CN115248193A - 催化重整工艺生成油的在线多通道测量方法 - Google Patents
催化重整工艺生成油的在线多通道测量方法 Download PDFInfo
- Publication number
- CN115248193A CN115248193A CN202110456527.5A CN202110456527A CN115248193A CN 115248193 A CN115248193 A CN 115248193A CN 202110456527 A CN202110456527 A CN 202110456527A CN 115248193 A CN115248193 A CN 115248193A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- cosine
- samples
- catalytic reforming
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000001833 catalytic reforming Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 174
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000691 measurement method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 239000000523 sample Substances 0.000 claims description 149
- 239000013598 vector Substances 0.000 claims description 61
- 238000012937 correction Methods 0.000 claims description 44
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000000203 mixture Substances 0.000 claims description 22
- 230000003287 optical effect Effects 0.000 claims description 21
- 239000013307 optical fiber Substances 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 20
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims description 19
- 238000010200 validation analysis Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000000862 absorption spectrum Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 125000003118 aryl group Chemical group 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002407 reforming Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000010986 on-line near-infrared spectroscopy Methods 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 8
- 239000012468 concentrated sample Substances 0.000 claims description 6
- 238000010561 standard procedure Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000002835 absorbance Methods 0.000 claims description 4
- 229910052736 halogen Inorganic materials 0.000 claims description 4
- 150000002367 halogens Chemical class 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009365 direct transmission Effects 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001372564 Piona Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N21/03—Cuvette constructions
- G01N21/031—Multipass arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明为一种催化重整工艺生成油的在线多通道测量方法，本方法包括催化重整工艺生成油样品集建立、光谱预处理、可直接传递多元校正模型建立等步骤，通过将吸光度光谱转化为余弦谱的光谱标准化方法进行模型传递，只需利用一个产品通道上采集的光谱建立的模型就可直接应用于其他通道，实现了催化重整工艺生成油组成和性质在线多通道测量。该方法所用模型传递方法与现有方法相比，不需要通过一组标样集建立不同通道间的数学关系，不需要利用所有通道的光谱建立混合模型便可进行模型传递，实现多个通道同时在线测量，工作量小，易于推广。该方法也可用于不同仪器间的模型传递，有利于近红外光谱分析技术的推广应用。
Description
技术领域
本发明涉及一种光谱在线分析方法，尤其是涉及一种基于角谱转化的可直接模型传递方法的催化重整工艺生成油组成和性质在线多通道测量方法。
背景技术
催化重整工艺是以石脑油为原料通过铂重整生产芳烃的重要工艺，在石化工业技术领域具有极其重要的位置。生产过程中，原料、催化剂活性、氢气含量和工艺条件等变化都会影响产物(生成油)的收率与组成。因此，根据生成油性质变化及时调整原料和工艺条件，对提高产收率和质量具有重要意义。生成油的主要性质包括：辛烷值(RON、MON)、PIONA组成、BTX组成、密度、蒸气压、粘度、馏程等。测定这些指标涉及使用很多种标准方法，不仅成本高，而且测定周期长，不能满足重整工艺生产过程的优化与控制。近红外光谱具有快速和同时测定多种性质的优点，结合光纤探头可以用于生产过程在线分析，已被广泛应用于农业、食品、生化、石油等各个领域。利用近红外在线分析技术对催化重整工艺生成油组成和性质进行即时分析可以实现重整工艺过程的优化与控制。近红外在线分析技术通常依赖于多元校正模型进行组成和性质定量分析。多元校正模型是通过多元校正方法建立的一组样品的光谱和与之对应的组成和性质之间的数学关系。建模所用样品数量很大，而且建模样品用组成或性质数据需要采用标准方法进行分析，建模工作量巨大，需花费大量人力物力。实际生产过程通常具有多个生产通道，需要多台仪器或同一台仪器同时检测多个通道的产品的多个组成或性质。近红外分析仪由于加工精度，仪器间存在差异，而安装在不同通道上的光谱采集附件例如光纤耦合器或流通池也会由于加工精度存在差异。因此，多个通道上采集的光谱数据存在差异，不同仪器和通道间建立的模型不能通用，这进一步增加了建模的工作量。例如，分析8个通道的产品的5个组成或性质，就需要建立40个模型。另外，仪器的老化，关键配件更换等造成的仪器性能变化以及测量环境条件变化等，也会导致之前建立的模型预测结果偏差较大甚至无法使用。
为解决模型不能通用的问题，人们研究了很多模型传递方法。其中，建立模型的仪器称为主机，被传递的仪器称为子机。目前模型传递方法主要包括三种，分别是模型系数更新法，预测结果校正方法和光谱数据标准化方法。模型系数更新通过添加一些新的样品到旧的样品集来重新计算模型系数。这种方法通常用于同一台仪器在仪器老化或环境发生变化后模型的传递问题，为了获得好的结果，有时需要加入大量的新样本。预测结果校正方法是通过在主机和子机上的预测值之间建立一种数学关系实现对主机模型的校正。这种方法适用于光谱差异原因比较简单和***化的情况，适用范围较窄，其中最典型的方法是SBC方法。最理想的模型传递方法是光谱数据标准化方法，该类方法通过在主机和子机上采集的光谱之间建立数学关系来对子机上的光谱进行校正，使其能够最大程度接近在主机上的光谱，从而可以直接采用子机光谱进行预测，不用对主机模型进行改动。其中，最典型的是PDS算法。光谱数据标准化方法根据是否需要标准样品又可分为有标样和无标样方法。有标样方法需要在主机建模所用的样品中选择具有代表性的一定数量的样品组成传递标样集，在被传递的子机上测得光谱，以便建立主机和子机光谱之间的关系。但在实际应用中可能无法取得标样或无法在每个子机上测量光谱，同时标样的选择和保存也是一个问题。无标传递不需要使用在主机上建立过模型的样品做传递标样集，但也需要一定的新样品在子机上测量光谱，以便建立主机和子机之间的关系。这些新样品的选择和数量决定着模型传递的好坏，也同样带来比较大的工作量。另外还有建立混合模型的方法，即把多个仪器或各个通道上的样品一起建模。这种方法曾应用在催化重整中型装置生成油RON和芳烃组成的多通道在线检测中，不同通道之间光谱差异获得了明显改善。但是，该方法还是需要采集各个通道的大量样品的光谱和性质数据，工作量也很大。这些方法对于在线分析来说更加困难，因为在线生产的产品工艺较固定，产品组成和性质波动不大，获得组成或性质不同的具有代表性的能满足建模要求的样品比较困难。因此，目前的模型传递仍然需要耗费较大的人力物力才能完成，严重的阻碍了近红外光谱分析技术的发展。
发明内容
为解决以上在线分析存在的问题，本发明提供了一种基于角谱转化的光谱标准化模型传递方法的催化重整工艺生成油组成和性质在线多通道测量方法，该方法不需要多个标准样品或新样品来建立主机和从机光谱之间的关系，只需要对光谱转化为角谱，结合其他建模方法，就可将在一个仪器或通道上建立的模型可直接应用其他仪器或通道，解决了模型在不同仪器间或者同一仪器的不同通道间的通用问题，实现催化重整工艺生成油RON和芳烃组成模型多通道在线检测。
为此，本发明提供一种催化重整工艺生成油的在线多通道测量方法，包括以下步骤：
S1：建立样品集
收集催化重整装置在不同工艺参数下生产的重整生成油作为样品，采用标准方法测量样品的辛烷值和芳烃含量，作为建模用的参考数据；
采用在线近红外分析***中某一个通道采集样品的近红外光谱，作为建模用原始光谱，所述近红外光谱为吸光度光谱；
用所述参考数据和所述原始光谱建立样品集；
S2：光谱预处理及转化
选择光谱区间，使用离散小波变换法对所述原始光谱进行预处理，去除噪声；
以单位向量a作为基准向量，利用移动窗口法对所述原始光谱进行光谱度量转化，将吸光度光谱转为对应的余弦谱，每个样品原始光谱对应得到一个余弦谱向量h＝(cos(θ1),cos(θ2),…,cos(θm))，m表示余弦谱波长点个数，样品集中所有样品组成一个余弦谱矩阵H＝[cos(θi1),cos(θi2),…,cos(θim)]，i＝(1:k)，k表示测量样品个数；
S3：建立可直接传递模型
利用Rank-kennard-Stone方法按照6～9:4～1的比例将样品集划分为校正集和验证集，选取余弦谱区间范围，利用偏最小二乘法将校正集的余弦谱矩阵分别与参考数据进行关联，建立辛烷值模型和芳烃模型；
建模最佳主成分数f由PRESS法对主成分数作图的方法确定；
模型性能由校正相关系数Rc、校正标准偏差SEC以及预测相关系数Rp、预测标准偏差SEP来表示；
S4：在线分析处理
将所有催化重整装置产品通道上采集的样品的原始光谱按照步骤S2进行光谱预处理后，代入步骤S3中建立的可直接传递模型进行预测，实现所有通道上的样品都能够采用一个通道上建立的模型进行预测；
可直接传递模型的预测效果能够通过相对预测误差均值来表示。
其中，建模用的参考数据不局限于RON和芳烃含量，可以是其他催化重整工艺生成油的组成和性质。
本发明所述的催化重整工艺生成油的在线多通道测量方法，步骤S1中，优选的是，所述在线近红外分析***使用一个傅里叶近红外光谱仪，所述傅里叶近红外光谱仪使用卤素灯光源，从光源发出的光，经过干涉仪，再通过光开关，使用光纤导入所述催化重整装置产品通道上的流通池，通过流通池后，使用光纤再送回到光开关，然后进入检测器，得到近红外光谱；优选所述光开关上有多根光纤，每个所述催化重整装置产品通道上的流通池和其中的一根光纤相连；优选所述在线近红外分析***中还有一个不连接所述催化重整装置的参比通道，通道上安装的流通池也与所述光开关上的一根光纤相连，用于采集参比信号；
当所述催化重整装置开始生产时，所述在线近红外分析***也开始启动，通过控制所述光开关，近红外光依次通过所述催化重整装置产品通道上的流通池，实现在线采集每个所述催化重整装置产品通道的近红外光谱。
本发明所述的催化重整工艺生成油的在线多通道测量方法，其中优选的是：所述流通池安装在所述催化重整装置的产品管道出口位置，所述产品管道在出口位置的管道方向竖直向下，样品在所述流通池中的流动方向为竖直向下；
进一步优选所述在线近红外分析***的整个***共用1个光源，1个干涉仪，1个检测器和1个参比通道。
本发明所述的催化重整工艺生成油的在线多通道测量方法，步骤S1中，优选的是，建模用所述原始光谱的采集采用透射方式，步骤如下：
将样品滴加到所述流通池中，当所述流通池充满后，采集样品的近红外光谱；每个样品采集3次近红外光谱，将近红外光谱进行平均后作为建模用所述原始光谱；
其中，所述光谱采集参数为：光谱范围10000～4000cm-1，光程0.2～4mm,分辨率为2～32cm-1，扫描次数3～6次，以内部空气为参比，参比扫描间隔1～6h/次。
本发明所述的催化重整工艺生成油的在线多通道测量方法，步骤S2中，优选的是，进行光谱预处理的区间为4800-9000cm-1波段；所述吸光度光谱转化为余弦谱的步骤为：利用具有设定窗口宽度d的移动窗口从波长起点逐点移动，按照下述公式(1)计算基准向量a和d宽度窗口内的样品光谱向量b之间的cosθ，将波长处的吸光度值转变为余弦值cosθ；基准向量a是由1组成的向量[1,1,1,...,1]，其维数与移动窗口宽度d相同；
其中，a为基准向量，b为经过离散小波处理之后的d窗口内的样品光谱向量。
本发明所述的催化重整工艺生成油的在线多通道测量方法，其中优选的是：确定所述移动窗口的宽度d的方法为：任意选择3个或3个以上样品，按照步骤S1中的方法采集样品在所有重整装置产品通道中的光谱，按照不同的窗口宽度利用公式(1)将每一吸光度光谱转化为余弦谱；按照下述公式(2)计算同一样品在同一个窗口宽度下获得的不同通道余弦谱向量h之间的相关性，选择具有最大相关性的移动窗口宽度作为光谱转化为角谱的窗口宽度；
其中，hi和hj分别是同一样品在同一个窗口宽度下获得的第i和第j个通道的余弦谱向量，γij为hi和hj两个光谱向量的夹角，cosγij结果越接近1则表明光谱相似性越高。
本发明所述的催化重整工艺生成油的在线多通道测量方法，其中优选的是：步骤S3中建立的可直接传递模型的表达式为：
Y’＝X’PT(TTT)-1TTY
其中Y’是待测样品的芳烃或辛烷值，X’为待测样品余弦谱，Y为校正集中样品芳烃或辛烷值参考数据向量，T和P分别为对校正集中样本余弦谱X矩阵进行主成分分析获得的前f(f<m)个主成分的得分矩阵和载荷矩阵，TT是T的转置，PT是P的转置，T和P的关系满足式X＝TPT+EX，其中，EX为X的的残差矩阵。
本发明所述的催化重整工艺生成油的在线多通道测量方法，步骤S3中，优选的是，选取余弦谱区间范围的步骤为：分别按照下述公式(3)计算校正集的余弦谱矩阵X中每个波长点对应的余弦向量x与校正集的样品的RON和芳烃含量参考值向量y的相关性R；校正集中样品RON模型的区间范围为|R|≥0.2，样品芳烃模型的区间范围为|R|≥0.1；
其中，xi是第i个校正样品在某个波长处的余弦值，
为所有样品在该波长处的平均余弦值，yi为第i个校正样品的参考值，
是指所有校正样品平均参考值，n为校正集中的样品个数；
所述PRESS法中PRESS由公式(4)计算，
其中，yi为校正集中第i个样品的RON或芳烃含量参考值，
为校正集中第i个样品的RON或芳烃含量模型预测值，n为校正集中的样品个数。
本发明所述的催化重整工艺生成油的在线多通道测量方法，步骤S3中，优选的是，所述校正相关系数Rc、预测相关系数Rp、校正标准偏差SEC和预测标准偏差SEP的计算公式分别如下所示：
式中：
为第i个校正样品的光谱得到的预测值，yi为第i个校正样本的参考值，
由第i个验证样品光谱得到的预测值，vi为第i个验证样品对应的参考值，d为本校正模型的自由度，dv是所有v个验证样品用到的参考值的总数，
是指所有校正样品平均参考值，
是指所有验证样品平均参考值；n为校正集样品个数；m表示验证集样品个数。
本发明所述的的催化重整工艺生成油组成和性质在线多通道测量方法，步骤S4中，优选的是，所述相对误差均值计算公式如下述公式(9)所示：
式中：
为某一个通道中第i个验证样品光谱得到的RON或芳烃含量预测值，vi为某一个通道中第i个验证样品对应的RON或芳烃参考数据，k为测量样品个数。
具体地，本发明的催化重整工艺生成油组成和性质在线多通道测量方法的技术方案如下所述：
S1：建立样品集，步骤为：收集催化重整工艺生成油的样品，分别采用GB/T 5487和SH/T0166-92标准方法测得样品的辛烷值RON和芳烃含量(wt％)作为建模用的参考数据；利用在线近红外分析***采集其的某一个催化重整装置产品通道中样品的近红外光谱，作为建模用样品原始光谱，且采集的近红外光谱为吸光度光谱；用测得的参考数据和原始光谱建立样品集；
S2：光谱预处理，步骤为：选择光谱区间，使用离散小波变换法对样品原始光谱进行处理，去除噪声；以单位向量a作为基准向量，利用移动窗口法对样品原始光谱进行光谱度量转化，将对应的吸光度光谱转为余弦谱，每个样品原始光谱对应得到一个余弦谱向量h＝(cos(θ1),cos(θ2),…,cos(θm),m表示余弦谱波长点个数,样品集所有样品组成一个余弦谱矩阵H＝[cos(θi1),cos(θi2),…,cos(θim)]，i＝(1:k)，k表示样品个数；
S3：建立可直接传递模型，步骤为：利用Rank-kennard-Stone方法按照设定比例将样品集划分为校正集和验证集，选取余弦谱区间范围，利用偏最小二乘法将校正集的余弦谱矩阵分别与辛烷值、芳烃含量参考数据进行关联，建立辛烷值模型和芳烃模型；建模最佳主成分数f由PRESS法(交互验证预测残差平方和)对主成分数作图的方法确定；模型性能由校正相关系数Rc、校正标准偏差SEC以及预测相关系数Rp、预测标准偏差SEP来表示；
S4：在线分析处理，将所有催化重整装置产品通道上采集的样品原始光谱按照步骤S2进行光谱预处理后，代入步骤S3中建立的可直接传递模型进行预测，实现所有通道上的样品都能够采用一个通道上建立的模型进行预测；可直接传递模型的预测效果能够通过相对预测误差均值来表示。
进一步的，步骤S1中，在线近红外分析***使用了一个傅里叶近红外光谱仪，光谱仪使用卤素灯光源，从光源发出的光，经过干涉仪，再通过光开关，使用光纤导入重整装置产品通道上的流通池，通过流通池后，使用光纤再送回到光开关，然后进入检测器，得到近红外光谱；光开关上有多根光纤，每个催化重整装置产品通道上的流通池和其中的一个光纤相连；在线近红外分析***中还有一个不连接重整装置的参比通道，通道上安装的流通池也与光开关上的一根光纤相连，用于采集参比信号；
当催化重整装置开始生产时，在线近红外分析***也开始启动，通过控制光开关，近红外光依次通过催化重整装置产品通道上流通池，实现在线采集每个催化重整装置产品通道的近红外光谱；
每个催化重整装置产品通道上的流通池都安装在通道出口位置，通道方向竖直向下，样品在流通池中的流动方向为竖直向下；整个***共用1个光源，1个干涉仪，1个检测器，1个参比通道。
进一步的，步骤S1中，建模用所述原始光谱的采集采用透射方式，步骤如下：将样品滴加到所述流通池中，当所述流通池充满后，采集样品的近红外光谱；每个样品采集3次近红外光谱，将近红外光谱进行平均后作为建模用所述原始光谱；光谱采集参数为：光谱范围10000-4000cm-1，光程0.2～4mm,分辨率为2～32cm-1，扫描次数3～6次，以内部空气为参比，参比扫描间隔1～6h/次。
进一步的，步骤S2中，进行光谱处理的区间为4800-9000cm-1波段；光谱转化为余弦谱的步骤为：利用具有设定窗口宽度d的移动窗口从波长起点逐点移动，按照下述公式(1)计算基准向量a和d宽度窗口内的样品光谱向量b之间的cosθ，将波长处的吸光度值转变为余弦值cosθ；基准向量a是由1组成的向量[1,1,1,...,1]，维数与移动窗口宽度d相同；
其中，a为基准向量，b为经过离散小波处理之后的d窗口内的样品光谱向量。
进一步的，确定移动窗口的宽度d的方法为：任意选择3个或3个以上样品，按照步骤S1中的方法采集样品在所有重整装置产品通道中的光谱，按照不同的窗口宽度利用公式(1)将每一张光谱转化为余弦谱；按照下述公式(2)计算同一样品在同一个窗口宽度下获得的不同通道余弦谱向量h之间的相关性，选择具有最大相关性的移动窗口宽度作为光谱转化为角谱的窗口宽度；
其中，hi和hj分别是同一样品在同一个窗口宽度下获得的第i和第j个通道的余弦谱向量，γij为hi和hj两个光谱向量的夹角，cosγij结果越接近1则表明光谱相似性越高。
进一步的，步骤S3中建立的可直接传递模型的表达式为：
Y’＝X’PT(TTT)-1TTY，
其中Y’是未知待测样品的芳烃或辛烷值，X’为未知样品余弦谱，Y为校正集样品芳烃或辛烷值参考数据向量，T和P分别为对校正集样本余弦谱X矩阵进行主成分分析获得的前f(f<m)个主成分的得分矩阵和载荷矩阵，TT是T的转置，PT是P的转置，T和P的关系满足式X＝TPT+EX,其中，EX为X的的残差矩阵。
进一步的，步骤S3中，选取余弦谱区间范围的步骤为：分别按照下述公式(3)计算校正集余弦谱矩阵X中每个波长点对应的余弦向量x与校正集样品RON和芳烃含量参考值向量y的相关性R；校正集样品RON模型的区间范围选取|R|值不小于0.2的范围，芳烃模型的区间范围选取|R|值不小于0.1的范围；
其中，xi是第i个校正样品在某个波长处的余弦值，
为所有样品在该波长处的平均余弦值，yi为第i个校正样品的参考值，
是指所有校正样品平均参考值，n为校正集中的样品个数；
所述PRESS法中PRESS由公式(4)计算，
其中，yi为校正集中第i个样品的RON或芳烃含量参考值，
为校正集中第i个样品的RON或芳烃含量模型预测值，n为校正集中的样品个数。
进一步的，步骤S3中，所述校正相关系数Rc、预测相关系数Rp、校正标准偏差SEC和预测标准偏差SEP的计算公式分别如下所示：
式中：
为第i个校正样品的光谱得到的预测值，yi为第i个校正样本的参考值，
由第i个验证样品光谱得到的预测值，vi为第i个验证样品对应的参考值，d为本校正模型的自由度，dv是所有v个验证样品用到的参考值的总数，
是指所有校正样品平均参考值，
是指所有验证样品平均参考值；n为校正集样品个数；m表示验证集样品个数。
进一步的，步骤S4中，所述相对误差均值计算公式如下述公式(9)所示：
式中：
为某一个通道中第i个验证样品光谱得到的RON或芳烃含量预测值，vi为某一个通道中第i个验证样品对应的RON或芳烃参考数据，k为测量样品个数。
本发明的有益效果如下：
所述催化重整工艺生成油组成和性质在线多通道测量方法，通过将光谱转化为角谱，重新进行建模，就能够将在一个仪器或通道上建立的模型直接应用其他仪器或通道，使用方便，测算准确，可操作性强，提高了效率，节约了时间、成本，降低了计算资源。
附图说明
图1是实施例1的通道1采集的样品原始光谱；
图2是实施例1的通道1样品的角谱；
图3是实施例1的通道1与通道2样品光谱利用不同的窗口宽度处理后的角谱的相关系数图；
图4是本发明方法的工艺流程示意图。
具体实施方式
以下对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例，下列实施例中未注明具体条件的实验方法，通常按照常规条件。
实施例1
所述催化重整工艺生成油组成和性质在线多通道测量方法如图4所示，包括以下步骤：
S1：建立样品集
收集42个重整生成油样品组成样品集。分别采用GB/T 5487和SH/T0166-92方法测得样品中的辛烷值RON和芳烃含量(wt％)。其中，所述GB/T 5487是汽油辛烷值的测定法，所述SH/T0166是重整原料油及生成油中C6-C9芳烃含量测定法。经过检测，所测辛烷值RON最小值为80.55，最大值为101.71，平均值为94.86，标准偏差为6.66；芳烃含量(wt％)最小值为52.22wt％，最大值为81.86wt％，平均值为69.01，标准偏差为9.05。
利用近红外在线分析***采集其催化重整装置产品通道1中的所有样品的近红外光谱，作为建模用样品原始光谱，且采集的近红外光谱为吸光度光谱；用测得的参考数据和原始光谱建立样品集，如图1所示。
下面对在线近红外分析***进行简单介绍：
所述近红外在线分析***包含一个傅里叶近红外光谱仪，光谱仪使用卤素灯光源，从光源发出的光，经过干涉仪，再通过光开关，使用光纤导入每个催化重整装置上产品通道上的流通池，通过流通池后，使用光纤再送回到光开关，然后进入检测器，得到近红外光谱。光开关上有多根光纤，每个催化重整装置产品通道上的流通池和其中的一个光纤相连。
流通池安装在催化重整装置产品通道出口的位置产品通道出口的方向为竖直向下，样品在流通池中的流动方向为竖直向下。在线分析时通过光开关控制近红外依次通过每个催化重整装置产品通道上的流通池，实现在线采集每个催化重整装置产品通道中样品的近红外光谱。***中还有一个参比通道，通道中也内置一个流通池，用于采集参比信号。整个***共用1个光源，1个干涉仪，1个检测器，1个参比通道。
采集建模用样品光谱时，先用待测样品将流通池润洗3次，然后将待测样品滴加到流通池中，当样品装满流通池后，进行光谱测量。在产品通道的流通池上安装了一个三通，通过三通的操作，允许从流通池上方中的三通中一个通道将样品加入流通池，润洗时，流通池下方三通的阀门打开，样品流出，需要加满流通池测量时，把流通池下方三通的阀门关闭，这样样品就不会流出，当流通池充满后，便可以进行光谱采集。
每个样品重复装样3次，采集3次光谱，将3次采集的光谱平均作为建模用样品原始光谱。光谱采集参数为：光谱范围10000-4000cm-1，分辨率为16.0cm-1以内部空气为参比，参比扫描间隔6h/次。
S2：光谱预处理及转化。
选择4800-9000cm-1近红外波段的光谱区间进行预处理。使用离散小波变换对样品原始光谱进行滤噪处理，母函数为“db4”，分解层数11层，将前3层作为噪声去除，消除光谱中的高频噪声，然后重构光谱，从而达到滤噪的效果；
以单位向量a作为基准向量，利用移动窗口法对样品原始光谱进行光谱度量转化，将对应的吸光度光谱转为余弦谱。
首先确定余弦谱转化所用的移动窗口宽度：随机选择3个样品，按照步骤S1中的方法采集3个样品在每个催化重整装置产品通道中的光谱。分别利用5-40(间隔为5)的不同窗口宽度，利用公式(1)将每一张光谱转化为余弦谱。按照公式(2)计算同一样品在同一个窗口宽度下获得不同通道余弦谱向量h之间的相关性，结果如图2所示。
其中，a为基准向量，b为经过离散小波处理之后的d窗口内的样品光谱向量。
其中，hi和hj分别是同一样品在同一个窗口宽度下获得的第i和第j个通道的余弦谱向量，γij为hi和hj两个光谱向量的夹角，cosγij结果越接近1则表明光谱相似性越高。
其次，选择具有最大相关性的移动窗口宽度5将步骤S1建立的样品集中所有样品的样品原始光谱进行光谱度量转化，将对应的吸光度光谱转为余弦谱，结果如图3所示，具体步骤为：从光谱的一端开始，利用窗口宽度范围为5的移动窗口从波长起点逐点移动，按照公式(1)计算基准向量a和窗口宽度5之内的样品光谱向量b之间的cosθ，将波长处的吸光度值转变为余弦值cosθ,每个样品原始光谱转化为由一组cosθ值组成的余弦谱向量h＝[cos(θ1),cos(θ2),…,cos(θm)],所有样品获得一个余弦矩阵H＝[cos(θi1),cos(θi2),…,cos(θim)]，i＝(1:42)。基准向量a是由1组成的向量[1,1,1,...,1]，维数与移动窗口宽度相同。
S3：建立可直接传递模型。
利用Rank-kennard-Stone方法(Rank-KS)按照设定比例将样品集划分为校正集和验证集，选取余弦谱区间范围，利用偏最小二乘法(PLS)将S2步骤中获得的余弦谱矩阵H＝[cos(θi1),cos(θi2),…,cos(θim)]，i＝(1:42)分别和步骤S1中测得的芳烃和辛烷值的参考数据进行关联，建立芳烃模型和辛烷值模型。
选取余弦谱区间范围的步骤为：分别按照下述公式(3)计算校正集余弦谱矩阵X中每个波长点对应的余弦向量x与校正集样品RON和芳烃含量参考值向量y的相关性R；校正集样品RON模型的区间范围选取|R|值不小于0.2的范围，芳烃模型的区间范围选取|R|值不小于0.1的范围；
其中，xi是第i个校正样品在某个波长处的余弦值，
为所有样品在该波长处的平均余弦值，yi为第i个校正样品的参考值，
是指所有校正样品平均参考值，n为校正集中的样品个数；
按照公式(3)计算余弦矩阵H与参考数据向量之间的相关系数，选择大于阈值的区间建立可直接传递模型。
所述可直接传递模型的表达式为：
Y’＝X’PT(TTT)-1TTY，
其中Y’是未知待测样品的芳烃或辛烷值，X’为未知样品余弦谱，Y为校正集样品芳烃或辛烷值参考数据向量，T和P分别为对校正集样本余弦谱X矩阵进行主成分分析获得的前f(f<m)个主成分的得分矩阵和载荷矩阵，TT是T的转置，PT是P的转置，T和P的关系满足式X＝TPT+EX,其中，EX为X的的残差矩阵。
建模最佳主成分数f由PRESS法(交互验证预测残差平方和)对主成分数作图的方法确定。
所述PRESS由公式(4)计算，
其中，yi为校正集中第i个样品的RON或芳烃含量参考值，
为校正集中第i个样品的RON或芳烃含量模型预测值，n为校正集中的样品个数。
通过比较不同主成分数建立的模型的校正相关系数(Rc)、校正均方根误差(SEC)以及预测相关系数(Rp)、预测均方根误差(SEP)确定模型性能。
所述的校正相关系数、预测相关系数、校正均方根误差和预测均方根误差分别为Rc、Rp、SEC、SEP，其公式分别如(5)-(8)所示：
式中：
为第i个校正样品的光谱得到的预测值，yi为第i个校正样本的参考值，
由第i个验证样品光谱得到的预测值，vi为第i个验证样品对应的参考值，d为本校正模型的自由度，dv是所有v个验证样品用到的参考值的总数，
是指所有校正样品平均参考值，
是指所有验证样品平均参考值；n为校正集样品个数；m表示验证集样品个数。
该实施例所得最优模型的性能参数如表1所示。
表1通道1的RON、芳烃值最优模型性能参数
S4：在线分析处理，将所有催化重整装置产品通道上采集的样品原始光谱按照步骤S2进行光谱预处理后，代入步骤S3中建立的可直接传递模型进行预测，实现所有通道上的样品都能够采用一个通道上建立的模型进行预测；可直接传递模型的预测效果能够通过相对预测误差均值来表示。
操作时，将通道2和通道3上在线测量的样品光谱转化为余弦谱，将余弦谱带入步骤S3中建立的可直接传递模型进行预测，实现模型转移。
所述相对误差均值计算公式如下述公式(9)所示：
式中：
为某一个通道中第i个验证样品光谱得到的RON或芳烃含量预测值，vi为某一个通道中第i个验证样品对应的RON或芳烃参考数据，k为测量样品个数。
利用公式(9)计算了通道2和通道3利用可传递模型进行预测的效果，结果如表2所示。
表2基于角谱的模型的传递效果
表2结果显示，利用在通道1上建立的基于角谱转化光谱标准化可传递模型来预测通道2和通道3的预测误差均值比未经过角谱处理的模型的预测误差均值有明显降低，大大提高了模型的预测准确性。
本发明中所述的催化重整生成油的组成和性质不局限于RON和芳烃含量。本发明通过将吸光度光谱转化为余弦谱的光谱标准化方法进行模型传递，只需利用一个产品通道上采集的光谱建立的模型就可可直接应用于其他通道，实现了催化重整工艺生成油组成和性质在线多通道测量。该方法所用模型传递方法与现有方法相比，不需要通过一组标样集建立不同通道间的数学关系，不需要利用所有通道的光谱建立混合模型便可进行模型传递，实现多个通道同时在线测量，工作量小，易于推广。该方法也可用于不同仪器间的模型传递，有利于近红外光谱分析技术的推广应用。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的保护范围。
Claims (10)
1.一种催化重整工艺生成油的在线多通道测量方法，其特征在于，包括以下步骤：
S1：建立样品集
收集催化重整装置在不同工艺参数下生产的重整生成油作为样品，采用标准方法测量样品的辛烷值和芳烃含量，作为建模用的参考数据；
采用在线近红外分析***中某一个通道采集样品的近红外光谱，作为建模用原始光谱，所述近红外光谱为吸光度光谱；
用所述参考数据和所述原始光谱建立样品集；
S2：光谱预处理及转化
选择光谱区间，使用离散小波变换法对所述原始光谱进行预处理，去除噪声；
以单位向量a作为基准向量，利用移动窗口法对所述去除噪声后的光谱进行光谱度量转化，将吸光度光谱转为对应的余弦谱，每个样品光谱对应得到一个余弦谱向量h＝(cos(θ1),cos(θ2),…,cos(θm))，m表示余弦谱波长点个数，样品集中所有样品组成一个余弦谱矩阵H＝[cos(θi1),cos(θi2),…,cos(θim)]，i＝(1:k)，k表示测量样品个数；
S3：建立可直接传递模型
利用Rank-kennard-Stone方法按照6～9:4～1的比例将样品集划分为校正集和验证集，选取余弦谱区间范围，利用偏最小二乘法将校正集的余弦谱矩阵分别与参考数据进行关联，建立辛烷值模型和芳烃模型；利用验证集验证样品性能。
建模最佳主成分数f由PRESS法对主成分数作图的方法确定；
模型性能由校正相关系数Rc、校正标准偏差SEC以及验证相关系数Rp、验证标准偏差SEP来表示；
S4：在线分析处理
将所有催化重整装置产品通道上采集的样品的原始光谱按照步骤S2进行光谱预处理后，代入步骤S3中建立的可直接传递模型进行预测，实现所有通道上的样品都能够采用一个通道上建立的模型进行预测；
可直接传递模型的预测效果能够通过相对预测误差均值来表示。
2.根据权利要求1所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，步骤S1中，所述在线近红外分析***使用一个傅里叶近红外光谱仪，所述傅里叶近红外光谱仪使用卤素灯光源，从光源发出的光，经过干涉仪，再通过光开关，使用光纤导入所述催化重整装置产品通道上的流通池，通过流通池后，使用光纤再送回到光开关，然后进入检测器，得到近红外光谱；优选所述光开关上有多根光纤，每个所述催化重整装置产品通道上的流通池和其中的一根光纤相连；优选所述在线近红外分析***中还有一个不连接所述催化重整装置的参比通道，通道上安装的流通池也与所述光开关上的一根光纤相连，用于采集参比信号；
当所述催化重整装置开始生产时，所述在线近红外分析***也开始启动，通过控制所述光开关，近红外光依次通过所述催化重整装置产品通道上的流通池，实现在线采集每个所述催化重整装置产品通道的近红外光谱。
3.根据权利要求2所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，所述流通池安装在所述催化重整装置的产品管道出口位置，所述产品管道在出口位置的管道方向竖直向下，样品在所述流通池中的流动方向为竖直向下；
优选所述在线近红外分析***的整个***共用1个光源，1个干涉仪，1个检测器和1个参比通道。
4.根据权利要求2所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，步骤S1中，建模用所述原始光谱的采集采用透射方式，步骤如下：
将样品滴加到所述流通池中，当所述流通池充满后，采集样品的近红外光谱；每个样品采集3次近红外光谱，将近红外光谱进行平均后作为建模用所述原始光谱；
其中，所述光谱采集参数为：光谱范围10000～4000cm-1，光程0.2～4mm,分辨率为2～32cm-1，扫描次数3～6次，以内部空气为参比，参比扫描间隔1～6h/次。
5.根据权利要求1所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，步骤S2中，进行光谱预处理的区间为4800-9000cm-1波段；所述吸光度光谱转化为余弦谱的步骤为：利用具有设定窗口宽度d的移动窗口从波长起点逐点移动，按照下述公式(1)计算基准向量a和d宽度窗口内的样品光谱向量b之间的cosθ，将波长处的吸光度值转变为余弦值cosθ；基准向量a是由1组成的向量[1,1,1,...,1]，其维数与移动窗口宽度d相同；
其中，a为基准向量，b为经过离散小波处理之后的d窗口内的样品光谱向量。
6.根据权利要求5所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，确定所述移动窗口的宽度d的方法为：任意选择3个或3个以上样品，按照步骤S1中的方法采集样品在所有重整装置产品通道中的光谱，按照不同的窗口宽度利用公式(1)将每一吸光度光谱转化为余弦谱；按照下述公式(2)计算同一样品在同一个窗口宽度下获得的不同通道余弦谱向量h之间的相关性，选择具有最大相关性的移动窗口宽度作为光谱转化为角谱的窗口宽度；
其中，hi和hj分别是同一样品在同一个窗口宽度下获得的第i和第j个通道的余弦谱向量，γij为hi和hj两个光谱向量的夹角。
7.根据权利要求1所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，步骤S3中建立的可直接传递模型的表达式为：
Y’＝X’PT(TTT)-1TTY
其中Y’是待测样品的芳烃或辛烷值，X’为待测样品余弦谱，Y为校正集中样品芳烃或辛烷值参考数据向量，T和P分别为对校正集中样本余弦谱X矩阵进行主成分分析获得的前f(f<m)个主成分的得分矩阵和载荷矩阵，TT是T的转置，PT是P的转置，T和P的关系满足式X＝TPT+EX，其中，EX为X的的残差矩阵。
8.根据权利要求1所述的催化重整工艺生成油的在线多通道测量方法，其特征在于，步骤S3中，选取余弦谱区间范围的步骤为：分别按照下述公式(3)计算校正集的余弦谱矩阵X中每个波长点对应的余弦向量x与校正集的样品的RON和芳烃含量参考值向量y的相关性R；校正集中样品RON模型的区间范围为|R|≥0.2，样品芳烃模型的区间范围为|R|≥0.1；
其中，xi是第i个校正样品在某个波长处的余弦值，
为所有样品在该波长处的平均余弦值，yi为第i个校正样品的参考值，
是指所有校正样品平均参考值，n为校正集中的样品个数；
所述PRESS法中PRESS由公式(4)计算，
其中，yi为校正集中第i个样品的RON或芳烃含量参考值，
为校正集中第i个样品的RON或芳烃含量模型预测值，n为校正集中的样品个数。
9.根据权利要求1所述的催化重整工艺生成油的在线多通道测量方法，其特征在于：步骤S3中，所述校正相关系数Rc、预测相关系数Rp、校正标准偏差SEC和预测标准偏差SEP的计算公式分别如下所示：
式中：
为第i个校正样品的光谱得到的预测值，yi为第i个校正样本的参考值，
由第i个验证样品光谱得到的预测值，vi为第i个验证样品对应的参考值，d为本校正模型的自由度，dv是所有v个验证样品用到的参考值的总数，
是指所有校正样品平均参考值，
是指所有验证样品平均参考值；n为校正集样品个数；m表示验证集样品个数。
10.根据权利要求1所述的的催化重整工艺生成油组成和性质在线多通道测量方法，其特征在于，步骤S4中，所述相对误差均值计算公式如下述公式(9)所示：
式中：
为某一个通道中第i个验证样品光谱得到的RON或芳烃含量预测值，vi为某一个通道中第i个验证样品对应的RON或芳烃参考数据，k为测量样品个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110456527.5A CN115248193B (zh) | 2021-04-26 | 2021-04-26 | 催化重整工艺生成油的在线多通道测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110456527.5A CN115248193B (zh) | 2021-04-26 | 2021-04-26 | 催化重整工艺生成油的在线多通道测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115248193A true CN115248193A (zh) | 2022-10-28 |
| CN115248193B CN115248193B (zh) | 2024-05-28 |
Family
ID=83696553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110456527.5A Active CN115248193B (zh) | 2021-04-26 | 2021-04-26 | 催化重整工艺生成油的在线多通道测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115248193B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
| CN107134499A (zh) * | 2017-05-23 | 2017-09-05 | 电子科技大学 | 复合曲面陷光结构及其制备方法 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN107817223A (zh) * | 2017-10-20 | 2018-03-20 | 华东理工大学 | 快速无损实时预测原油性质模型的构建方法及其应用 |
-
2021
- 2021-04-26 CN CN202110456527.5A patent/CN115248193B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN107134499A (zh) * | 2017-05-23 | 2017-09-05 | 电子科技大学 | 复合曲面陷光结构及其制备方法 |
| CN107817223A (zh) * | 2017-10-20 | 2018-03-20 | 华东理工大学 | 快速无损实时预测原油性质模型的构建方法及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| 陈洋等: "基于区间组合移动窗口法筛选近红外光谱信息", 应用光学, vol. 38, no. 01, 15 January 2017 (2017-01-15), pages 99 - 105 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115248193B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6897071B2 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
| CN102374975B (zh) | 一种利用近红外光谱预测油品物性数据的方法 | |
| AU603868B2 (en) | Method for the direct determination of octane number | |
| JP2851249B2 (ja) | 近赤外分光学分析法による炭化水素を分析するための方法 | |
| AU709105B2 (en) | Method for preparing blend products | |
| US8735820B2 (en) | Direct match spectrographic determination of fuel properties | |
| US8481942B2 (en) | Direct match spectrographic determination of fuel properties | |
| CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
| JPH03504769A (ja) | 組成物の分光比較のための方法及び装置 | |
| CN104089911A (zh) | 基于一元线性回归的光谱模型传递方法 | |
| CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
| CN106680211A (zh) | 一种变压器油中溶解气体在线监测装置在线同步比对准确度的评价方法 | |
| CN108760789A (zh) | 一种原油快评方法 | |
| WO2006126978A1 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
| CN116559110A (zh) | 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法 | |
| CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
| CN100470235C (zh) | 近红外光谱测定汽油中二烯烃含量的方法 | |
| CA2154786A1 (en) | Method for prediction of physical property data of hydrocarbon products | |
| CN115248193B (zh) | 催化重整工艺生成油的在线多通道测量方法 | |
| CN115436315A (zh) | 一种基于近红外光谱的水泥外加剂检测方法 | |
| CN111103257B (zh) | 一种快速预测蒸汽裂解液相油品中单环芳烃收率的方法 | |
| JP2007126663A (ja) | 試料の近赤外スペクトルから共役ジオレフィンの含量を求める方法および該方法の装置制御への応用 | |
| WO2024011687A1 (zh) | 一种油品物性快评模型建立方法及装置 | |
| CN111829976A (zh) | 一种由原油近红外光谱预测其汽油馏分烃族组成的方法 | |
| CN100451615C (zh) | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |