基于PLS-MI組合的天牛須搜索BP神經網絡模型對汽油辛烷值的預測性能

石翠翠，劉媛華

(上海理工大學管理學院，上海 200093)

目前，中國石化下屬煉油廠的催化裂化汽油脫硫主要采用S Zorb工藝[1]。由于S Zorb工藝裝置非常復雜，因而影響精制汽油研究法辛烷值(RON)的特征變量間存在高度非線性和相互強耦聯的關系。傳統關聯分析和機理模型對高維度數據集的分析效果不理想，會造成催化裂化汽油精制過程的參數優化不及時，從而導致汽油產品辛烷值損失增大。因此，在對催化裂化汽油進行精制處理時，如何從S Zorb裝置的操作條件、原料性質、待生吸附劑性質與再生吸附劑性質等方面精確預測汽油產品的辛烷值并進行影響因素分析，成為降低汽油辛烷值損失的難點問題。

隨著汽油辛烷值數據不斷向非線性、多模態等復雜系統方向發展，中國石化企業實驗室信息管理系統(LIMS)獲取的數據集轉向非正態分布[2-3]，導致基于傳統特征變量選擇方法模型的預測效果變差。因此，如何有效剔除冗余特征變量，建立新的特征變量選擇方法是提高汽油辛烷值模型預測精度的關鍵[4]。為此，很多學者進行了有益的探索。Albahri[5]利用基團貢獻法預測汽油的RON和馬達法辛烷值(MON)，發現基團貢獻法只考慮基團之間的線性組合，其預測模型的穩定性差。Saldana等[6]研究發現定量結構性質關系(QSPR)模型在預測燃料十六烷值時的性能優于其他模型。Mendes[7]和Bao Xin等[8]發現采用偏最小二乘回歸法預測汽油RON具有較好的穩定性和預測精度。從上述研究結果可知，由于變量因子與汽油辛烷值間的函數關系非常復雜，一些學者把智能優化算法與BP神經網絡模型組合應用于汽油辛烷值的預測?！?br>