一种柴油在线调和方法
专利汇可以提供一种柴油在线调和方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及成品油性质预测及调节技术领域，公开了一种柴油在线调和方法，包括以下步骤：对不同类型、不同浓度的组分油样品进行 光谱 分析，得到各所述组分油样品的性质测量值；根据性质测量值对各所述组分油样品的进行筛选建立校正集，对所述校正集进行拟合，得到浓度与性质测量值之间的性质校正模型；收集历史调和配方，以所述历史调和配方中组分油性质值作为输入，以根据所述历史调和配方得到的成品油性质值作为输出，对神经网络进行训练，得到调和模型；根据所述性质校正模型以及调和模型对柴油调和过程进行在线控制。本发明可以对柴油调和过程进行在线控制，调和准确度高。，下面是一种柴油在线调和方法专利的具体信息内容。
1.一种柴油在线调和方法，其特征在于，包括以下步骤：
对不同类型、不同浓度的组分油样品进行光谱分析，得到各所述组分油样品的性质测量值；
根据性质测量值对各所述组分油样品的进行筛选建立校正集，对所述校正集进行拟合，得到浓度与性质测量值之间的性质校正模型；
收集历史调和配方，以所述历史调和配方中组分油性质值作为输入，以根据所述历史调和配方得到的成品油性质值作为输出，对神经网络进行训练，得到调和模型；
根据所述性质校正模型以及调和模型对柴油调和过程进行在线控制。
2.根据权利要求1所述的柴油在线调和方法，其特征在于，对不同类型、不同浓度的组分油样品进行光谱分析，得到各所述组分油样品的性质测量值，具体为：
采用近红外光谱分析仪对不同类型、不同浓度的组分油样品进行光谱分析，得到各所述组分油样品的性质测量值。
3.根据权利要求1所述的柴油在线调和方法，其特征在于，对各所述组分油样品的性质测量值的进行筛选建立校正集之前还包括：对所述性质测量值进行数据的预处理；
对所述性质测量值进行数据的预处理，具体为：
采用窗口移动平均算法对所述性质测量值进行平滑处理：
其中， 为第k个波长点平滑处理后的性质测量值，2w+1为窗口宽度，xk+i为第k+i个波长点平滑处理前的性质测量值；
对所述性质测量值进行导数处理消除光谱基线漂移：
X'(i)＝[x(i+g)-x(i)]/g
X”(i)＝[x(i+g)-2x(i)+x(i-g)]/g2
其中，X'(i)为第i个波长点一阶微分后的性质测量值，X”(i)为第i个波长点二阶微分后的性质测量值，x(i+g)为第i+g个波长点导数处理前的性质测量值，x(i)为第i个波长点导数处理前的性质测量值；
对所述性质预测值进行数据中心化以及标准化：
其中，x'(i)为第i个波长点数据中心化以及标准化后的性质测量值，x(i)为第i个波长点数据中心化以及标准化前的性质测量值，u为各组分油样品的性质测量均值，σ为各组分油样品的性质测量值的标准差。
4.根据权利要求1所述的柴油在线调和方法，其特征在于，根据性质测量值对各所述组分油样品的进行筛选建立校正集，具体为：
选取性质测量值之间的欧氏距离最远的两个组分油样品加入初始的校正集；
分别计算每一未加入所述校正集中的组分油样品的性质测量值与每一已加入所述校正集的组分油样品的性质测量值之间的欧氏距离，并将欧式距离最远的组分油样品加入所述校正集；
判断所述校正集的样本数量是否大于设定阈值，如果是，则输出校正集，否则转上一步。
5.根据权利要求1所述的柴油在线调和方法，其特征在于，对所述校正集进行拟合，得到浓度与性质测量值之间的性质校正模型，具体为：
将光谱区域划分为多个等宽的波段，在每一所述波段上对所述校正集进行偏最小二乘回归建模，得到各所述波段的局部回归模型，计算各所述波段的局部回归模型的RMSECV值，取RMSECV值最小的局部回归模型为第一个入选模型，取RMSECV值最小的局部回归模型对应的波段为第一个入选波段；
将除已入选波段以外的其他波段分别与上一个入选波段进行联合，得到多个联合波段，在每一所述联合波段上对所述校正集进行偏最小二乘回归建模，得到各所述联合波段的局部回归模型，取RMSECV值最小的局部回归模型为下一个入选模型，取RMSECV值最小的局部回归模型对应的联合波段为下一个入选波段；
判断是否所有波段均联合完成，如果是，则输出RMSECV值最小的入选模型对应的入选波段作为最佳区间，否则转上一步进行下一次的波段联合；
在所述最佳区间上作为对所述校正集进行偏最小二乘回归建模，得到所述性质校正模型。
6.根据权利要求1所述的柴油在线调和方法，其特征在于，根据性质测量值对各所述组分油样品的进行筛选建立校正集还包括：对所述校正集中异常点进行剔除：
计算每一所述组分油样品的浓度的马氏距离：
MD＝sT(SST)-1s
其中，MD为马氏距离，s为所述校正集的得分向量，sT为s的转置矩阵，S为所述校正集的得分矩阵，ST为S的转置矩阵；
判断MD>3k/n是否成立，n为校正集的组分油样品数量，k为主成分数量，如果是，则判定相应组分油样品为第一类异常点，并剔除第一类异常点；
采用t检测方法判断所述校正集中是否存在第二类异常点：
其中，ti第i个组分油样品的检测统计量，yi为第i个组分油样品的性质测量值， 为第i个组分油样品的性质预测值，MD为第i个组分油样品的浓度的马氏距离，d为性质校正模型的自由度，d＝n-k-1， 为校正集中组分油样品的性质预测值；y为校正集中组分油样品的性质实际值；
查询t界值表中与所述自由度d相对应的界值，判断所述检测统计量ti是否小于所述自由度d相对应的界值，如果不小于，则判定第i个组分油样品为第二类异常点，并剔除第二类异常点。
7.根据权利要求1所述的柴油在线调和方法，其特征在于，还包括：
采用所述性质校正模型对所述校正集中组分油样品的性质进行预测得到性质预测值；
采用t检测方法对所述性质预测值与性质测量值进行检测：
其中，t为校正集的检验统计量， 各组分油样品的性质预测值与性质测量值之间差值的平均值，Sd为性质预测值与性质测量值之间差值的标准偏差，m为组分油样品的数量；
设定显著性水平值，查询t界值表中与所述显著性水平之对应的界值，检验统计量t是否小于所述显著性水平之对应的界值，如果小于，则说明所述性质校正模型符合精度要求，否则不符合精度要求。
8.根据权利要求1所述的柴油在线调和方法，其特征在于，还包括：对所述校正集进行更新，并根据更新后的校正集重新建立所述性质校正模型。
9.根据权利要求1所述的柴油在线调和方法，其特征在于，收集历史调和配方，以所述历史调和配方中组分油性质值作为输入，以根据所述历史调和配方得到的成品油性质值作为输出，对神经网络进行训练，得到调和模型，具体为：
以所述历史调和配方中组分油性质的数量作为神经网络输入层神经元的数量，以所述历史调和配方中组分油性质作为神经网络输入层神经元的初始值，根据输入层神经元的值，采用sigmoid函数作为激活函数计算神经网络隐藏层的神经元的值，以所述历史调和配方的成品油的性质之作为神经网络输出层的神经元的值，对所述神经网络进行训练，得到所述调和模型。
10.根据权利要求1所述的柴油在线调和方法，其特征在于，根据所述性质校正模型以及调和模型对柴油调和过程进行在线控制，具体为：
根据成品油性质要求设置约束条件，根据成本要求设置目标函数，根据所述约束条件、目标函数以及调和模型获取最优调和配方，根据所述性质校正模型计算所述最优调和配方对应的最优调和浓度配比，根据所述最优调和浓度配比对柴油调和过程进行在线控制。
一种柴油在线调和方法
技术领域
背景技术
发明内容
具体实施方式
(3) (3)
f()表示sigmoid函数；z 为输出层的输出值； 为隐藏层到输出层权重系数；b 为隐藏层到输出层偏置，n为隐藏层的节点数量。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种双发油动变桨距多旋翼飞行器的飞行控制方法 | 2020-05-12 | 840 |
| 性能退化产品可靠度置信区间估计数值仿真方法 | 2020-05-12 | 535 |
| 一种电连接器加速退化试验方案优化方法 | 2020-05-12 | 9 |
| 一种基于行为的室内定位和地标语义标识的方法 | 2020-05-14 | 204 |
| 一种基于轨道交通车辆轮对寿命统计学模型的镟修方法 | 2020-05-14 | 521 |
| 一种行人导航定位中的自适应零速修正方法 | 2020-05-08 | 167 |
| 毫米波雷达成像与模式识别 | 2020-05-14 | 843 |
| 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | 2020-05-15 | 984 |
| 一种基于高光谱成像技术的烟草非烟物质分类方法 | 2020-05-16 | 644 |
| 融合卡尔曼和小波的MEMS陀螺仪自适应抗野值去噪方法 | 2020-05-11 | 948 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
