近紅外光譜檢測潤滑油運動黏度方法的建立及應用

鄭學根

(中國石化安慶石化公司,安徽 安慶 246002)

近年來,隨著煉油廠生產裝置精細化管理需求的不斷提高,傳統分析方法耗時長、操作繁瑣、工作量大、人力成本高、試劑消耗量大,因此快速準確、省時降本的檢測方法開發顯得尤為重要。

近紅外光譜技術具有快速測定、使用簡單、靈活性強、可實現現場檢測等優點[1],已被應用于潤滑油性質的檢測。但現有研究大多圍繞汽車發動機或變速箱的成品潤滑油進行近紅外光譜定量化檢測分析[2-5],未見面向石化煉油廠各裝置的機組潤滑油試樣運動黏度變化研究的相關報道?；诖?筆者利用近紅外透射光譜技術,采用iPLS方法進行建模變量選擇,建立一種石化煉油廠各裝置的機組潤滑油運動黏度的定量分析模型。煉油廠各裝置運行中使用的機組潤滑油性質變化大。隨著裝置機組運行,其性質也會變化,因此檢測難度較高,檢測精確度難以把握。本工作針對石化煉油廠不同裝置機組運行過程中使用的潤滑油進行檢測,實現對各裝置的機組潤滑油運動黏度進行快速、有效地跟蹤和監控。

1 實 驗

1.1 主要材料與儀器

144個機組潤滑油試樣,采集自某石化煉油廠催化裂化、延遲焦化、連續重整、蠟油加氫、重油加氫等裝置,其中試樣的運動黏度最小值為44.94,最大值為47.74,平均值為46.58。

ABB 3600傅里葉變換近紅外光譜儀及自帶0.5 mm高壓試樣池,瑞士ABB公司。

1.2 實驗方法

對采集的144個的機組潤滑油試樣參照GB/T 265《石油產品運動黏度測定法和動力黏度計算法》進行運動黏度的測定。

2 數據處理

2.1 潤滑油試樣的近紅外透射光譜

潤滑油試樣在的近紅外透射光譜見圖1。

圖1 144個機組潤滑油試樣的近紅外透射光譜

分析軟件為Matlab2014a、Origin2017。其中所有算法均在Matlab2014a中實現,用Origin2017進行作圖。

2.2 異常試樣的排查

異常試樣的存在對光譜數據與實驗室化學值之間的相關性會有較大影響,在建模過程中會降低模型對未知試樣的預測精度,因此剔除異常試樣十分重要[6]。實驗利用學生化殘差和杠桿值來對異常試樣進行檢測。機組潤滑油中各性質排查異常試樣后的學生化殘差和杠桿值分布見圖2。若試樣出現在學生化殘差閾值范圍之外,說明試樣可能是化學值異常;若試樣出現在杠桿值閾值范圍之外,說明可能為光譜異常。其中圓圈內的試樣為異常試樣,需將其剔除。

圖2 機組潤滑油運動黏度學生化殘差和杠桿值分布

2.3 試樣集劃分

用于建立模型的校正試樣要具有代表性,待測試樣的光譜特征與性質范圍應被建模試樣所涵蓋。實驗使用2022年2月—10月收集各裝置機組潤滑油作為校正試樣,2023年3月—6月的機組潤滑油試樣作為待測試樣來驗證模型,校正試樣與待測試樣的情況見表1。由表1可以看出,校正試樣的最大值大于待測試樣的最大值,最小值小于待測試樣的最小值,可以達到待測試樣被校正試樣所涵蓋的要求。

表1 校正試樣和待測試樣運動黏度分布

2.4 建模變量篩選

使用iPLS法[7-9]對建模變量進行篩選,將整個光譜區間分為12個子區間,結果見表2。從表2可以看出,將整個光譜區間分為7個子區間,選取第一個子區間進行建模的效果最好,其對應的光譜波數為4 000～4 856 cm-1。機組潤滑油試樣光譜波數變量篩選見圖3。

表2 12個子區間最佳局部模型的性能

圖3 機組潤滑油試樣光譜波數變量篩選

2.5 光譜不同預處理方法比較與確定

為選擇最佳的預處理方法,對試樣的原始透射光譜進行不同的預處理方法,包括導數、歸一化、基線校正等方式。針對處理后的數據分別建立相應的PLS模型,通過對比來選擇較好的預處理方法。

11種預處理方法下的建模結果見表3。

表3 不同預處理方法模型效果

從表3可以看出,矢量歸一化的交叉驗證均方根誤差(RMSECV)與RMSEP均為最小,分別為0.26與0.24。以上兩個指標分別代表了模型內部交叉驗證的穩定性及模型外部預測的精確度,RMSECV與RMSEP越小,表示穩定性與精確度越高;同時全波長建模的決定系數(R2)較高,為0.823,R2越接近于1說明模型的線性程度越好?；谝陨暇C合評價,最終確定采用矢量歸一化這一預處理方法。

3 結果與討論

3.1 PLS模型

將矢量歸一化處理后的透射光譜數據,利用PLS法建立機組潤滑油運動黏度的定量分析模型,并利用所建模型對60個待測試樣進行檢測,近紅外檢測值與傳統化驗測定值的線性擬合關系見圖4,其中R2為0.815,RMSEP為0.26 mm2/s。

圖4 待測試樣運動黏度近紅外檢測值與傳統化驗測定值之間的線性擬合及趨勢

3.2 iPLS模型

選用優選的光譜區間建立iPLS模型,對60個待測試樣進行檢測,檢測結果見圖5,其中R2為0.898,RMSEP為0.17 mm2/s。PLS模型與iPLS模型預測偏差對比見表4。

表4 偏最小二乘模型與間隔偏最小二乘模型預測偏差對比 mm2/s

圖5 近紅外檢測值與傳統化驗測定值之間的線性擬合及趨勢(4 000～4 856 cm-1)

從表4可以看出,PLS模型檢測偏差最小為0 mm2/s,最大為0.72 mm2/s,平均偏差為±0.21 mm2/s;而iPLS模型的檢測偏差最小同樣為0 mm2/s,最大為0.34 mm2/s,平均偏差為±0.14 mm2/s,其中最大檢測偏差較PLS模型降低了近50%?？梢钥闯?對建模變量進行相應的篩選,可以減少全波段中一些冗雜變量及信息,從而有效提高模型的檢測精度與預測性能。

4 結 論

a.利用iPLS方法對全部光譜變量進行選擇,分別建立PLS模型和iPLS模型。相對于全波長模型,利用iPLS方法進行變量選擇后,RMSEP值降低了約35%。變量選擇后的模型對待測試樣的檢測值與傳統化驗測定值更為接近,R2為0.898,RMSEP為0.17 mm2/s。

b.所建立的模型已在石化煉油廠相關的實驗室進行應用。近紅外檢測值與傳統化驗測定值之間的偏差的絕對值小于傳統化驗測定值的2.2%。

c.利用近紅外透射光譜技術對石化煉油廠各裝置的機組潤滑油運動黏度的快速檢測可行且應用效果良好,可以滿足日常生產中對機組潤滑油的檢測和監測。后續將相繼開展機組潤滑油的閃點及酸值的研究,完善機組潤滑油性質檢測及跟蹤的相關工作,建立完整完善的檢測跟蹤機制。