构建加氢尾油烃类组成预测模型的方法及控制装置

1.本发明涉及氢能源应用技术领域，具体地涉及一种利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法及控制装置。

背景技术：

2.加氢裂化装置的一次转化率通常为60％～90％，尚有10％～40％的未转化物，俗称“加氢尾油”。虽然加氢尾油是加氢裂化装置的副产品，但是它可以作为润滑油基础油生产、催化裂化、乙烯裂解等装置的原料。加氢尾油的性质随着原油性质、加工工艺以及操作条件不同而有所变化。因此在炼制前对加氢尾油的性质，特别是烃类组成进行快速评价非常重要，可以为装置操作、控制、优化等提供帮助。
3.传统采用谱-质谱联用等组成分析方法耗时、费力，远不能满足生产企业的需要。近年来，随着计算机技术和现代分析仪器技术，近红外光谱分析技术逐渐成为加氢尾油烃类组成快速分析方法之一。
4.当前的针对加氢尾油烃类组成的近红外光谱分析技术包括以下方法和缺点：
5.1)cn1979132a公开了一种用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法，cn100443883c公开了一种用近红外光谱测定加氢尾油链烷烃族组成的方法。这两项专利均提出一种应用傅里叶变换近红外光谱分析技术、结合化学计量学方法，利用定量分析软件，在判断模型预测残差平方和、阶数、光谱的波段处于最佳下，选定模型预处理方法，再通过偏最小二乘法建立模型，测定加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃、芳烃和链烷烃的含量。但该法依赖于人工判断和大量的建模尝试实验，工作量大，模型准确性和稳定性难保证。
6.2)cn 109724939 a公开了一种由近红外光谱预测加氢尾油性质的方法，提出对样本的近红外光谱进行二阶微分处理，取7000～4000cm-1谱区的吸光度，与该样本用标准方法测定的性质数据对应，建立近红外光谱数据库，在近红外光谱数据库随机选取多个分库，用各分库光谱拟合得到的待测样品性质数据值的平均值和全库光谱拟合得到的性质数据预测值按适当比例加和得到待测加氢尾油样品的性质数据预测值。但该方法建立加氢尾油光谱数据库需要样品数量大，在应用过程中还需要不断加入新样本进行补充。
7.3)cn 106610420 a公开了一种分析油品中的单环芳烃的方法，提出采集加氢尾油近红外光谱，选用近红外光谱的波段为4000cm-1-9000cm-1，利用化学计量学方法包括偏最小二乘法、主成分回归和经典最小二乘法等中至少一种构建单环芳烃预测模型，并通过相关系数r来评价模型的拟合效果，交叉验证均方差来评价所述的预测模型的预测性能。该方法有工作量大等缺点。

技术实现要素：

8.本发明实施例的目的是提供一种利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，该利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法可以准确分
析加氢尾油的烃类组成。
9.为了实现上述目的，本发明实施例提供一种利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，所述所述利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法包括：获取各加氢尾油样本对应的近红外光谱数据，并通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除；针对上述近红外光谱数据，结合对应的实测烃类组成数据，选择对应的近红外光谱全波长段数据，构建偏最小二乘法模型，并根据所构建的最小二乘法模型筛选出对对应的烃类数据值贡献满足条件的光谱波长数据；以及根据所筛选的加氢尾油样本对应的所述光谱波长数据，结合所含的各烃类组成含量，将所述偏最小二乘法模型作为初始种中的个体，通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化。
10.可选的，所述预选定谱区为12500～4000cm-1
谱区。
11.可选的，所述通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除，包括：利用改进修正多元多项式拟合法对预选定谱区的近红外光谱数据进行基线校正处理，以消除基线漂移；以及在第一次迭代中添加了峰值去除程序，以去除多项式拟合中主要特征峰对荧光背景拟合的影响，并针对信号噪声失真影响进行处理。
12.可选的，所述通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除，包括：利用改进修正多元多项式拟合法对预选定谱区的近红外光谱数据进行基线校正处理，以消除基线漂移；在第一次迭代中，设置峰值去除，以去除多项式拟合中主要特征峰对荧光背景拟合的影响，并针对信号噪声失真影响进行处理。
13.可选的，所述各烃类组成含量包括：正构烷烃(p)含量、异构烷烃(i)含量、环烷烃(n)含量、芳香烃(a)含量、以及烯烃(o)含量。
14.可选的，通过下式，表示所述最小二乘法模型：
15.y＝β0+β1x1+β2x2+
…
+βnxn16.其中，y为加氢尾油烃类组成成分pinao的含量预测值，βi为回归系数，xi为离散光谱数据点第i个波数点的吸光度数据。
17.可选的，所述通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化，包括：在每一次迭代中，遗传编程算法对所述个体进行评估，选择所述个体进行繁殖，通过突变、交叉和直接繁殖产生新的个体，产生新一代；在选择时，通过算法选择下一代的父母，并决定从当前世代存活下来的个体。
18.可选的，以适应度函数作为对所述个体进行评估的度量标准。
19.本发明实施例还提供一种利用加氢尾油的近红外光谱分析其烃类组成的方法，所述利用加氢尾油的近红外光谱分析其烃类组成的方法包括：利用根据上述任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法构建加氢尾油样本各烃类与近红外光谱之间的关联模型；通过所述关联模型，分析各加氢尾油的烃类组成。
20.本发明实施例还提供一种控制装置，所述控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据上述任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或根据上述的利用加氢尾油的近红外光谱分析其烃类组成的方法。
21.本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指
令，该指令使得机器执行根据上述任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或根据上述的利用加氢尾油的近红外光谱分析其烃类组成的方法。
22.通过上述技术方案，本发明实施例基于已有的加氢尾油光谱图，对加氢尾油样本近红外光谱图进行预处理，消除干扰；通过去除建模时回归系数较小的波长数选择加氢尾油光谱图适合建模的波长变量；建立加氢尾油pinao值与其近红外光谱数据之间的关联模型并通过遗传编程对所建立的模型进行优化得到最优预测模型，可以实现未知加氢尾油pinao值的快速预测分析。
23.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
24.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
25.图1是本发明实施例提供的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法流程示意图；
26.图2是为本发明实施例提供的一个利用加氢尾油的近红外光谱分析其烃类组成的方法示例的流程示意图；
27.图3为测定的加氢尾油样本原始近红外光谱图；
28.图4为图3预处理后的加氢尾油近红外光谱图；
29.图5为波长回归系数图。
具体实施方式
30.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
31.图1是本发明实施例提供的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法流程示意图，请参考图1，该利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法可以包括以下步骤：
32.步骤s110：获取各加氢尾油样本对应的近红外光谱数据，并通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除。
33.其中，所述预选定谱区的所述近红外光谱数据可以为吸光度数据。
34.以示例说明，加氢尾油样本近红外光谱的数量可以为30～600份，且可以采用离线或在线近红外分析仪采集的加氢尾油样本的近红外光谱数据。
35.优选的，所述预选定谱区为12500～4000cm-1
谱区。
36.优选的，所述通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除，包括：利用改进修正多元多项式拟合法对预选定谱区的近红外光谱数据进行基线校正处理，以消除基线漂移；以及在第一次迭代中添加了峰值去除程序，以去除多项式拟合中主要特征峰对荧光背景拟合的影响，并针对信号噪声失真影响进行处理。
37.以示例说明，对加氢尾油样本的近红外光谱图中的12500～4000cm-1
谱区的近红外
光谱数据，例如吸光度数据，进行基线校正处理，最终的近红外光谱数据由近红外光谱数据减去最终的多项式拟合函数得到。
38.优选的，可以通过下式，计算所述近红外光谱数据与多项式拟合信号的残差值：
39.r(v)＝o(v)-p(v)
ꢀꢀ
(1)
40.其中，o(v)表示近红外光谱数据，p(v)表示多项式拟合信号，v表示谱线位移，单位为cm-1
；
41.标准差可以为：
[0042][0043]
其中，n表示光谱曲线上的数据点个数；
[0044]
残差平均值可以为：
[0045][0046]
以示例说明：
[0047]
1)近红外光谱数据o0(v)
←
o(v)，i＝1。
[0048]
2)多项式拟合信号pi(v)。
[0049]
3)计算残差ri(v)＝o
i-1
(v)-pi(v)，计算标准差。
[0050]
4)判断是否为第一次迭代。若否，执行步骤5)；若是，如o0(v)》p1(v)+dev1，去除峰值，执行步骤5)。
[0051]
5)重新调整模型输入，若o
i-1
(v)《pi(v)+dev，则oi(v)
←oi-1
(v)；否则，oi(v)
←
pi(v)+dev。
[0052]
6)判断是否符合标准，若是，直接输出纯粹的近红外光谱数据rs(v)＝o0(v)-pi(v)；若否，令i＝i+1，返回步骤2)，继续执行。
[0053]
步骤s120：针对上述近红外光谱数据，结合对应的实测烃类组成数据，选择对应的近红外光谱全波长段数据，构建偏最小二乘法模型，并根据所构建的最小二乘法模型筛选出对对应的烃类数据值贡献满足条件的光谱波长数据。
[0054]
其中，对对应的烃类数据值贡献满足条件的光谱波长数据，即对对应的烃类数据值贡献较大的光谱波长数据。
[0055]
本发明实施例对加氢尾油的各烃类组成成分的研究，主要是针对各烃类组成含量。优选的，各烃类组成含量可以包括：正构烷烃(p)含量、异构烷烃(i)含量、环烷烃(n)含量、芳香烃(a)含量、以及烯烃(o)含量等。本发明实施例可以用piona表示加氢尾气的各烃类组成成分含量。
[0056]
优选的，可以通过下式，表示所述最小二乘法模型：
[0057]
y＝β0+β1x1+β2x2+
…
+βnxnꢀꢀ
(4)
[0058]
其中，y为加氢尾油烃类组成成分pinao的含量预测值，βi为回归系数，xi为离散光谱数据点第i个波数点的吸光度数据。
[0059]
步骤s130：根据所筛选的加氢尾油样本对应的所述光谱波长数据，结合所含的各烃类组成含量，将所述偏最小二乘法模型作为初始种中的个体，通过遗传编程算法对各
烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化。
[0060]
遗传编程算法是模拟生物进化中优胜劣汰的思想对个体进行优化的算法。个体在这里可以指模型，初始种是随机生成的很多个模型，遗传编程算法通过对种中的个体进行评估，保留优秀的个体，淘汰劣质的个体，来进行不断的优化得到更加优秀的个体。
[0061]
优选的，所述通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及模型阶数进行优化，包括：在每一次迭代中，遗传编程算法对所述个体进行评估，选择所述个体进行繁殖，通过突变、交叉和直接繁殖产生新的个体，产生新一代；在选择时，通过算法选择下一代的父母，并决定从当前世代存活下来的个体。
[0062]
适应度函数反映了潜在解决方案的优劣，它与个体选择的概率成比例。为了确保复杂性和模型准确性之间的权衡，在适应度函数中加入惩罚项。适应度函数表示为：
[0063][0064]
其中，fi为计算的适应度值，ri为相关系数，li为树的大小(节点数)，a1，a2为惩罚函数的参数。
[0065]
适应度函数可以作为对个体进行评估的一个度量标准，是判断什么样的个体算“优秀个体”的依据。适应度函数有很多种，本发明实施例提供上述一种适应度函数，但本发明实施例并不限制其他适应度函数。
[0066]
本发明实施例提供的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，即基于已有的加氢尾油光谱图，采用改进修正多元多项式拟合法对加氢尾油样本近红外光谱图进行预处理，消除干扰；通过主成分分析技术、和样本选择方法选出训练集样本；根据偏最小二乘法，建立加氢尾油piona值与其近红外光谱数据之间的关联模型，通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化，实现未知加氢尾油piona值的快速预测分析。本发明实施例可以利用各类离线、在线近红外分析仪测得的加氢尾油近红外光谱图构建其烃类组成模型，满足加氢尾油的快速分析需求。且预处理后的近红外光谱信噪比高、干扰信息少；定量建模过程简单、模型精度高等优点，为提高加氢尾油pinao值检测的便捷、分析速度和模型精度提供支撑，为加氢尾油在线检测提供了可能性。
[0067]
进一步地，本发明实施例还提供一种利用加氢尾油的近红外光谱分析其烃类组成的方法，所述利用加氢尾油的近红外光谱分析其烃类组成的方法可以包括：利用步骤s110-s140所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法构建加氢尾油样本其各烃类与近红外光谱之间的关联模型，分析各加氢尾油的烃类组成。
[0068]
举例说明，根据步骤s140所建立的关联模型，可以得到加氢尾油各烃类组成成分piona的含量预测值。
[0069]
需要说明，对于本发明实施例提供的利用加氢尾油的近红外光谱分析其烃类组成的方法的内容、有益效果与步骤s110-s140所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法的内容、有益效果类似，此处不再赘述。
[0070]
图2是为本发明实施例提供的一个利用加氢尾油的近红外光谱分析其烃类组成的方法示例的流程示意图，该示例以加氢尾油正构烷烃(p)含量为例，但不局限于此。需要说
明，该示例只用于对本发明作进一步说明，不能理解为对本发明实施例保护范围的限制，该领域的专业技术人员根据本发明的内容作出的一些非本质的改进和调整，仍属于本发明实施例的保护范围。
[0071]
请参考图2，利用加氢尾油的近红外光谱分析其烃类组成的方法可以包括以下内容：
[0072]
该示例中，加氢尾油进红外光谱来源的仪器为布鲁克傅里叶变换近红外光谱仪，光谱范围扫描范围为4000-12500cm-1
，分辨率32cm-1
，累计扫描次数32次，透反测量方式。
[0073]
步骤s11，利用改进修正多元多项式拟合法对加氢尾油样本近红外光谱数据进行预处理。
[0074]
以示例说明，图3为测定的加氢尾油样本原始近红外光谱图，光谱的基线漂移严重，谱峰重叠严重，部分光谱在波段12000-7500cm-1
范围内的噪声很大，图4为预处理之后的谱图。
[0075]
步骤s12，对预处理后的氢尾油样本近红外光谱数据进行偏最小二乘法建模(pls建模)，计算每个波长在建模时的回归系数，如图5所示，选择对建模贡献较大的波长进行进一步建模。
[0076]
步骤s13，针对步骤s12筛选出来的波长，建立新的pls模型作为遗传编程的初始种中的个体。
[0077]
步骤s14，通过遗传编程算法对模型(参与建模的波长、模型阶数、模型参数)进行优化，优化结果就是最终确定的关联模型。
[0078]
步骤s15，模型应用。
[0079]
根据上述关联模型对加氢尾油正构烷烃(p)的预测值和实验室值进行比较，比较结果如表1所示，该模型预测准确、高效。
[0080]
表1：预测值与实验室值
[0081]
[0082]
[0083][0084]
本发明实施例还提供一种控制装置，所述控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据步骤s110-s140所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或上述的利用加氢尾油的近红外光谱分析其烃类组成的方法。
[0085]
本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令使得机器执行根据步骤s110-s140所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或上述的利用加氢尾油的近红外光谱分析其烃类组成的方法。
[0086]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0087]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0088]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0089]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0090]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0091]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/
或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0092]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0093]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0094]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：

1.一种利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，所述利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法包括：获取各加氢尾油样本对应的近红外光谱数据，并通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除；针对上述近红外光谱数据，结合对应的实测烃类组成数据，选择对应的近红外光谱全波长段数据，构建偏最小二乘法模型，并根据所构建的最小二乘法模型筛选出对对应的烃类数据值贡献满足条件的光谱波长数据；以及根据所筛选的加氢尾油样本对应的所述光谱波长数据，结合所含的各烃类组成含量，将所述偏最小二乘法模型作为初始种中的个体，通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化。2.根据权利要求1所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，所述预选定谱区为12500～4000cm-1
谱区。3.根据权利要求1或2所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，所述通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除，包括：利用改进修正多元多项式拟合法对预选定谱区的近红外光谱数据进行基线校正处理，以消除基线漂移；在第一次迭代中，设置峰值去除，以去除多项式拟合中主要特征峰对荧光背景拟合的影响，并针对信号噪声失真影响进行处理。4.根据权利要求1所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，所述各烃类组成含量包括：正构烷烃(p)含量、异构烷烃(i)含量、环烷烃(n)含量、芳香烃(a)含量、以及烯烃(o)含量。5.根据权利要求1所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，通过下式，表示所述最小二乘法模型：y＝β0+β1x1+β2x2+
…
+β
n
x
n
其中，y为加氢尾油烃类组成成分pinao的含量预测值，β
i
为回归系数，x
i
为离散光谱数据点第i个波数点的吸光度数据。6.根据权利要求1所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，所述通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化，包括：在每一次迭代中，遗传编程算法对所述个体进行评估，选择所述个体进行繁殖，通过突变、交叉和直接繁殖产生新的个体，产生新一代；在选择时，通过算法选择下一代的父母，并决定从当前世代存活下来的个体。7.根据权利要求6所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法，其特征在于，以适应度函数作为对所述个体进行评估的度量标准。8.一种利用加氢尾油的近红外光谱分析其烃类组成的方法，其特征在于，所述利用加氢尾油的近红外光谱分析其烃类组成的方法包括：根据权利要求1-7中任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测
模型的方法构建加氢尾油样本各烃类与近红外光谱之间的关联模型；通过所述关联模型，分析各加氢尾油的烃类组成。9.一种控制装置，其特征在于，所述控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据权利要求1至7中任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或根据权利要求8所述的利用加氢尾油的近红外光谱分析其烃类组成的方法。10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令使得机器执行根据权利要求1至7中任意一项所述的利用加氢尾油的近红外光谱构建其烃类组成预测模型的方法、和/或根据权利要求8所述的利用加氢尾油的近红外光谱分析其烃类组成的方法。

技术总结

本发明提供一种构建加氢尾油烃类组成预测模型的方法，属于氢能源应用领域。该方法包括：获取各加氢尾油样本对应的近红外光谱数据，并通过改进修正多元多项式拟合法对预选定谱区的所述近红外光谱数据进行背景基线消除；针对上述近红外光谱数据，结合对应的实测烃类组成数据，选择对应的近红外光谱全波长段数据，构建偏最小二乘法模型，并根据所构建的最小二乘法模型筛选出对对应的烃类数据值贡献满足条件的光谱波长数据；以及根据所筛选的加氢尾油样本对应的所述光谱波长数据，结合所含的各烃类组成含量，将所述偏最小二乘法模型作为初始种中的个体，通过遗传编程算法对各烃类与近红外光谱之间的关联模型的波长数据、回归参数以及阶数进行优化。归参数以及阶数进行优化。归参数以及阶数进行优化。