DE19617917C2 - Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks - Google Patents
Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen NetzwerksInfo
- Publication number
- DE19617917C2 DE19617917C2 DE19617917A DE19617917A DE19617917C2 DE 19617917 C2 DE19617917 C2 DE 19617917C2 DE 19617917 A DE19617917 A DE 19617917A DE 19617917 A DE19617917 A DE 19617917A DE 19617917 C2 DE19617917 C2 DE 19617917C2
- Authority
- DE
- Germany
- Prior art keywords
- nir
- neural network
- signal
- matrix
- kws
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 55
- 238000013528 artificial neural network Methods 0.000 title claims description 41
- 239000000446 fuel Substances 0.000 title claims description 32
- 229930195733 hydrocarbon Natural products 0.000 title claims description 30
- 150000002430 hydrocarbons Chemical class 0.000 title claims description 30
- 239000004215 Carbon black (E152) Substances 0.000 title claims description 28
- 238000001228 spectrum Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 14
- 239000003502 gasoline Substances 0.000 claims description 11
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000003350 kerosene Substances 0.000 claims description 4
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 claims description 3
- 229910052794 bromium Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 2
- 239000003245 coal Substances 0.000 claims description 2
- 238000004821 distillation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 10
- 230000005484 gravity Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 15
- 239000000126 substance Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006798 recombination Effects 0.000 description 6
- 238000005215 recombination Methods 0.000 description 6
- 230000001143 conditioned effect Effects 0.000 description 5
- 239000002283 diesel fuel Substances 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 125000000325 methylidene group Chemical group [H]C([H])=* 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 210000002105 tongue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
- G01N21/17—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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Liquid Carbonaceous Fuels (AREA)
Description
Die Erfindung betrifft ein Verfahren zum Bewerten eines
Kohlenwasserstoff-Kraftstoffs wie Benzin, Dieselkraftstoff,
Kerosin, Naphta, Düsentreibstoff od. dgl. - nachfolgend
auch KWS-Kraftstoff genannt -, durch Bestimmen von zumin
dest einem Parameter dieser Substanz. Zudem erfaßt die Er
findung eine Verwendung eines neuronalen Netzwerks bei ei
nem solchen Verfahren.
Genaue Methoden zum Messen von Parametern von Kraftstoffen
wie Benzin sind wünschenswert. Dabei ist es besonders nütz
lich, genaue Messungen von Parametern wie Oktanzahlen,
Reid-Dampfdruck (reid vapor pressure = RVP) und dgl. zu er
halten, so daß Produkte geliefert werden können, die genau
den Kundenanforderungen entsprechen.
Ein System zum Messen der physikalischen Eigenschaften von
Kohlenwasserstoffen beschreibt die US 5 412 581; eine Refe
renzzelle aus Kohlenwasserstoff wird in thermischen Kontakt
mit einer Vergleichszelle gebracht, welche einen unbekann
ten Kohlenwasserstoff enthält. Von beiden Zellen wird ein
sog. (NIR) Nahes Infrarot Spektrum hergestellt, wobei die
Messdaten der Vergleichszelle durch die Messdaten der Refe
renzzelle angeglichen und die angeglichenen Messdaten durch
ein Modell bewertet werden, um die Eigenschaften der Ver
gleichszelle voraussagen zu können. Jenes Modell wird von
einem Lehrset für Kohlenwasserstoffe bekannter physikali
scher Eigenschaften mit der Referenzzelle hergestellt.
Spektroskopie im nahen - auch mittleren genannten - Infra
rotbereich (near infrared spectroscopy = NIR) hat sich als
nützlich bei der Bewertung gewisser Substanzen erwiesen, da
manche Bänder des NIR-Signals Indikatoren von Parametern
der Substanz sind. Beispielsweise offenbart US 4,963,745
ein Verfahren zum Messen der Oktanzahl von Benzin unter Be
nutzung von NIR-Spektroskopie sowie einer mathematischen
Verarbeitung unter Benutzung von Differentialquotienten
(derivatives). Dieses Verfahren, das gelegentlich als mul
tivariate Analyse bezeichnet wird, ist beim Messen einiger
Parameter durchaus nützlich. Allerdings verlangt dieses
Verfahren nach einem hohen Signal-Rauschverhältnis und
Langzeitstabilität, und setzt ferner eine lineare Korrela
tion zwischen den erhaltenen NIR Spektraldaten sowie dem zu
bestimmenden Parameter voraus. Weitere Einzelheiten zur
NIR-Spektroskopie sind dem Fresenius Journal Anal. Chem.
1992, Bd. 342, S. 292 bis 294 - Foulk. S. I. und DeSimas,
B. E. - zu entnehmen.
Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren
zum Bestimmen gewünschter Parameter einer Substanz,
insbesondere eines Kohlenwasserstoffs wie Benzin oder anderer
Kraftstofftypen, unter
Benutzung der NIR-Spektroskopie anzubieten, wobei genaue Meßwerte
(Ergebnisse) trotz einer Nicht-Linearität des Zusammenhangs
zwischen dem eingegebenen NIR-Signal und dem ausgegebenen,
zu bestimmenden Parameter erhalten werden sollen. Zudem
soll ein Bewertungsverfahren geschaffen werden,
welches genaue Bestimmungen ermöglicht trotz potentiell
größerer Mengen von "Rauschen" oder verstümmelter Daten im
NIR-Signal, wobei auch Meßwerte "On-line" (in Echtzeit)
erhalten werden sollen.
Weitere Aufgaben und Vorteile ergeben sich aus der weiteren
Beschreibung.
Die Aufgabe wird durch das Verfahren nach dem Patentan
spruch 1 sowie die Verwendung nach dem Patentanspruch 17
gelöst.
Erfindungsgemäß werden gewünschte Parameter eines Kohlen
wasserstoffes - bevorzugt eines Kohlenwasserstoff-
Kraftstoffes wie Benzin, Dieselkraftstoff, Naphta, Düsen
kraftstoff, Kerosin od. dgl. - durch ein Verfahren bestimmt,
das die Schritte aufweist: Vorsehen eines zu bewertenden
Kohlenwasserstoffes, Erhalten eines mittleren Infrarot-
Signals (near-infrared signal) des Kohlenwasserstoffes, Co
difizieren (Codieren) des mittleren Infrarot-Signals zum
Reduzieren des Signals auf eine Anzahl von Punkten, Vorse
hen eines neuronalen Netzwerkes (neural network), das zum
Korrelieren (in eine Wechselbeziehung bringen) der Anzahl
von Punkten mit dem gewünschten Parameter und zum Verarbei
ten der Anzahl von Punkten mit dem neuronalen Netzwerk zum
Bestimmen des gewünschten Parameters eingerichtet (gelernt
bzw. trainiert, "trained") ist.
Genau zu bestimmende Parameter müssen nicht linear mit dem
NIR-Signal zusammenhängen und können den Reid-Dampfdruck
(RVP), simulierte Destillationswerte, die Researchoktanzahl
ROZ (research octane number = RON), die Motoroktanzahl MOZ,
den Sauerstoffgehalt, die spezifische Dichte, die Cetanzahl
(cetane number), die Bromzahl, den Anilinpunkt AP, die
Rauchzahl (Rußzahl) und Kombinationen davon umfassen, ge
nauso wie zahlreiche weitere Parameter.
Während ferner die bevorzugte Anwendung des Verfahrens Koh
lenwasserstoffe betrifft, können auch zahlreiche weitere
Substanzen, wie Lebensmittel, Chemikalien und dgl., eben
falls mit dem erfindungsgemäßen Verfahren bewertet werden.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung
ergeben sich aus der nachfolgenden Beschreibung von Ausfüh
rungsformen anhand der Zeichnung, in welcher:
Fig. 1 ein Schemadiagramm eines Apparats zum Durchfüh
ren des erfindungsgemäßen Verfahrens zeigt;
Fig. 2 ein Fußdiagramm zum Verdeutlichen der Schritte
des erfindungsgemäßen Verfahrens zeigt;
Fig. 3 ein Flußdiagramm zum Verdeutlichen des Trainie
rens ("training") eines neuronalen Netzwerkes
zur Benutzung im erfindungsgemäßen Verfahren
zeigt;
Fig. 4 den zweiten Oberton (overtone) und dessen Re
kombinationsbänder für ein typisches, verarbei
tetes Spektrum zeigt, wie in Beispiel 1 illu
striert;
Fig. 5 RVP-Werte illustriert, die erfindungsgemäß vor
hergesagt wurden, im Vergleich zu tatsächlichen
RVP-Werten, die gemäß ASTM D-323 gemessen wur
den;
Fig. 6 herkömmlich vorhergesagte RVP-Werte illu
striert, verglichen mit tatsächlichen RVP-
Werten, die gemäß ASTM D-323 gemessen wurden;
Fig. 7 RON-Werte illustriert, die erfindungsgemäß vor
hergesagt wurden, verglichen mit tatsächlichen
RON-Werten, gemessen gemäß ASTM-2699;
Fig. 8 vorhergesagte RON-Werte des Validierungs-Satzes
(validation set) illustriert, verglichen mit
tatsächlichen ASTM-bestimmten RON-Zahlen, und
Fig. 9 den dritten Oberton und dessen Rekombinations
bänder für ein typisches Verfahrensspektrum,
wie in Beispiel 2 illustriert, zeigt.
Wie oben dargelegt, ist Infrarot-Spektroskopie im mittleren
Infrarot-Bereich (NIR) bekannt, um ein Signal zu erzeugen,
welches verschiedenen Parametern des in Frage stehenden Ma
terials entspricht. Allerdings ist häufig diese Beziehung
im Gebiet der Kohlenwasserstoff-Kraftstoffe nicht linear,
und herkömmliche Verfahren zum Bewerten des Signals, wie
das im US-Patent 4,963,745 beschriebene, benötigen einen
linearen Zusammenhang.
Erfindungsgemäß wird ein Verfahren geschaffen, mit welchen
ein neuronales Netzwerk (neural network) so eingestellt
("trainiert") und benutzt wird, daß es Bestimmungen von ge
wünschten Parametern eines Kohlenwasserstoffes aus einem
NIR-Signal erzeugt, unabhängig davon, ob die Beziehung li
near oder nicht linear ist. Ferner erzeugt das erfindungs
gemäße Verfahren genaue Bestimmungen, selbst wenn es rela
tiv großen Mengen von "Rauschen" oder von verstümmelten Da
ten im NIR-Signal ausgesetzt ist. Außerdem kann das erfin
dungsgemäße Verfahren zur Feststellung benutzt werden, ob
eine vorgegebene Eigenschaft vorliegt, diese innerhalb ei
nes vorgegebenen Bereichs liegt, und ob diese Eigenschaft
zusammen mit anderen Spektren in einer Familie zusammenge
faßt werden kann, und es kann das Ausmaß eines Parameters
oder einer Eigenschaft auf der Basis der Korrelation zwi
schen dem NIR-Spektrum und einem zugehörigen (verknüpften)
Erwartungswert vorhergesagt werden.
Fig. 1 illustriert schematisch einen Apparat zum Durchfüh
ren des erfindungsgemäßen Verfahrens, und Fig. 2 ist ein
Flußdiagramm zum Illustrieren der erfindungsgemäßen Verfah
rensschritte.
Wie in Fig. 1 gezeigt, ist ein Sensor 10 zum Erhalten von
NIR-Signalen des Kohlenwasserstoffs oder anderer, auszuwer
tender Substanzen vorgesehen. Der Sensor 10 kann ein Sensor
zum Erhalten (Erfassen) des reflektierenden (reflective)
NIR-Spektrums oder des NIR-Durchlaßspektrums
(transmittance) des Kohlenwasserstoffs sein. Derartige Sen
soren sind im Stand der Technik bekannt und können erfin
dungsgemäß zum Erhalten der gewünschten NIR-Spektren in
Echtzeit (On-line) sein. Ein typischer Durchlaßsensor
(Transmissionssensor) kann beispielsweise ein Rohr (nicht
gezeigt) aufweisen, durch welches der Kohlenwasserstoff
oder eine andere Substanz fließt, sowie zwei am Rohr vorge
sehene Kollimatoren, welche einen Lichtstrahl durch den
Kohlenwasserstoff hindurchrichten. Natürlich sind zahlrei
che andere Sensortypen oder andere Instrumente zum Erhalten
der gewünschten NIR-Spektren aus dem Stand der Technik be
kannt und erfindungsgemäß zur Benutzung mit der vorliegen
den Erfindung geeignet.
Das erfindungsgemäße System umfaßt ferner ein Übertra
gungselement 12 (transmission member) zum Übertragen
(Weiterleiten) des vom Sensor 10 erhaltenen NIR-Spektrums
zu einem Spektrometer 14 zum Verarbeiten des Signals des
Sensors 10, zum Erhalten einer Basislinienkorrektur (base
line correction) des Signals und zum Reduzieren des Signals
auf eine gewünschte Anzahl von Punkten. Das Übertragungse
lement 12 kann eine geeignete optische Fiber od. dgl. sein.
Das System umfaßt auch ein eingestelltes (gelerntes, trai
niertes) neuronales Netzwerk 16 zum Empfangen des konditio
nierten Signals des Spektrometers 14 (im weiteren wird
"trainiert" synonym mit "gelernt" verwendet).
Das Netzwerk 14 ist so "trainiert", daß es einen oder meh
rere gewünschter Parameter des Kohlenwasserstoffs auf der
Basis der Extinktionswerte (absorbance values) der Punkte
des konditionierten Signals bestimmt. Das Netzwerk 16 ver
arbeitet die vom Spektrometer 14 empfangenen Signale zum
Erzeugen der gewünschten Parameter.
Wie in Fig. 2 gezeigt, verlangt Schritt 18 das Bereitstel
len eines zu messenden und zu bewertenden Kohlenwasser
stoffs, bevorzugt im On-line-Betrieb. Erfindungsgemäß wird
das NIR-Spektrum des Kohlenwasserstoffs in Schritt 20 bei
einer Wellenlänge zwischen etwa 800 nm und etwa 1600 nm ge
messen. In diesem Bereich ist es weiter bevorzugt, eine
Wellenlänge zwischen etwa 800 nm und etwa 1050 nm (die dem
dritten Oberton und dessen Rekombinationsbändern ent
spricht) auszuwählen, oder zwischen etwa 1100 nm und etwa
1500 nm (entsprechend dem zweiten Oberton und dessen Rekom
binatiosbändern). Die vorbeschriebenen Bereiche sind beson
ders bevorzugt, da darin Bänder konzentriert sind, die Me
thyl, Methylen, oleophilischem und aromatischem Gehalt ent
sprechen.
Zahlreiche Spektrometer sind geeignet und kommerziell er
hältlich, um die gewünschten NIR-Spektren bzw. Signale zu
erhalten. Beispiele geeigneter Spektrometer umfassen das
Modell SC 300 von Guidewave, Pioneer 1024 von Perkin Elmer
und weitere.
Das wie oben erhaltene NIR-Signal wird dann in Schritt 24
erfindungsgemäß konditioniert, zum Codifizieren des Signals
durch Korrigieren der spektralen Basislinie und Reduzieren
des Signals auf eine geeignete Anzahl von Punkten, die von
dem neuronalen Netzwerk zum Erhalten der gewünschten Koh
lenwasserstoffparameter zu verarbeiten sind.
Die Signalkonditionierung könnte durch Benutzung eines be
liebigen geeigneten PC durchgeführt werden, beispielsweise
einer Sun Corporation Workstation mit einem UNIX Betriebs
system, oder in beliebiger anderer herkömmlicher Weise, die
geeignet ist, das NIR-Signal auf die dem neuronalen Netz
werk zu übermittelnden Punkte zu korrigieren und zu redu
zieren.
In Schritt 24 werden die Punkte aus Schritt 22 durch das
neuronale Netzwerk verarbeitet, zum Herbeiführen einer Be
stimmung des gewünschten Parameters (Schritt 26).
Ein neuronales Netzwerk ist ein mehrschichtiges (z. B. li
near geschichtetes) Netzwerk (layered network), das eine
Eingangsschicht (Inputschicht) mit einem Netzwerkeingang
(Input) sowie eine Ausgabeschicht (Outputschicht) mit einem
Netzwerkausgang (Output) aufweist. Eine oder mehrere ver
borgene Schichten (hidden layers) sind zwischen der Einga
beschicht und der Ausgabeschicht angeordnet, zum Verarbei
ten eingegebener Information gemäß einer gewichteten Summe
von Netzwerkeingaben.
Punkte aus Schritt 22 werden dem Netzwerkeingang der Einga
beschicht (Input layer) eingegeben und durch die Schichten
des Netzwerks verarbeitet, zum Erzeugen des gewünschten Pa
rameters als Ausgabe (Ausgangssignal) des Netzwerk-Ausgangs
der Ausgabeschicht (Output layer). Die eingegebenen Daten
werden durch eine Sigma-Transformationsfunktion (sigmoid
transfer function) zwischen jeder Schicht des Netzwerks
verarbeitet. Die Transformationsfunktion
(Zustandsübergangsfunktion, Übertragungsfunktion) überträgt
ein Signal zur nächsten Schicht des Netzwerks. Die Kombina
tion der von einer Schicht empfangenen Eingabe dient zum
Definieren der Ausgabe dieser Schicht, wobei verschiedenen
Teilen der Eingabe (des angegebenen Signals) mehr oder weniger
Gewicht auf der Basis der vorerwähnten gewichteten
Werte zugemessen wird.
Die gewichteten Werte werden durch ein Verfahren bestimmt,
das nach dem Stand der Technik als "Training" ("Lernen")
bezeichnet wird, wodurch eine Anzahl von bekannten Eingabe-
und Ausgabewerten dem Netzwerk zugeführt wird, und dann zu
sätzliche Werte durch das Netzwerk verarbeitet werden, wo
bei die gewichteten Werte nach jedem Durchlauf verändert
werden, bis der Fehler konstant und einheitlich unterhalb
einer akzeptablen Fehlermarge liegt.
Neuronale Netzwerke sind im Stand der Technik bekannt. Ge
eignete neuronale Netzwerke können mit kommerziell erhält
licher Software generiert werden, einschließlich Planet
5.6, Unscrambler sowie Neuralwave, aber nicht auf diese Pa
kete beschränkt.
Das Training der neuronalen Netzwerke ist ebenfalls aus dem
Stand der Technik bekannt, und zahlreiche Techniken wie
rückwärtige Ausbreitung (back propagation), gestütztes
(überwachtes) Lernen (supervised learning) und dgl. sind
dem einschlägigen Fachmann bekannt. Ein Beispiel einer
Lern- bzw. Trainingsprozedur wird nachfolgend unter Bezug
auf Fig. 3 dargelegt.
Die Eingabeschicht (Input layer) des neuronalen Netzwerkes
weist eine Anzahl von Knoten zum Empfangen der Punkte des
codifizierten NIR-Signals auf. Die Anzahl von zu benutzen
den Knoten wird so gewählt, daß sie groß genug zum Erzeugen
zuverlässiger Bestimmungen ist, aber klein genug, so daß
das neuronale Netzwerk nicht sehr kompliziert wird. Es hat
sich erfindungsgemäß herausgestellt, daß ein Reid-
Dampfdruck eines Benzins unter Benutzung eines Bereichs
zwischen etwa 30 und etwa 100 Eingangsknoten bestimmt wer
den kann.
Die Knoten der Eingabeschicht (Input layer) verarbeiten die
eingehenden Punkte entsprechend dem Training des neuronalen
Netzwerks zum Erzeugen teilweise verarbeiteter Signale für
die verborgenen Zwischenschicht(en), die die Signale wei
terverarbeitet/(-en), zum Erzeugen eines Ausgangssignals
der Ausgabeschicht entsprechend dem gewünschten Parameter.
Die Ausbreitung (Übertragung) von der Eingabeschicht zur
Zwischenschicht wird durch eine Sigmafunktion (sigmoid
function) erreicht, die zum Bestimmen des Ausgangs
(Ausgangssignals, Output) eines Knotens (j) auf der Basis
eines empfangenen Eingangssignals (Input) eines Knotens aus
Knoten (i) einer vorhergehenden Schicht dient. Die Sigma
funktion stellt sich wie folgt dar:
wobei Ii der Ausgabewert des Knotens i ist, Wji der Gewich
tungswert (weighted value) zwischen den Knoten j und i ist
und Qj der Ausgabewert des Knotens j ist.
Die Sigma-Übertragungsfunktion (transfer function), die im
Zusammenhang mit Vorstehendem benutzt wird, ist bevorzugt
wie folgt:
f(x) = 1/(1 + e-x)
wobei
Die Zwischenschicht weist typischerweise eine Anzahl von
Knoten auf, die geringer ist als die der Eingabeschicht,
und höher als die der Ausgabeschicht. Wenn beispielsweise
die Eingabeschicht 30 bis 100 Knoten aufweist, besitzt die
Zwischenschicht bevorzugt etwa zwischen 3 und etwa 15 Kno
ten. Die Knoten der Zwischenschicht dienen zum Verarbeiten
eingehender Signale aus der Eingabeschicht entsprechend ei
nes zusätzlichen Satzes von gewichteten Werten, die eben
falls während des Trainings des neuronalen Netzwerks be
stimmt worden sind. Ein Fortschreiten (Ausbreiten, propaga
tion) von der Zwischenschicht zur Ausgabeschicht wird eben
falls bevorzugt in der oben beschriebenen Weise erreicht,
so daß der gewünschte Ausgabewert (Output) erreicht wird.
Sigma-Übertragungsfunktionen sind besonders geeignet beim
Verarbeiten von Daten von Schicht zu Schicht im Netzwerk,
da sie nützlich beim Modellieren (Abbilden) von nicht-
linearen Mustern oder Funktionen sind.
Erfindungsgemäß kann der zu bewertende Kohlenwasserstoff
geeignet Benzin, Dieselkraftstoff, Kerosin, Naphta, Düsen
kraftstoff od. dgl. sein. Während zahlreiche Parameter des
Kohlenwasserstoffs ausgewertet werden können, umfassen spe
zifische Beispiele den Reid-Dampfdruck, simulierte Destil
lationswerte, die Researchoktanzahl, die Motoroktanzahl,
den Sauerstoffgehalt, die spezifische Dichte, die Cetanzahl
für Dieselkraftstoff, die Bromzahl für Dieselkraftstoff
oder Benzin, den Anilinpunkt, den Rauchpunkt und dgl. Vie
le der vorstehenden Parameter sind nicht-linear mit dem
NIR-Signal verknüpft und konnten daher mit herkömmlichen
Verfahren nicht bestimmt werden.
Fig. 3 illustriert einen Lernprozeß zum Trainieren eines
neuronalen Netzwerks zur Benutzung gemäß der Erfindung.
Anfänglich wird ein als neuronales Netzwerk konfigurierter
Computer vorgesehen. Ein Datensatz muß dann herangezogen
werden, mit welchem das Training des Netzwerkes initiiert
wird. Schritt 21 in Fig. 3 zeigt die Auswahl der Familie
(family). In Schritt 23 werden NIR-Spektren für jedes Mit
glied der Familie erhalten.
Die gewünschten Parameter für jedes Familienmitglied werden
dann in Schritt 25 bestimmt, unter Benutzung standardisier
ter analytischer Methoden.
Die in Schritt 23 erhaltenen Spektren werden dann in
Schritt 27 und Schritt 29 konditioniert. Schritt 27 erzeugt
die Basislinienkorrektur des Signals, welches, in Schritt
29, reduziert wird, so daß die gewünschte Zahl von Punkten
zum Eingeben in das Netzwerk extrahiert wird.
Zwei Matrizen werden dann generiert, eine mit den in
Schritt 29 erhaltenen Punkten, und die andere mit den ana
lytisch in Schritt 25 bestimmten Parameterwerten. Durch den
Trainingsprozeß, und unter Benutzung der zwei Matrizen,
werden abschließende, gewichtete Werte für die Eingabe- zur
mittleren Schicht und für die mittlere zur Ausgabe-Schicht
berechnet. Die randomisierten, anfänglichen gewichteten
Werte werden durch einen in den Schritten 31 und 32 durch
geführten Iterationsprozeß angepaßt und optimiert. Mit zu
sätzlichen Probewerten (samples) oder mit Mitgliedern der
Datenfamilie werden durch das Netzwerk erzeugte Anzeigewer
te in Schritt 33 mit denjenigen verglichen, die gemäß
Schritt 25 erwartet werden. Bei jedem Vergleich werden
Techniken der Rückwärtsausbereitung (back propagation) oder
des gestützten (überwachten) Lernens (supervised learning)
oder beliebige andere bekannte Lern- bzw. Trainingstechni
ken benutzt, um die Gewichtungswerte zwischen den Knoten
einzustellen, bis das Netzwerk Bestimmungen
(Bestimmungswerte) generiert, die konsistent innerhalb ei
ner akzeptablen Fehlermarge sind. Sobald dies der Fall ist,
ist das Netzwerk ausreichend trainiert und fertig für den
Einsatz. In Schritt 35 wird das Netzwerk zum Bestimmen von
quantitativen Parametern On-line geschaltet (aktiviert),
ohne daß herkömmliche Verfahren notwendig sind, die möglicherweise
nicht On-line (in Echtzeit) durchgeführt werden
könnten, oder nicht einmal am Produktionsstandort.
Dieses Beispiel illustriert das Training eines neuronalen
Netzwerks und die Benutzung des trainierten neuronalen
Netzwerks entsprechend dem erfindungsgemäßen Verfahren zum
Bestimmen des Reid-Dampfdruckes von Benzin.
Bei diesem Beispiel wurde eine Familie von 56 typischen
Benzinen als Datensatz ausgewählt. Diese Familie umfaßte
Benzin, welches als normal (regular), Super (super) und
"Premium" kategorisiert wurde.
NIR-Spektren wurden für jedes Familienmitglied erstellt,
wobei bei diesem Beispiel ein vis-NIR Fiberoptik-basiertes
Spektrometer Guidewave Modell 300A unter Benutzung einer
1 cm Silika-Schmelzwanne (fuse silica cuvette) bei einem
Wellenlängenbereich zwischen 800 nm und 1600 nm bei einem
(1) nm Auflösung eingesetzt wurde.
Standardisierte analytische Techniken wurden dann benutzt,
um den tatsächlichen Reid-Dampfdruck jedes Familienmit
glieds zu messen. Die Messung wurde gemäß ASTM D-323-82
durchgeführt (ASTM = american society for testing materi
als). Der Bereich des ausgewählten Reid-Dampfdrucks lag
zwischen 45,5 kPa und 82,7 kPa (6,6 psi bis 12 psi). Dieser
Bereich entspricht typischen Reid-Dampfdrücken für kommer
zielles Benzin. Die gemessenen Werte sind nachfolgend in
Tabelle I dargestellt.
(In der weiteren Beschreibung gelten die folgenden Abkür
zungen: "ap." für Premium-verbleit, "up." für Medium-
verbleit, "sp." für bleifrei, "gA." für Premium-Kraftstoff
und "gM." für Medium-Kraftstoff (mittlere Qualität).
Der zweite Oberton der NIR-Spektren und deren Rekombinati
onsbänder bei einem Wellenlängenbereich zwischen etwa 1100 nm
und etwa 1500 nm wurde für jedes Mitglied der Familie
gemessen und erfindungsgemäß so konditioniert, daß 47 Punk
te erzeugt wurden. Das Netzwerk wurde so konfiguriert, daß
es 47 Eingabeknoten in der Eingabeschicht für diese Punkte
aufweist. Fig. 4 zeigt eine Kurve, die den ausgewählten
Punkten entspricht.
Die Punkte und analytisch gemessenen Parameter wurden dann
in Matrizen angeordnet, die dem Netzwerk zum Beginnen des
Trainingsprozesses eingegeben wurden. 50 der 56 Familien
mitglieder wurden in den Matrizen angeordnet. Die verblei
benden sechs Proben wurden zur Benutzung bei der Validie
rung des neuronalen Netzwerks nach dem Training zurückge
halten. In diesem Beispiel wird ein vorhergesagter Wert als
akzeptabel angesehen, wenn er innerhalb 0,5 psi des gemäß
ASTM gemessenen Wertes liegt.
Die nachfolgend aufgeführten Tabellen II-IV enthalten die
rauschfreien Vorhersagen von RVP-Werten sowie ASTM-Meßwerte
der vom Trainieren des Netzwerks benutzten 50 Proben. Ta
belle V enthält vorhergesagte und ASTM-Werte für den Vali
dierungssatz. Wie gezeigt waren der durchschnittliche Feh
ler und die Standardabweichung akzeptabel. Ein trainiertes
neuronales Netzwerk war dann fertig und wurde On-line ge
schaltet, um erfindungsgemäß Reid-Dampfdruck zu messen.
RVP-Werte wurden dann erfindungsgemäß vorhergesagt, unter
Benutzung des zweiten Obertons und des Rekombinationsbandes
der 56 Spektren. Die so vorhergesagten RVP-Werte sind in
Fig. 5 gegenüber tatsächlich gemäß ASTM D-323 gemessenen
Werten aufgetragen. Für jeden Kraftstoff wurden fünf zu
sätzliche Vorhersagen gemacht, während das Signal normal
verteilten Rauschwerten von 34 dB, 40 dB, 43.5 dB, 46 dB sowie
48 dB ausgesetzt wurden. Diese Werte sind auch in Fig. 5
dargestellt. Wie gezeigt, erzeugt das Verfahren des neuro
nalen Netzwerks Vorhersagen von RVP-Werten, die innerhalb
akzeptabler Fehlertoleranzen liegen, selbst wenn das Signal
vergleichsweise großen Rauschmengen ausgesetzt wird.
Zum weiteren Illustrieren der Vorteile der vorliegenden Er
findung wurden RVP-Werte derselben Kraftstoffe gemäß her
kömmlicher multivariater Analyse (partielles Verfahren der
kleinsten Quadrate = Partial Least Square) vorhergesagt.
Die Werte sind gegenüber tatsächlichen durch ASTM D-323 er
mittelten Meßwerten aufgetragen, ohne Rauschen und mit hin
zugefügtem normalverteiltem (Gauf-)Rauschen, wie oben be
schrieben. Wie dargestellt, fällt eine wesentlich größere
Anzahl von mit herkömmlichen Verfahren gemachten Vorhersa
gen aus den akzeptablen Fehlergrenzen heraus.
Bei diesem Beispiel wird eine Researchoktanzahl (RON) er
findungsgemäß vorhergesagt und mit tatsächlichen Meßwerten
verglichen, die gemäß ASTM D-2699 ermittelt wurden. Die
vorhergesagten Werte werden in Fig. 7 bestimmten Werten
(festgestellten Werten) gegenübergestellt aufgetragen. Wie
gezeigt, fallen die meisten Werte in das Akzeptanzband des
ASTM. Außerdem liegt, wie oben dargelegt, der dritte Ober
ton im Spektralbereich zwischen etwa 800 nm und etwa 1050 nm,
und dessen Rekombinationsband ist ebenfalls geeignet
zum Erzeugen von Vorhersagen gemäß der Erfindung. Bei die
sem Beispiel wird die RON von dem dritten Oberton
(overtone) vorhergesagt, der in Fig. 9 dargestellt ist.
In Fig. 8 sind ebenfalls Werte für den Validierungssatz
dargestellt und fallen in das Akzeptanzband des ASTM.
Die vorhergehenden Ergebnisse wurden erhalten, wobei das
Spektrum für jeden Kraftstoff von 1600 Punkte auf 47 Punkte
für die Eingabe zum Netzwerk reduziert wurde, in entspre
chender Weise wie beim oben dargelegten Beispiel 1 zum Mes
sen des RVP.
Die nachfolgenden Tabellen VI-IX enthalten Vorhersagewer
te und ASTM-Werte für die Trainingssätze und Validierungs
sätze für das neuronale Netzwerk.
In Tabelle VI und VIII werden vorhergesagte RON-Werte mit
entsprechenden ASTM-Werten verglichen, die zum Aufbauen ei
nes neuronalen Netzwerks gemäß der Erfindung benutzt wur
den. Die Werte des durchschnittlichen Fehlers und der Stan
dardabweichung wurden bestimmt. Diese Werte lagen innerhalb
der durch den ASTM-Test tolerierten Abweichung. RON-Werte
für unabhängige Untermengen (Teilmengen) von Benzinen wur
den dann unter Benutzung des neuronalen Netzwerkes vorher
gesagt. Tabelle VII und IX führen die vorhergesagten Werte
und die gemessenen ASTM-Werte auf. Wie zu erkennen ist,
sind die Ergebnisse in befriedigender Weise vergleichbar,
demonstrieren daher die vorteilhafte und geeignete Leistung
des erfindungsgemäßen neuronalen Netzwerkes.
Somit ist ein System und ein Verfahren zum Bewerten einer
Substanz wie Kohlenwasserstoff-Kraftstoff offenbart, womit
genaue (akkurate) Vorhersagen von Parametern möglich sind,
selbst wenn diese Parameter nicht-linear mit den für die
Vorhersage benutzten NIR-Spektren verknüpft sind.
Während bei der vorliegenden Offenbarung und den bevorzug
ten Ausführungsformen Kohlenwasserstoff-Kraftstoffe bewer
tet wurden, wird auch darauf hingewiesen, daß das erfin
dungsgemäße Verfahren auch nützlich beim Bewerten anderer
Substanzen wäre.
Im Rahmen der vorliegenden Erfindung liegt es auch, das er
findungsgemäß eingesetzte neuronale Netzwerk ("neural net
work") mit (ggf. festverdrahteten) Hardwarekomponenten zu
realisieren.
Diese Erfindung kann in anderer Form verkörpert sein oder
auf andere Weisen ausgeführt werden, ohne von dessen grund
sätzlichen Charakteristiken abzuweichen. Daher ist das vor
liegende Ausführungsbeispiel als in jeder Hinsicht illu
strativ und keinesfalls beschränkend anzusehen.
Claims (17)
1. Verfahren zum Bewerten eines Kohlenwasserstoff-
Kraftstoffes aus einer Familie von Kohlenwasserstoff-
Kraftstoffen oder KWS-Kraftstoffen, die Benzin, Die
selkraftstoff, Kerosin, Naphta und Düsenstreibstoff
enthält, durch Bestimmen zumindest eines gewünschten
Parameters aus der Gruppe, die den Reid-Dampfdruck,
simulierte Destillationswerte, Researchoktanzahl, Mo
toroktanzahl, Sauerstoffgehalt, spezifische Dichte-
Oktanzahl, Bromzahl, Anilinpunkt, Rauchpunkt und Kom
binationen davon umfaßt, bei dem
- 1. ein als neuronales Netzwerk konfigurierter Compu ter eingesetzt wird,
- 2. das neuronale Netzwerk zum Bewerten des KWS-
Kraftstoffes aus der Familie von KWS-Kraftstoffen
durch Bestimmen des gewünschten Parameters mit
tels der folgenden Schritte trainiert wird:
- a) Auswählen einer Mehrzahl von KWS-Kraftstoffen aus der zu bewertenden Familie von KWS- Kraftstoffen,
- b) Herstellen eines Spektrums im Nahen Infrarot (NIR) für jeden der Mehrzahl von KWS- Kraftstoffen;
- c) Codifizieren von jedem der erhaltenen NIR- Spektren durch Vorsehen einer Basislinienkor rektur und folgendem Reduzieren der Basisli nien-korrigierten Spektren auf eine gewünsch te Anzahl von Punkten gemäß den ausgewählten Parametern;
- d) Entwickeln einer ersten Matrix aus der ge wünschten Anzahl von Punkten, wobei diese er ste Matrix danach dem neuronalen Netzwerk zu geführt wird;
- e) Erhalten einer zweiten Matrix von Parameter werten aus einer analytischen Auswertung der Mehrzahl von KWS-Kraftstoffen;
- f) Verarbeiten der ersten Matrix und der zweiten Matrix im neuronalen Netzwerk zum Darstellen einer funktionalen Beziehung zwischen der er sten Matrix und der zweiten Matrix, um eine gewichtete Matrix zu erhalten;
- g) Wiederholen der Schritte (b) bis (f) zum Ein stellen einer optimal gewichteten Matrix;
- 3. ein NIR-Spektrum aus einem aus der Familie von KWS-Kraftstoffen ausgewählten KWS-Kraftstoff mit der optimal gewichteten Matrix im neuronalen Netzwerk verglichen wird zum Erhalten eines Vor hersagewertes der gewünschten Parameter für den ausgewählten Kohlenwasserstoff-Kraftstoff.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
der Schritt des Codifizierens das Reduzieren des Si
gnals auf etwa 47 Punkte einschließt.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich
net, daß der zu bestimmende Parameter Reid-Dampfdruck
ist, wobei der Schritt des Codifizierens das Reduzie
ren des Signals auf zwischen etwa 30 und etwa 100
Punkte einschließt.
4. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich
net, daß der zu bestimmende Parameter die Researchok
tanzahl ist, wobei der Schritt des Codifizierens das
Reduzieren des Signals auf zwischen etwa 30 und etwa
100 Punkte einschließt.
5. Verfahren nach einem der Ansprüche 1 bis 4, gekenn
zeichnet durch das Auswählen eines zu bestimmenden Pa
rameters, der nicht-linear mit dem Nahen-Infrarot-
Signal (NIR) verknüpft ist.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch
gekennzeichnet, daß das NIR-Signal bei einer Wellen
länge zwischen etwa 800 nm und etwa 1600 nm erhalten
wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß
das NIR-Signal bei einer Wellenlänge zwischen etwa 800 nm
und etwa 1050 nm erhalten wird.
8. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß
das NIR-Signal bei einer Wellenlänge zwischen etwa
1100 nm und etwa 1500 nm erhalten wird.
9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch
gekennzeichnet, daß das NIR-Signal on-line erhalten
wird.
10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch
gekennzeichnet, daß der Schritt des Erhaltens des NIR-
Signals das Auftreten eines transmissiven NIR-
Spektrums aus dem Kohlenwasserstoff einschließt.
11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch
gekennzeichnet, daß der Schritt des Erhaltens des NIR-
Spektrums das Auftreten eines reflektiven NIR-
Spektrums aus dem Kohlenwasserstoff einschließt.
12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch
gekennzeichnet, daß die Codifizierung den Schritt der
Basislinienkorrektur des Signals vor dem Reduzieren
des Signals auf die Anzahl von Punkten einschließt.
13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch
gekennzeichnet, daß das Bereitstellen des
neuronalen Netzwerks das Bereitstellen eines neurona
len Netzwerks mit einer Eingabeschicht, einer Zwi
schenschicht und einer Ausgabeschicht einschließt, wo
bei die Eingabeschicht zwischen etwa 30 und etwa 100
Knoten, die Zwischenschicht von etwa 3 bis etwa 15
Knoten, und die Ausgabeschicht eine Anzahl von Knoten
aufweist, die äquivalent der Anzahl von zu bestimmen
den, gewünschten Parametern ist.
14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch
gekennzeichnet, daß beim Bereitstellen des neuronalen
Netzwerks ein neuronales Netzwerk mit Schichten be
reitgestellt wird, das Transferfunktionen zwischen den
Schichten aufweist, die Sigma-Funktionen sind.
15. Verfahren nach Anspruch 14, gekennzeichnet durch die
folgende Sigma-Funktion:
wobei i und j Knoten des Netzwerks, Ii ein Ausgabewert des Knotens i, Wji ein gewichteter Wert zwischen i und j sowie Oj ein Ausgabewert des Knotens j sind.
wobei i und j Knoten des Netzwerks, Ii ein Ausgabewert des Knotens i, Wji ein gewichteter Wert zwischen i und j sowie Oj ein Ausgabewert des Knotens j sind.
16. Verfahren nach Anspruch 15, dadurch gekennzeichnet,
daß die Sigma-Funktion folgende Sigma-Transferfunktion
aufweist:
17. Verwendung eines mit einer Datenverarbeitungseinrich
tung realisierten neuronalen Netzwerks zur Vorhersage
von Parameterwerten eines Kohlenwasserstoff-
Kraftstoffs aus Werten eines NIR-Spektrums des Kohlen
wasserstoff-Kraftstoffs.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/585,000 US5572030A (en) | 1994-04-22 | 1996-01-11 | Method for determining parameter of hydrocarbon |
CA002175326A CA2175326C (en) | 1996-01-11 | 1996-04-29 | Method for determining parameter of hydrocarbon |
GB9608947A GB2312741A (en) | 1996-01-11 | 1996-04-29 | Determining parameters of hydrocarbons |
DE19617917A DE19617917C2 (de) | 1996-01-11 | 1996-05-03 | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks |
JP8112861A JPH09305567A (ja) | 1996-01-11 | 1996-05-07 | 炭化水素燃料の評価方法 |
NL1003058A NL1003058C2 (nl) | 1996-01-11 | 1996-05-07 | Werkwijze voor het bepalen van parameters van koolwaterstof. |
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/585,000 US5572030A (en) | 1994-04-22 | 1996-01-11 | Method for determining parameter of hydrocarbon |
CA002175326A CA2175326C (en) | 1996-01-11 | 1996-04-29 | Method for determining parameter of hydrocarbon |
GB9608947A GB2312741A (en) | 1996-01-11 | 1996-04-29 | Determining parameters of hydrocarbons |
DE19617917A DE19617917C2 (de) | 1996-01-11 | 1996-05-03 | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks |
JP8112861A JPH09305567A (ja) | 1996-01-11 | 1996-05-07 | 炭化水素燃料の評価方法 |
NL1003058A NL1003058C2 (nl) | 1996-01-11 | 1996-05-07 | Werkwijze voor het bepalen van parameters van koolwaterstof. |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19617917A1 DE19617917A1 (de) | 1997-11-13 |
DE19617917C2 true DE19617917C2 (de) | 2002-05-29 |
Family
ID=27543498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19617917A Expired - Lifetime DE19617917C2 (de) | 1994-04-22 | 1996-05-03 | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks |
Country Status (5)
Country | Link |
---|---|
US (1) | US5572030A (de) |
JP (1) | JPH09305567A (de) |
CA (1) | CA2175326C (de) |
DE (1) | DE19617917C2 (de) |
GB (1) | GB2312741A (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10315077A1 (de) * | 2003-04-02 | 2004-10-14 | Walter Dr. Rubin | Durchlicht-IR-Spektrometrieverfahren und Probenträger |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822058A (en) * | 1997-01-21 | 1998-10-13 | Spectral Sciences, Inc. | Systems and methods for optically measuring properties of hydrocarbon fuel gases |
IT1296939B1 (it) * | 1997-12-09 | 1999-08-03 | Euron Spa | Procedimento per la predizione delle caratteristiche a freddo di gasoli |
US7540887B1 (en) | 2002-07-23 | 2009-06-02 | Gregory Turocy | Methods and systems for producing fuel compositions |
US7238847B2 (en) * | 2002-12-23 | 2007-07-03 | Shell Oil Company | Apparatus and method for determining and controlling the hydrogen-to-carbon ratio of a pyrolysis product liquid fraction |
CN100425975C (zh) * | 2004-07-29 | 2008-10-15 | 中国石油化工股份有限公司 | 由近红外光谱测定汽油性质数据的方法 |
TWI285261B (en) * | 2005-12-29 | 2007-08-11 | Ind Tech Res Inst | Mobile oil-analyzing apparatus and analyzing method thereof |
FR2916019B1 (fr) * | 2007-05-07 | 2014-06-27 | Sp3H | Procede de reglage des parametres d'injection, de combustion et/ou de post-traitement d'un moteur a combustion interne a auto-allumage. |
DE102007025585A1 (de) * | 2007-06-01 | 2008-12-04 | Siemens Ag | Verfahren zum Betreiben eines Verbrennungsmotors und Vorrichtung zur Bestimmung eines Betriebsparameters dessen |
DE102007042507B4 (de) | 2007-09-07 | 2019-12-12 | HELLA GmbH & Co. KGaA | Verfahren zur Bestimmung von Inhaltsstoffen von Flüssigkeiten, insbesondere von Motoröl |
CN101169387B (zh) * | 2007-11-28 | 2012-02-08 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
CN101201331B (zh) * | 2007-11-28 | 2012-02-08 | 华东理工大学 | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 |
CN101915746B (zh) * | 2010-07-22 | 2012-09-12 | 中国人民解放军空军油料研究所 | 航空润滑油及添加剂的鉴定方法 |
IT1401501B1 (it) | 2010-08-02 | 2013-07-26 | Eni Spa | Metodo per predire le qualita' e le rese di un greggio |
US8930149B1 (en) | 2010-10-18 | 2015-01-06 | Saudi Arabian Oil Company | Relative valuation method for naphtha streams |
US9429556B2 (en) | 2010-10-18 | 2016-08-30 | Saudi Arabian Oil Company | Relative valuation method for naphtha streams |
US9423391B2 (en) | 2010-10-18 | 2016-08-23 | Saudi Arabain Oil Company | Relative valuation method for naphtha streams |
US10031121B2 (en) | 2011-02-22 | 2018-07-24 | Saudi Arabian Oil Company | Characterization of an API gravity value of crude oil by ultraviolet visible spectroscopy |
US11022588B2 (en) | 2011-02-22 | 2021-06-01 | Saudi Arabian Oil Company | Characterization of crude oil by simulated distillation |
US10677718B2 (en) | 2011-02-22 | 2020-06-09 | Saudi Arabian Oil Company | Characterization of crude oil by near infrared spectroscopy |
US10684239B2 (en) | 2011-02-22 | 2020-06-16 | Saudi Arabian Oil Company | Characterization of crude oil by NMR spectroscopy |
US10571452B2 (en) | 2011-06-28 | 2020-02-25 | Saudi Arabian Oil Company | Characterization of crude oil by high pressure liquid chromatography |
US10725013B2 (en) | 2011-06-29 | 2020-07-28 | Saudi Arabian Oil Company | Characterization of crude oil by Fourier transform ion cyclotron resonance mass spectrometry |
US10048194B2 (en) | 2012-02-21 | 2018-08-14 | Saudi Arabian Oil Company | Characterization of crude oil by ultraviolet visible spectroscopy |
US10627345B2 (en) | 2015-01-05 | 2020-04-21 | Saudi Arabian Oil Company | Characterization of crude oil by near infrared spectroscopy |
EP3243065A1 (de) | 2015-01-05 | 2017-11-15 | Saudi Arabian Oil Company | Charakterisierung von rohöl durch uv/vis-spektroskopie |
JP6792557B2 (ja) | 2015-01-05 | 2020-11-25 | サウジ アラビアン オイル カンパニー | 熱重量分析による原油およびその留分のキャラクタリゼーション |
US10845355B2 (en) | 2015-01-05 | 2020-11-24 | Saudi Arabian Oil Company | Characterization of crude oil by fourier transform near infrared spectrometry |
CN104990893B (zh) * | 2015-06-24 | 2017-12-29 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
US10877016B2 (en) * | 2015-12-08 | 2020-12-29 | National Institute For Materials Science | Fuel oil identification sensor equipped with receptor layer composed of hydrocarbon-group-modified particles, and fuel oil identification method |
WO2017214311A1 (en) * | 2016-06-07 | 2017-12-14 | Yokogawa Corporation Of America | System and method for online measurement of vapor pressure in hydrocarbon process streams |
JP7297348B2 (ja) * | 2020-03-05 | 2023-06-26 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
WO2021206076A1 (ja) * | 2020-04-10 | 2021-10-14 | 国立大学法人筑波大学 | 計測信号処理装置、計測信号処理方法およびプログラム |
US11781427B2 (en) | 2022-02-28 | 2023-10-10 | Saudi Arabian Oil Company | Method to prepare virtual assay using ultraviolet spectroscopy |
US11913332B2 (en) | 2022-02-28 | 2024-02-27 | Saudi Arabian Oil Company | Method to prepare virtual assay using fourier transform infrared spectroscopy |
US11781988B2 (en) | 2022-02-28 | 2023-10-10 | Saudi Arabian Oil Company | Method to prepare virtual assay using fluorescence spectroscopy |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4963745A (en) * | 1989-09-01 | 1990-10-16 | Ashland Oil, Inc. | Octane measuring process and device |
US5412581A (en) * | 1992-11-05 | 1995-05-02 | Marathon Oil Company | Method for measuring physical properties of hydrocarbons |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5015856A (en) * | 1990-03-28 | 1991-05-14 | E. I. Du Pont De Nemours And Company | Automated process for permeability determinations of barrier resins |
US5218529A (en) * | 1990-07-30 | 1993-06-08 | University Of Georgia Research Foundation, Inc. | Neural network system and methods for analysis of organic materials and structures using spectral data |
US5265031A (en) * | 1990-11-26 | 1993-11-23 | Praxair Technology, Inc. | Diagnostic gas monitoring process utilizing an expert system |
MY108958A (en) * | 1992-10-05 | 1996-11-30 | Shell Int Research | An apparatus for fuel quality monitoring |
AU677609B2 (en) * | 1992-10-15 | 1997-05-01 | Shell Internationale Research Maatschappij B.V. | Method for prediction of cetane numbers of gasoils |
NZ261119A (en) * | 1993-01-28 | 1997-08-22 | Shell Int Research | Neural network image processing for physical property prediction |
-
1996
- 1996-01-11 US US08/585,000 patent/US5572030A/en not_active Expired - Lifetime
- 1996-04-29 GB GB9608947A patent/GB2312741A/en not_active Withdrawn
- 1996-04-29 CA CA002175326A patent/CA2175326C/en not_active Expired - Lifetime
- 1996-05-03 DE DE19617917A patent/DE19617917C2/de not_active Expired - Lifetime
- 1996-05-07 JP JP8112861A patent/JPH09305567A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4963745A (en) * | 1989-09-01 | 1990-10-16 | Ashland Oil, Inc. | Octane measuring process and device |
US5412581A (en) * | 1992-11-05 | 1995-05-02 | Marathon Oil Company | Method for measuring physical properties of hydrocarbons |
Non-Patent Citations (1)
Title |
---|
FOULK, S.J. und DeSIMAS, B.E.: Fresenius J.Anal.Chem., 1992, Bd. 342, S. 292-294 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10315077A1 (de) * | 2003-04-02 | 2004-10-14 | Walter Dr. Rubin | Durchlicht-IR-Spektrometrieverfahren und Probenträger |
Also Published As
Publication number | Publication date |
---|---|
GB2312741A (en) | 1997-11-05 |
CA2175326C (en) | 1999-11-16 |
GB9608947D0 (en) | 1996-07-03 |
DE19617917A1 (de) | 1997-11-13 |
JPH09305567A (ja) | 1997-11-28 |
US5572030A (en) | 1996-11-05 |
CA2175326A1 (en) | 1997-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19617917C2 (de) | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks | |
Milne et al. | Exploring the reliability of social and environmental disclosures content analysis | |
EP1193488B1 (de) | Verfahren und Vorrichtung zum Ermitteln der Gasbeschaffenheit eines Erdgases | |
DE69837192T2 (de) | Eichmethode für instrumente zur spektrografischen analyse | |
WO2017071824A1 (de) | Verfahren zum ermitteln von texturparametern eines lacks | |
DE102020116094B4 (de) | Mehrzahl an baugleichen Spektrometern und Verfahren zu deren Kalibrierung | |
DE102009011636A1 (de) | Spektroskopisches Ellipsometer | |
AT406711B (de) | Verfahren zur spektroskopischen bestimmung der konzentration von alkoholen mit 1 bis 5 kohlenstoffatomen | |
EP2748589B1 (de) | Verfahren zum Ermitteln der Reinheit eines Kältemittels | |
EP0812415B1 (de) | Verfahren zur herstellung der vergleichbarkeit von spektrometermessungen | |
DE60305072T2 (de) | Optisches verfahren zur untersuchung von reliefs einer struktur | |
CA2154786A1 (en) | Method for prediction of physical property data of hydrocarbon products | |
DE3819101A1 (de) | Verfahren und vorrichtung zur messwertverarbeitung | |
DE4203588A1 (de) | Quantitatives spektralanalytisches verfahren | |
WO2019001902A1 (de) | Verfahren zur erstellung einer bewertungstabelle für eine ultraschallprüfung sowie verfahren zur ultraschallprüfung | |
WO1999047909A1 (de) | Automatisches kalibrationsverfahren | |
JPH08502360A (ja) | 軽油のセタン価の予測方法 | |
DE69636276T2 (de) | Steuerung eines Prozesses | |
DE10059028A1 (de) | Spektrometriesystem | |
DE102022206362B3 (de) | Verfahren und Vorrichtung zur Ermittlung der Rußtendenz einer Substanz, Verwendung der Vorrichtung und Computerprogrammprodukt | |
DE102017210548A1 (de) | Dickenunabhängige spektroskopische Analyse von Betriebsstoffen | |
EP4381290A1 (de) | VERFAHREN ZUR BESTIMMUNG EINER NORMIERTEN RUßBILDUNGSNEIGUNG EINES STOFFGEMISCHS UND VON REPRÄSENTATIVEN INDIZES ZUR BERECHNUNG EINES GESAMT-RUßBILDUNGSNEIGUNGS-INDEX | |
DE10121641A1 (de) | Verfahren und Vorrichtung zum Ermitteln der Gasbeschaffenheit eines Erdgases | |
WO2023208563A1 (de) | VERFAHREN ZUR BESTIMMUNG EINER NORMIERTEN RUßBILDUNGSNEIGUNG EINES STOFFGEMISCHS | |
Kimura et al. | Application of artificial neural network to optical fluid analyzer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
R071 | Expiry of right |