基于多源特征集成的油品物性快速评估模型构建方法与流程

本发明涉及原料油品分析，尤其涉及基于多源特征集成的油品物性快速评估模型构建方法。

背景技术：

1、在成品油生产质控中，辛烷值、十六烷值等关键物性的快速精准测定很重要。目前主要靠实验室传统方法，如辛烷值用马达法或研究法，十六烷值依astm（d613）标准，虽精确但测试周期长、操作复杂，依赖专业设备与人员，样品消耗大，难满足炼厂在线或近线监测需求，制约生产调整。近红外光谱技术（nir，near-infrared spectroscopy）因快速、无损等特点渐被应用，但单独使用有瓶颈：光谱与物性呈复杂非线性关系，易受干扰，数据冗余多，模型泛化能力弱，对复杂混合油品难精准捕捉分子机制，预测稳定性不足。

2、因此，针对汽油、柴油、航空煤油等成品油的非破坏快速预测需求，融合多源特征（如光谱数据与分子结构信息）的评估模型成为突破现有技术局限的关键，以实现物性指标的快速、精准测定，支撑炼厂智能化生产与精细化管理。

3、在构建油品物性快速评估模型时，现有方法通常先收集光谱、粘温曲线、化验等油品样本数据，划分校正集与验证集。校正集经均值中心化、标准正态变量变换等处理及降维后，与粘温曲线数据合并成关联数据集。通过多元线性回归、偏最小二乘回归等算法，将关联数据集与化验数据关联，构建多个物性分析模型。再用验证集评估，以均方误差等为指标选最优模型。另有研究利用分子组成建调和模型，分析色谱或光谱与分子组成关系预测宏观物性，还考虑分子间相互作用，用二元交互参数描述分子族类作用强度来建模。

4、例如公开号为：cn114841065a中国发明专利公开的基于极限梯度提升树模型的原料油品分子表征方法及系统，包括：根据制备工艺特性从宏观物性参数中选取输入特征向量，从物相组分中选取输出特征向量；对初始的制备工艺数据集进行处理；按照指定比例划分为训练集、验证集和测试集；构建基于极限梯度提升树模型的原料油品分子表征模型；得到符合评价指标的原料油品分子表征模型；对制备工艺过程中的原料油品进行分子表征。

5、现有技术中，由于多源特征融合多为光谱数据与其他物理参数（如馏程数据、密度值）直接组合在一起，只是机械地将这些数据按顺序或并列的方式整合，即未建立油品样品中分子结构特征与光谱特征响应强度之间的动态变化，导致融合特征无法反映分子结构演化与光谱信号变化的内在联动机制，使得在光谱处理过程中，光谱数据中与分子结构相关的关键信号被掩盖，直接影响光谱特征与分子结构信息的匹配精度。同时，模型多依赖线性或简单非线性算法，难以刻画分子间范德华力、氢键等相互作用的复杂非线性机制，且对油品样本分子级的路径生成时长等动态特征缺乏考量，使得油品物性快速评估模型在构建过程中的分子级特征动态特性捕捉缺失，影响复杂油品体系的预测精度与稳定性，存在油品物性快速评估模型构建过程中对应分子级特征动态特性捕捉延迟导致的油品样本分子级物性预测准确性不高的问题。

技术实现思路

1、为了解决现有技术中的技术问题，本发明实施例通过提供基于多源特征集成的油品物性快速评估模型构建方法。该技术方案如下：

2、步骤一，获取反映油品样本油品物性指标、近红外光谱数据以及分子结构特征的分子维度三元组数据，并进行分子导向光谱处理与降维，同时基于分子导向光谱处理与降维的结果，构建分子级导向预测模型的训练集；步骤二，基于构建的训练集获取分子导向光谱处理与降维后对应油品样本的融合特征向量，同时进行支持向量回归模型训练，同时建立用于对未知油品物性指标进行快速预测的分子级导向预测模型，支持向量回归模型训练用于学习融合特征与物性指标间的映射规律；步骤三，重新获取油品样本的分子维度三元组数据，并输入至建立的分子级导向预测模型中，进行油品物性的在线预测，输出在线预测结果，同时进行模型更新机制触发判定，在线预测结果包括在线预测合格与在线预测不合格。

3、本发明实施例提供的技术方案带来的有益效果至少包括：

4、1、本发明通过系统性油品样本的分子维度三元组数据，经分子导向光谱处理与降维构建训练集，实现宏观光谱响应与微观分子特征的深度整合；然后基于训练集构建融合特征向量，将降维后的光谱主成分与分子结构变量有机结合，再通过支持向量回归模型训练，建立分子级导向预测模型，精准捕捉特征与物性的映射规律；最后通过在线预测与模型更新机制，动态适配工况变化。这一流程通过分子级特征的深度融合与动态捕捉，突破了传统模型依赖单一数据、对分子动态特征动态变化响应滞后的局限，有效解决了因分子级特征动态特性捕捉延迟导致的预测准确性不足问题，显著提升了油品物性评估的精度与时效性，为炼油装置过程控制、汽油调合优化等场景提供了更可靠的决策支持。

5、2、将滤波处理合格后的油品物性指标、降维处理后的近红外光谱数据以及主成分光谱特征信息进行汇总，同时基于支持向量回归模型训练用的多维度学习样本形成初始训练集；再引入分子级作用路径生成时长，基于其与设定值的偏差动态调节滤波强度，经二次优化后按时长等距分层样本，构建涵盖不同动态特性层级的多维度关联训练集。这一流程通过分层捕捉分子作用动态规律，解决了传统模型对分子级特征动态变化响应滞后的问题，使模型能精准学习不同动态特性下微观结构、光谱响应与宏观物性的关联，显著提升油品分子级物性预测准确性，为复杂油品体系评估提供可靠支撑。

6、3、通过从训练集提取分层后的分子特征结构变量对应的光谱主成分，拼接成融合特征向量，以该向量为输入、油品物性指标为输出，用径向基核函数构建支持向量回归模型，通过k折交叉验证优化惩罚因子和核参数，经重新训练得到分子级导向预测模型；将模型在线预测结果与实验室实测值对比，误差超设定值则触发更新机制。融合多维度信息提升模型输入丰富性，径向基核函数与参数优化增强非线性映射能力及泛化性，误差对比与更新机制保障模型预测精度，实现油品物性快速且精准的评估。

1.基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，包括以下步骤：

2.如权利要求1所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述分子导向光谱处理与降维，具体过程为：

3.如权利要求2所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述第一次滤波优化流程，具体为：

4.如权利要求2所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述分子导向光谱处理，还包括：结合分子结构参数预判光谱噪声分布，所述分子结构参数包括支链度和碳数分布；

5.如权利要求2所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述近红外光谱降维，具体过程为：

6.如权利要求5所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述构建分子级导向预测模型的训练集，具体过程为：

7.如权利要求6所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述初始训练集形成过程合格判定，具体为：

8.如权利要求7所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述样本分层，具体为：

9.如权利要求8所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述融合特征向量，具体获取过程为：

10.如权利要求1所述基于多源特征集成的油品物性快速评估模型构建方法，其特征在于，所述模型更新机制触发判定，具体过程为：