实验四Matlab神经网络及应用于近红外光谱地汽油辛烷值预测

基于DMD哈达玛变换近红外光谱仪的汽油辛烷值检测斯中发;王月;韦紫玉【摘要】应用近红外光谱分析检测技术建立一种汽油研究法辛烷值的快速定量分析方法.收集来自不同地区共100个汽油样品,应用化学计量学方法建立近红外光谱原始数据信息与研究法辛烷值之间的定量分析模型,结果表明:对原始光谱进行归一化处理后,采用偏最小二乘回归建立数学模型,其校正集与预测集相关系数分别为0.9300和0.9322,校正集均方根误差与预测集均方根误差分别为0.6700和0.6577,表明模型准确可靠,可应用于汽油辛烷值的快速检测.【期刊名称】《浙江化工》【年(卷),期】2018(049)007【总页数】5页(P50-54)【关键词】汽油辛烷值;哈达玛变换;近红外光谱仪【作者】斯中发;王月;韦紫玉【作者单位】浙江华才检测技术有限公司, 浙江诸暨 311800;浙江华才检测技术有限公司, 浙江诸暨 311800;河池市粮油质量监督检测中心, 广西河池 547000【正文语种】中文近红外光谱（Near Infrared Spectrum，NIR）作为一种快速、无损检测分析技术，广泛应用于食品、石油化工、纺织等多个领域，其利用有机物中含有的各种含氢基团（如C-H、O-H、N-H等）的倍频与合频谱带在近红外区域具有特征性振动信息，结合化学计量方法建立光谱信息与样品成分含量之间的定量关系，从而实现样品中指标含量的快速测定[1-2]。

近红外光谱分析技术最早应用于汽油辛烷值的分析测量，而后关于石油产品其他性质的检测日渐增多，并得到石化行业的认可与推广。

近年来，随着NIR研究和应用领域的不断扩展，各种新型近红外光谱仪也层出不穷，如何应用便携式或微型近红外光谱仪设备实现石油相关品质属性的移动、快速、准确、简便检测成为研究热点。

数字变换式微型近红外光谱仪主要包括傅里叶变换式和哈达玛变换式两种模式[3]。

傅里叶变换光谱仪因存在可动部件，且对外界环境要求较高，主要用于实验室离线分析。

汽油辛烷值神经网络预测模型的设计
秦秀娟;陈宗海
【期刊名称】《控制与决策》
【年(卷),期】1999(14)2
【摘要】针对催化重整工艺仿真数学模型中遇到的汽油辛烷值预测方面的困难，
提出一种将定量计算与神经网络计算相结合的催化重整工艺汽油辛烷值的预测模型。

此预测模型综合考虑了反应器温度。

【总页数】5页(P151-155)
【关键词】汽油;辛烷值;神经网络;预测模型;设计
【作者】秦秀娟;陈宗海
【作者单位】中国科学技术大学自动化系
【正文语种】中文
【中图分类】TE626.21
【相关文献】
1.汽油精制过程中的辛烷值损失预测模型 [J], 杜明洋;张甜甜;薄其高;许文文
2.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
3.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
4.基于改进PCA-RFR算法的汽油辛烷值损失预测模型的构建与分析 [J], 蒋伟;佟
国香
5.基于汽油催化裂化过程实时数据的辛烷值损失预测模型 [J], 韩庆珏;邹敏;霍皓灵
因版权原因，仅展示原文概要，查看原文内容请购买。

基于数据挖掘的汽油精制过程辛烷值损失预测模型作者：***来源：《科技创新导报》2021年第05期摘要：汽油精制过程中造成的辛烷值损失会降低汽油的燃烧效率，如何降低汽油精制过程中辛烷值的损失量是目前相关企业面临的一个重要课题。

本文利用我国某石化企业在催化裂化汽油精制过程中积累的数据，建立基于神经网络、测量误差模型以及DC-SIS数据降维方法的两阶段特征筛选模型，选择出对辛烷值影响比较大的因素。

设计了一种基于XGBoost和神经网络的辛烷值预测模型，可以实现对不同原材料和不同操作下精制后辛烷值的预测，经验证，模型的均方误差为0.06876，所设计模型在处理辛烷值预测问题时可以达到比较好的预测效果。

关键词：辛烷值高维降维测量误差模型神经网络 XGBoost中图分类号：TP274 文獻标识码：A 文章编号：1674-098X（2021）02（b）-0092-05Prediction Model of Octane Number Loss in Gasoline Refining Process Based on Data Mining LI Dongchao（School of Mathematics and Statistics， Nanjing University of Information Science & Technology， Nanjing， Jiangsu Province， 210044 China）Abstract： The loss of octane number in the process of gasoline refining will reduce the combustion efficiency of gasoline. How to reduce the loss of octane number in the process of gasoline refining is an important issue facing related enterprises. This paper uses the data accumulated by a petrochemical enterprise during the refining process of catalytic cracking gasoline to establish a two-stage feature screening model based on neural network， measurement error model and DC-SIS data dimensionality reduction method， and select the one that has a greater impact on the octane number factor. An octane number prediction model based on XGBoost and neural network is designed，which can predict the octane number after refining under different raw materials and different operations. After verification， the mean square error of the model is 0.06876. A better prediction effect can be achieved in the alkane number prediction problem.Key Words： Octane number; High dimensionality reduction; Neural networks; XGBoost汽油是小型车辆的主要燃料，汽油燃烧产生的尾气排放对大气环境有重要影响。

基于近红外光谱的汽油分子组成预测
蔡广庆;张莉;李春澎;胡益炯;王弘历;杨诗棋;纪晔
【期刊名称】《油气与新能源》
【年(卷),期】2023(35)1
【摘要】汽油分子信息解析耗时较长的问题制约着其在炼厂实时优化中的应用前景。

依据汽油的近红外光谱及其对应的色谱分子组成数据,采用欧氏距离与多元线性回归方法拟合待测光谱,并把拟合参数代入对应的汽油分子数据库,建立了由近红外光谱快速预测汽油分子组成的模型。

模型的预测值与实验值吻合较好,验证集的汽油分子组成预测平均绝对误差为0.0356,证明了此模型不但具有广泛适用性,而且满足炼厂汽油分子解析的精度要求。

基于近红外光谱预测汽油分子组成的方法可以应用于炼厂的实时在线分析优化中,并且对炼厂反应过程模型和油品调和模型的建立具有重要意义。

【总页数】6页(P111-116)
【作者】蔡广庆;张莉;李春澎;胡益炯;王弘历;杨诗棋;纪晔
【作者单位】中国石油天然气股份有限公司规划总院;北京无线电计量测试研究所【正文语种】中文
【中图分类】TE622
【相关文献】
1.甲基叔丁基醚含量对近红外光谱法测定汽油族组成的影响
2.基于支持向量机的汽油族组成近红外光谱分析方法研究
3.汽油族组成的近红外光谱快速测定
4.化学计
量学方法在近红外光谱分析中的应用--近红外光谱法测定汽油辛烷值5.基于近红外光谱快速预测石脑油单体烃分子组成
因版权原因，仅展示原文概要，查看原文内容请购买。

实验四：Matlab 神经网络以及应用于汽油辛烷值预测专业年级： 2014级信息与计算科学1班姓名： 黄志锐 学号：201430120110一、实验目的1. 掌握MATLAB 创建BP 神经网络并应用于拟合非线性函数2. 掌握MATLAB 创建REF 神经网络并应用于拟合非线性函数3. 掌握MATLAB 创建BP 神经网络和REF 神经网络解决实际问题4. 了解MATLAB 神经网络并行运算二、实验内容1. 建立BP 神经网络拟合非线性函数2212y x x =+第一步 数据选择和归一化根据非线性函数方程随机得到该函数的2000组数据，将数据存贮在data.mat 文件中（下载后拷贝到Matlab 当前目录），其中input 是函数输入数据，output 是函数输出数据。

从输入输出数据中随机选取1900中数据作为网络训练数据，100组作为网络测试数据，并对数据进行归一化处理。

第二步 建立和训练BP 神经网络构建BP 神经网络，用训练数据训练，使网络对非线性函数输出具有预测能力。

第三步 BP 神经网络预测用训练好的BP 神经网络预测非线性函数输出。

第四步 结果分析通过BP 神经网络预测输出和期望输出分析BP 神经网络的拟合能力。

详细MATLAB代码如下：27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54disp(['神经网络的训练时间为', num2str(t1), '秒']);%% BP网络预测% 预测数据归一化inputn_test = mapminmax('apply', input_test, inputps); % 网络预测输出an = sim(net, inputn_test);% 网络输出反归一化BPoutput = mapminmax('reverse', an, outputps);%% 结果分析figure(1);plot(BPoutput, ':og');hold on;plot(output_test, '-*');legend('预测输出', '期望输出');title('BP网络预测输出', 'fontsize', 12);ylabel('函数输出', 'fontsize', 12);xlabel('样本', 'fontsize', 12);% 预测误差error = BPoutput-output_test;figure(2);plot(error, '-*');title('BP神经网络预测误差', 'fontsize', 12);ylabel('误差', 'fontsize', 12);xlabel('样本', 'fontsize', 12);figure(3);plot((output_test-BPoutput)./BPoutput, '-*');title('BP神经网络预测误差百分比');errorsum = sum(abs(error));MATLAB代码运行结果截图如下所示：MATLAB代码运行结果如下所示：图1 BP神经网络预测输出图示图2 BP神经网络预测误差图示图3 BP 神经网络预测误差百分比图示2. 建立RBF 神经网络拟合非线性函数22112220+10cos(2)10cos(2)y x x x x ππ=-+-第一步 建立exact RBF 神经网络拟合, 观察拟合效果详细MATLAB 代码如下：MATLAB代码运行结果如下所示：图4 RBF神经网络拟合效果图第二步建立approximate RBF神经网络拟合详细MATLAB代码如下：13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %% 建立RBF神经网络% 采用approximate RBF神经网络。

前言烃加工工业中，连续在线监测关键石油物流的性质，是强化过程控制和炼厂信息系统集成的重要环节，为表征石油物流这一高度复杂的烃类混合物，引入了一系列测试手段和标准指标，总的来说，这些指标测试费用高、重复性差、试样用量大，在线实现时维护代价高，响应速度慢。

七十年代以来，近红外光谱(NIR)技术在分析机理、仪器制造、数据处理方面有了很大发展，与传统分析仪器相比，近红外分析仪有显著优势：光纤远程信号传输，可实现非接触式测量；一谱多用，只要建立模型，可同时测量多个指标；预处理简单，分析中不需化学试剂；响应速度快；易于制成小型紧凑的过程分析仪，在农作物分析等方面已建立实用标准[47]。

八十年代末，西雅图华盛顿大学过程分析化学中心(CPAC)进行了将近红外技术用于石油化学领域的研究，最重要的工作是测量汽油辛烷值，族组成和其它几个关键指标，随后在世界范围内的众多试验室和炼厂开展了这方面的研究工作，例如位于法国的BP拉菲尔炼厂将近红外技术大量用于过程控制，效益显著：在调合工艺中，一套近红外分析仪可替代两台辛烷机和一套雷德蒸汽压测试仪和其它蒸馏测试装置，月维护时间减小到数小时，光学仪器发生故障的平均时间间隔能够提高到几百小时，辛烷值测量范围增宽，重复性偏差小于0.1，该厂借助于近红外分析系统对乙烯蒸汽裂解炉的进料进行高频监测和优化，年收益百万美元，分析设备的投资可很快回收，还有利于下游分馏塔的稳定操作尽管NIR预测的重复性很好，在数学模型的设计上仍要谨慎从事。

因为近红外技术用于石油物流性质的预测是基于ASTM系列测定的二次方法，NIR模型只有在其适用范围内，才能获得与ASTM测试一样的准确性，当对象物流由于进料、工艺等原因偏离原模型的适用范围时，NIR模型必须重新标定。

如何提取NIR光谱和目标性质的统计关系是这门技术软件方面的关键。

一些典型的数学方法有主因子分析(PCA)、偏最小二乘法(PLS)、多元线性回归(MLR)、判别分析(DA)、聚类分析和人工神经网络(ANN)等，这些基本属于计量化学问题。

第19卷,第5期 光　谱　学　与　光　谱　分　析Vol 119,No 15,pp 68426861999年10月 Sp ectro scop y and Sp ectral A nalysisO ctober ,1999　近红外光谱预测汽油辛烷值和辛烷值仪的研制 王宗明 华伟英 韦占凯 张弧弘 武惠忠石油化工科学研究院,100083　北京　北京精密光学仪器公司,100015　北京摘　要　本文报道用近红外光谱预测汽油马达法辛烷值、研究法辛烷值和抗爆指数的方法。

用多重线性回归和偏最小二乘法回归建立辛烷值的预测模型。

基于此模型,首次研制成功光学多道近红外辛烷值仪。

主题词　光学多道近红外辛烷值仪,　多重线性回归,　偏最小二乘法,　汽油辛烷值　1998203226收,1998210213接受;王宗明,1935年生,石油化工科学研究院教授级高级工程师1　近红外光谱法测定汽油的辛烷值用化学计量学方法通过光谱研究性质和组成的关系与日俱增。

通过近红外光谱预测汽油辛烷值有重要的工业应用价值。

前文我们报道了用汽油烃分子CH 伸缩振动二倍频预测汽油辛烷值,并研制成功了傅里叶变换近红外辛烷值仪[1,2]。

考虑到炼油厂过程控制的需要[3],本工作建立了用三倍频预测汽油辛烷值的方法,并研制成功近红外光学多道辛烷值仪。

111　实验仪器使用北京精密光学仪器公司研制的近红外光学多道分析仪。

以溴钨灯作为近红外光源,硅光二极管阵列作为多道探测器。

光谱分辨率实测为18c m -1,光谱范围为9000～14000c m -1。

112　实验方法在室温下,将汽油试样(15mL )放于干净的光程为5c m 的液槽中,以不放液槽时的空白透过率作为参比本底,测量9000～14000c m -1的近红外吸收光谱。

测量一个光谱所需的全部时间为7秒(对光谱背景和样品光谱各扫描100次的时间)。

113　模型的建立和汽油辛烷值预测结果分别用多重线性回归(M L R )和偏最小二乘方回归(PL S )法[1～6,7,8]建立辛烷值预测模型。

近红外光谱法测定成品汽油中的芳烃和烯烃含量肖学喜【摘要】介绍了近红外光谱测定90#汽油及93#汽油中芳烃和烯烃含量.选择1100～1 300 nm的近红外光谱域,在荧光指示剂吸附法的基础上,采用偏最小二乘法建立了适合测定90#汽油及93#汽油中芳烃和烯烃含量的分析模型,通过大量试验对所建分析模型的可靠性进行了验证.近红外光谱法的测定结果与荧光指示剂吸附法的测定结果具有很好的一致性.与荧光指示剂吸附法相比,近红外光谱法可以提高分析效率,降低分析成本,具有较高的分析精密度.【期刊名称】《化学分析计量》【年(卷),期】2008(017)005【总页数】4页(P21-24)【关键词】近红外光谱法;汽油;芳烃;烯烃【作者】肖学喜【作者单位】宁波北仑环境保护监测站,宁波,315800【正文语种】中文随着我国经济的持续快速发展，汽车保有量迅速增加。

汽车在为人们生活工作带来诸多便捷的同时也带来了较为严重的环境污染，目前汽车尾气污染已越来越受到人们的普遍关注。

汽车尾气污染除与发动机性能有关外，还与发动机燃料的质量密切相关，芳烃和烯烃含量就是车用汽油的重要环保质量指标，由国家质量监督检验检疫总局、国家标准化管理委员会发布的《GB 17930-2006 车用汽油》和原国家环保总局发布的《GWKB1-1999 车用汽油有害物质控制标准》均对车用汽油的芳烃和烯烃含量做了明确规定。

目前测定汽油中芳烃和烯烃含量的标准方法主要有荧光指示剂吸附法[1]、多维气相色谱法[2]等。

荧光指示剂吸附法的分析周期较长，分析成本较高，分析精密度范围较宽且受人为操作因素影响较大。

多维气相色谱法的仪器投入较大，仪器维护操作复杂，对操作人员的技术要求较高。

而近红外光谱法作为一种二次分析方法，由于其具有投资少、产出多、操作技术要求低、分析速度快等优点，近年来发展较快，已广泛应用于油品性质的测定[3-8]；同时该分析方法不破坏样品、不用试剂、不污染环境，既可以用于样品的定性分析也可以得到准确度较高的定量结果。

用于FCC汽油辛烷值预测的非线性数学模型孙忠超;山红红;刘熠斌;杨朝合;李春义【摘要】依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃( PIONA)的烃组成数据,将催化裂化(FCC)汽油单体烃组成分为37组,利用BP神经网络算法和支持向量机回归(SVR)分别建立了FCC汽油研究法辛烷值对37个变量的非线性数学模型.由MATLAB软件编写程序,利用Levenberg-Marquardt优化算法训练BP神经网络.支持向量机回归模型采用粒子群算法优化支持向量机参数及核函数参数,并采取交叉验证方法防止机器学习的欠学习和过拟合问题.计算结果表明:两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系；BP神经网络模型对辛烷值的预测性能好于支持向量机回归模型；增加样本数量,两种方法的预测准确性皆变好；针对40个样本的学习结果,两种模型预测的相对误差绝对值的平均值分别为0.148 7和0.1674.%With BP neural network (BPNN) and support vector regression (SVR) , two nonlinear mathematical models were established for research octane number prediction of FCC gasoline. Based on PIONA data of gasoline, the hydrocarbons in FCC gasoline were divided into 37 groups. The octane number was regarded as nonlinear function of these 37 variables. Levenberg-Marquardt algorithm was used for training function of BPNN by the MATLAB software. The parameters of SVR and kernel function were selected by particle swarm optimization ( PSO) and cross-validation method was used for preventing the less-learning and over-fitting problems in SVR model. Calculation results show that both models are able to better reflect the nonlinear relationship between the octane number and hydrocarbon composition of gasoline. The performance ofBPNN for octane number prediction is better than SVR. Prediction accuracy of both methods is improved with increasing the number of learning samples. For 40 learning samples, the average absolute relative errors of prediction results for BPNN and SVR are 0.148 7 and 0.167 4 respectively.【期刊名称】《炼油技术与工程》【年(卷),期】2012(042)002【总页数】5页(P60-64)【关键词】FCC汽油;研究法辛烷值;BP神经网络;支持向量机;粒子群算法【作者】孙忠超;山红红;刘熠斌;杨朝合;李春义【作者单位】中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555【正文语种】中文过去研究者在FCC汽油辛烷值预测方面进行了许多尝试，例如利用汽油的红外或近红外光谱［1-4］、核磁共振波谱［5］、拉曼光谱［6］等数据关联其辛烷值，然而这些检测方法都存在一定弊端，如谱图难以分辨或基线漂移等问题。