马氏距离，t为待测样本新 得分向量，L为光谱数据库中第j个样本的新得分向量，V为样本的协方差矩阵，乘以a表 示为便于比较，将光谱距离扩大a倍；
[0018] (7)选择马氏距离最近的b个相似样本，建立局部模型；
[0019] (8)通过局部模型对待测样本进行预测。
[0020] 优选的实施例中，步骤（6)中，a取值为10。
[0021] 优选的实施例中，步骤（7)中，b取值为15。
[0022] 有益效果：
[0023] 本发明提出了一种基于加权吸光度及相似样本的汽油性质检测方法，在对光谱进 行传统预处理后，通过计算相关系数得到加权了的样本吸光度，再通过主成分分析提取出 承载90%以上光谱特征信息的得分矩阵，计算光谱距离并调出离待测样本最近的一定数量 样本作为建模样本，建立局部偏最小二乘模型，这种方法充分考虑了汽油性质对光谱距离 的影响，有效避免分类不准确的现象，从而进一步提高了模型精度。为炼厂准确测量汽油性 质，及时调整操作参数提供重要保障。
【附图说明】
[0024] 图1研宄法辛烷值相关系数图及加权图。
[0025] 图2密度相关系数图及加权图。
[0026] 图3样本第一和第二主成分分布图。
[0027] 图4是基于加权分类的汽油性质检测方法的步骤。
【具体实施方式】
[0028] 下面结合附图和实施案例对本发明作进一步的说明。
[0029] 下表1中给出92#调合油的研宄法辛烷值和密度性质，其中，以编号92#_1至 92#-53的样本为已知光谱数据库，编号为92#-54的样本为预测样本。
[0030] 表1 92#调合油样本编号及对应研宄法辛烷值和密度
[0031]
[0032] 由表1可知，表中给出92#调合油的两种性质，而通常检测样本的光谱距离并不 考虑样本的性质，这显然是不合适的。如图1和图2,根据已知样本的光谱吸光度和研宄法 辛烷值与密度，分别计算已知样本吸光度与这两种性质的相关系数R，将其作为吸光度的权 重，再将该权重直接与已知样本和待测样本吸光度相结合，即可分别得到两种性质加权吸 光度。图1和图2中均表明，与相关系数R结合以后，原近红外光谱均发生了明显变化，而 这种变化是与各个性质相对应的。
[0033] 经过上步计算各个性质加权的吸光度后，采用MATLAB自带的函数princomp函数 计算原光谱吸光度、研宄法辛烷值加权吸光度、密度加权吸光度的得分矩阵，分别选取第一 主成分和第二主成分，如表2可知，前两个主成分的累积贡献率均达到了 90%以上，因此均 选取前两主成分组成新的得分矩阵。
[0034] 表2得分向量的贡献、贡献率及累积贡献率
[0035]
[0036] 使用新得分矩阵，第一主成分做横坐标，第二主成分做纵坐标，得到样本的分布 图，如图3所示，待测样本为菱形点"?"，已知样本为圆点"鲁"，与原光谱相比，与性质相结 合后，样本点的