一种由近红外光谱预测脱硫胺液中硫化氢含量的方法
【技术领域】
[0001] 本发明为一种由光谱预测脱硫胺液中硫化氢含量的方法，具体地说，是一种由近 红外光谱预测脱硫胺液中硫化氢含量的方法。
【背景技术】
[0002] 随着炼油技术的发展，炼厂气和石油产品的脱硫已成为炼化企业的重点和关键之 一。由于渣油掺炼比的不断增大，炼厂气的硫含量迅速升高，绝大多数炼油厂都采用脱硫效 果较好的胺法脱硫化氢（H2S)工艺。该工艺中的脱硫胺液分为贫液和富液，其中的硫化氢 含量是决定脱硫效果的关键因素，因此需要严格的控制和检定。
[0003]脱硫胺液中含有脱硫剂（如甲基二乙醇胺）、水、硫化氢、油类物质等组分，样品 颜色较深，有一定粘度并伴有恶臭。目前通用的脱硫胺液中硫化氢含量的分析方法为碘量 法，该方法步骤繁琐，干扰因素较多，需要进行两次滴定，极易造成人为误差，降低分析重复 性和准确性；并且由于分析时间较长，分析人员需要长期处于难闻气味中，对身体毒害也较 大。
[0004]近红外光谱分析方法具有快速、高效、自动化程度高的特点，已被广泛用于各种浓 度分析场合，其中就有利用近红外光谱分析气体中硫化氢含量的应用，不过目前还没有直 接使用该方法进行脱硫液中硫化氢含量的分析应用。
【发明内容】
[0005]本发明的目的是提供一种由近红外光谱预测脱硫胺液中硫化氢含量的方法，该法 可由近红外光谱预测脱硫胺液中的硫化氢含量，操作简单、分析速度快、预测准确，并能有 效改善分析操作的环境。
[0006]本发明提供的由近红外光谱预测脱硫胺液中硫化氢含量的方法，包括如下步骤：
[0007] (1)收集不同浓度的有代表性的脱硫胺液样品，用标准方法测定样品的硫化氢含 量，
[0008] (2)测定⑴步收集样品的近红外光谱，取4000~6000cm 1的光谱区间为特征谱 区，对特征谱区的谱图进行二阶微分处理，将其吸光度与标准方法测定的样品的硫化氢含 量相关联，进行回归分析，建立校正模型，
[0009] (3)测定待测样品的近红外光谱，取4000~6000cm 1的光谱区间为特征谱区，对 特征谱区的谱图进行二阶微分处理，将特征谱区的吸光度代入校正模型，得到待测样品的 硫化氢含量。
[0010] 本发明方法将样品近红外光谱特征谱区的吸光度与用标准方法测定的样品的硫 化氢含量相关联，通过多元回归分析建立校正模型，再通过校正模型，由待测样品在特征谱 区的吸光度预测待测样品的硫化氢含量。该方法操作简单、分析速度快、能极大地改善分析 操作环境，提高分析效率。
【附图说明】
[0011] 图1为典型脱硫胺液的近红外光谱。
[0012] 图2为本发明方法验证集样品的硫化氢含量的近红外光谱预测值与标准方法实 测值的相关图。
【具体实施方式】
[0013] 本发明方法收集不同浓度的有代表性的脱硫胺液样品，用标准方法测定其硫化氢 含量，再测定其近红外光谱。取脱硫胺液样品近红外光谱波数为4000~6000cm 1的区间为 特征谱区，将该谱区的谱图进行二阶微分处理，再将特征谱区的吸光度与样品用标准方法 测定的硫化氢含量相关联，建立校正模型，再按与建立校正模型相同的条件测定待测样品 的近红外光谱，进行相同的谱图处理，由特征谱区的吸光度，通过校正模型预测待测样品的 硫含量。
[0014] 本发明方法（1)步为收集不同浓度的有代表性的脱硫胺液样品，用标准方法测定 其硫化氢含量，以用于建立校正模型。
[0015] (1)步收集的脱硫胺液样品的数量不少于30,优选样品中硫化氢在可能出现的范 围内分布均匀。优选的样品数量为50~600、更优选100~500。
[0016] (1)步收集的脱硫胺液包括脱硫如的贫液和脱硫后的富液，富液为贫液吸收硫化 氢后所得的脱硫胺液。收集的样品的硫化氢含量分布范围优选为〇. 1~45g/L。
[0017] 本发明方法（2)步为用收集的有代表性的脱硫胺液样品的近红外光谱特征谱区 的吸光度与标准测定法测得的硫化氢含量相关联，建立校正模型。
[0018] (2)步测定样品的近红外光谱时，优选将装样品的比色皿密封，优选使样品注入量 达到比色皿容积的三分之二，并保证每次测定样品的温度相同。
[0019] (2)步测定样品近红外光谱的温度优选20~38°C。
[0020] (2)步对特征谱区的谱图进行二阶微分后，为降低或消除与光谱数据无关的信息 和噪声的影响，优选对二阶微分处理后的吸光度再进行矢量归一化和均值中心化处理。
[0021] (2)步采用回归分析法将收集样品的近红外光谱特征谱区经二阶微分处理，优选 再经矢量归一化和均值中心化处理的吸光度与标准方法测定的硫含量相关联建立校正模 型。
[0022] 建立校正模型采用的多元回归分析可为偏最小二乘法（PLS)、最小二乘法（CLS)、 逆最小二乘法（ILS)、主成分回归（PCR)或稳健偏最小二乘法（RPLS)。优选偏最小二乘法 (PLS)。
[0023] 下面介绍用偏最小二乘法建立校正模型的过程：
[0024] 当采用PLS方法建立校正模型时，其建模根据为比耳-朗白定律：
[0025] Y=XB+E,
[0026] 式中，
[0027] Y-由m个试样，n个波长点数组成的（mXn)吸光度矩阵；
[0028] X-由m个试样，1个组分组成的（mX1)浓度矢量；
[0029] B- 1个组分，n个波长点数组成的（1Xn)灵敏度矢量；
[0030] E-mXn吸光度的残差矩阵。
[0031] 所述的波长点数为光谱仪在设定光谱区间内所记录的信息个数。
[0032] 建立校正模型的一般算法如下：
[0033] 1、对吸光度矩阵Y(特征谱区吸光度经二阶微分处理后所得）和浓度矢量X的各 元素进行均值中心化处理，即所有数据减去其对应数据组（列向量）的平均值；然后进行矢 量归一化处理，即各矢量分量除以矢量的所有分量的总和。
[0034] 2、归一后的吸光度矩阵Y和浓度矢量X进行主成分分解：
[0035] P)
[0036] (2)
[0037] 其中：
[0038] tk(mX1) -为吸光度矩阵的因子得分，y-score;
[0039] vk(lXn)-为吸光度矩阵的因子载荷，y-loading;
[0040] rk(mX1)-为浓度矢量的因子得分，x-score;
[0041] qk(lXl)-是一个数，浓度矢量的因子载荷，x-loading;
[0042] p-主因子数。
[0043] EY-吸光度矩阵残差
[0044] Ex-浓度矢量残差
[0045] 为了保证由Y得出的T能与X得出的R之间有良好的线形关系，可以在Y分解为 T时引入有关R的信息，或者在X分解为R时引入T的信息，这可通过在迭代时交换迭代变 量达到，即将上述两个分解过程合二为一，即有：
[0046] rk =bktk (3)
[0047] bk(lXl)-4和tk的回归系数
[0048] 3、求解特征矢量及主因子数p
[0049] 忽略残差阵E，根据式（1)及（2)，p= 1时有：
[0050] Y=tv1
[0051] 左乘t1 得V=tl/Vt
[0052] 右乘v得：t=Yv/Vv
[0053] X=rq
[0054] 左乘f得：q=fX/Vr，两边同除q得：r=X/q
[0055] [1]求吸光度矩阵的权重向量w，
[0056] 取浓度阵X的某一列作r的起始迭代值，以r代替t，计算w方程：Y=rw1的解为： t=Yw/wV
[0057] [2]
[0058] [3]求吸光度矩阵的因子得分t，由归一化后w计算t
[0059] 方程：Y