本發(fā)明為一種油品性質(zhì)快速檢測方法，具體是一種基于主成分分析相似判別的油品性質(zhì)檢測方法。

背景技術(shù)：

目前，近紅外光譜分析方法已廣泛應(yīng)用于油品性質(zhì)分析中，同傳統(tǒng)的實(shí)驗(yàn)室化驗(yàn)方法相比，該方法具有分析速度快、精度高和耗費(fèi)少等優(yōu)點(diǎn)。

基于局部樣本的建模方法，是一種能夠提高模型準(zhǔn)確性的有效方法，其基本思想是：基于光譜從校正集樣本中選取與待測樣本最相似的一組樣本，然后由這些樣本(即局部樣本)經(jīng)過統(tǒng)計(jì)分析或經(jīng)典的校正方法得到最終的預(yù)測結(jié)果。基于局部樣本的建模策略適用于非線性體系的校正，同時(shí)可充分利用樣本庫的優(yōu)勢，避免傳統(tǒng)因子分析方法因樣品組成等變動(dòng)需要頻繁更新模型的弊病。

我們前期已提出一種基于相似判別的辛烷值檢測方法，該方法對(duì)光譜進(jìn)行預(yù)處理后，采用主成分分析(PCA)方法計(jì)算吸光度矩陣的得分矩陣，利用累積貢獻(xiàn)率達(dá)85％-95％對(duì)應(yīng)的得分向量組成新的得分矩陣，基于新得分矩陣采用歐式距離計(jì)算待測樣本與光譜數(shù)據(jù)庫中樣本的光譜距離，并將其作為查找相似樣本(即局部樣本)的判別條件，選出光譜距離小于閾值的相似樣本作為校正樣本建立偏最小二乘模型，并對(duì)待測樣本進(jìn)行預(yù)測。

上述方法一般選取得分矩陣的前兩個(gè)得分向量，相當(dāng)于在二維坐標(biāo)圖中計(jì)算待測樣本與光譜數(shù)據(jù)庫中樣本的光譜距離。不可避免地，有些樣本的第一主成分和第二主成分很相近，但第三主成分有差別，這造成在二維主成分分析圖中的位置分布假象，進(jìn)而造成相似樣本選取不正確，預(yù)測結(jié)果的精度不夠理想。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明提出了一種基于主成分分析相似判別的油品性質(zhì)檢測方法。

本發(fā)明具體步驟如下：

(1)獲取待測油品樣本的近紅外光譜；

(2)對(duì)待測油品光譜和校正集中樣本光譜進(jìn)行常規(guī)預(yù)處理；

(3)將預(yù)處理后的所有光譜數(shù)據(jù)進(jìn)行主成分分析；

(4)根據(jù)主成分分析后的得分矩陣，選取前m個(gè)得分向量，繪制主成分分析圖；

(5)根據(jù)主成分分析圖，按照一定規(guī)則選取待測樣本的p個(gè)相似樣本；

(6)根據(jù)相似樣本采用偏最小二乘建立模型；

(7)通過建好的模型對(duì)待測樣本的性質(zhì)進(jìn)行預(yù)測。

光譜預(yù)處理方法采用基線校正、波段截取和矢量歸一。

在提取了光譜的主要特征的前提下，本方法希望精確選取與待測樣本最相似的臨近樣本，因此本方法繪制了三維主成分分析圖，即以第一主成分為橫軸，第二主成分為縱軸，第三主成分為豎軸。

由于第一主成分代表吸光度矩陣變異最大的方向，第二主成分次之，第三主成分再次之，因此本方法在主成分分析圖中繪制立方體框，立方體框的長寬高比例為3:2:1，將位于立方體框內(nèi)的樣本作為待測樣本的相似樣本。

本方法選取50個(gè)相似樣本，即p＝50±5。

有益效果：

本發(fā)明所提供的檢測方法基于油品近紅外光譜，采用主成分分析結(jié)合偏最小二乘法建模，實(shí)現(xiàn)油品性質(zhì)的快速檢測。與一般的建模方法相比，本方法能快速并更加準(zhǔn)確預(yù)測油品性質(zhì)，如成品汽油的辛烷值、密度、飽和蒸氣壓等等，有助于煉化企業(yè)的在線優(yōu)化控制，進(jìn)而提高企業(yè)的經(jīng)濟(jì)效益。

附圖說明

圖1基于主成分分析相似判別的油品性質(zhì)檢測方法流程圖

圖2某待測汽油辛烷值在主成分分析圖中的分布

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施案例對(duì)本發(fā)明作進(jìn)一步的說明。

本發(fā)明以某92#成品油為例，介紹基于主成分分析相似判別的油品性質(zhì)檢測方法。表1為某92#成品油所有樣本的編號(hào)及其對(duì)應(yīng)的研究法辛烷值(RON)。

表1某92#成品油樣本編號(hào)及對(duì)應(yīng)的RON

在表1中，編號(hào)95#-1～290的樣本作為校正集樣本，編號(hào)95#-291～300的樣本作為待測樣本。下面以編號(hào)95#-291待測樣本為例，說明本發(fā)明預(yù)測汽油辛烷值的詳細(xì)過程：

第一步：對(duì)編號(hào)95#-1～291的樣本進(jìn)行光譜預(yù)處理，包括基線校正、譜圖截取和矢量歸一化。

首先，基線校正采用兩點(diǎn)法基線校正，選取6400cm^-1和9200cm^-1兩波數(shù)點(diǎn)作為兩基點(diǎn)，基線校正后的吸光度通過下式計(jì)算：

式中，x_i為汽油在近紅外光譜區(qū)的波數(shù)；kx_i+b為過6400cm^-1和9200cm^-1兩點(diǎn)的直線方程，其中k為該直線斜率，b為該直線截距；y_i表示原譜圖在波數(shù)x_i下的吸光度；y_i^*表示基線校正后譜圖在波數(shù)x_i下的吸光度。

其次，截取4000cm^-1～4800cm^-1波數(shù)段內(nèi)的譜圖。

最后，矢量歸一化采用下式計(jì)算：

式中，X_ij是指第i個(gè)樣本在波數(shù)j下的吸光度；指第i個(gè)樣本的吸光度平均值；m是波數(shù)點(diǎn)的個(gè)數(shù)；X_ij^*表示矢量歸一化之后的第i個(gè)樣本在波數(shù)j下的吸光度。

第二步：對(duì)編號(hào)95#-1～291的汽油樣本的譜圖數(shù)據(jù)進(jìn)行上述預(yù)處理后，通過主成分分析得到得分矩陣，并選取前3個(gè)得分向量，如表2所示。

表2編號(hào)為95#-1～291的汽油樣本的光譜的得分向量

圖2為編號(hào)92#-291的待測汽油樣本在PCA分布圖的位置，見圖2中的三角標(biāo)志，最終的立方體框也已在圖中顯示。

第三步：將位于立方體框內(nèi)的樣本作為92#-291的相似樣本。這些相似樣本的編號(hào)及性質(zhì)化驗(yàn)值如表3所示。

表3編號(hào)92#-291的汽油樣本的相似樣本編號(hào)及RON

第四步：根據(jù)表3中的相似樣本的吸光度數(shù)據(jù)采用偏最小二乘建立模型，然后對(duì)92#-291樣本的RON進(jìn)行預(yù)測，預(yù)測結(jié)果為92.16，辛烷值化驗(yàn)值為92.2，預(yù)測誤差僅為0.04。

為了更好地說明本發(fā)明的預(yù)測效果，對(duì)上述92#成品油樣本庫以及待測樣本，與我們前期申請(qǐng)的專利“一種基于相似判別的辛烷值檢測方法”(CN 104990893 A)所提出的方法進(jìn)行對(duì)比。表4給出了兩種方法的預(yù)測結(jié)果比較。

表4兩種方法的預(yù)測結(jié)果比較

本發(fā)明對(duì)于最終結(jié)果的評(píng)價(jià)依據(jù)均方根誤差，即RMSE。RMSE通過下式計(jì)算：

式中，np為待測汽油樣本的個(gè)數(shù)；指第i個(gè)待測汽油的辛烷值預(yù)測值；x_i指第i個(gè)待測汽油的辛烷值化驗(yàn)值。RMSE值越小，說明預(yù)測的精確度越高，預(yù)測效果越好。

經(jīng)計(jì)算，新方法的RMSE為0.2086，而原方法為0.2232?？梢姡m然原方法已較常規(guī)快速檢測方法具有更優(yōu)的性能，而本發(fā)明所述方法在原方法基礎(chǔ)上精度又有了進(jìn)一步提升。

雖然CN 104990893 A公開的技術(shù)方案一般情況下是在二維坐標(biāo)圖中來選取樣本，看似給出了用三維坐標(biāo)圖進(jìn)行樣本選取的技術(shù)啟示。但需要強(qiáng)調(diào)的是，CN 104990893 A所選取前兩個(gè)得分向量進(jìn)行樣本選取是通過計(jì)算累積貢獻(xiàn)率處于85％～95％得出的，并非直接選取(存在若前兩個(gè)得分向量累積貢獻(xiàn)率不滿足要求擴(kuò)展至前三、四……個(gè)得分向量的可能)；而本申請(qǐng)的方案是明確用前三個(gè)得分向量進(jìn)行立體空間劃分來選取樣本。二者思路完全不同，可放在一起進(jìn)行效果對(duì)比，但彼此間并不會(huì)產(chǎn)生技術(shù)啟示。