摘 要：

在汽油燃烧的尾气排放对大气环境污染有重要影响的今天，汽油清洁化技术十分关键。 我国目前大规模采用的精制汽油的工艺为 S zorb 技术，该方法能够在保证较低的辛烷值损耗的前提下生产在 10ppm 以下的低硫汽油，辛烷值每降低 1 个单位，相当于损失约 150 元/吨。因此，如果能够通过相关工艺技术的调整或改进，降低辛烷值的损失，则可以为整个催化裂化重油化工工业乃至国民经济的发展带来巨大的效益。

对于问题 1， 将 285 号和 313 号样本数据采集记录并主要针对非操作变量进行预处理， 采取处理如下方式：变量值缺失值取为前后一段时间内平均； 若超出变量范围则取为对应的最小值或最大值； 利用 3σ准则将异常数据剔除。两样本筛出不符合变量范围的数据分别为 120 和 290 个，剔除 3σ区间外数据为 0 和 65 个。

对于问题 2，基于数据预处理的 366 个变量（包括 12 个性质变量及 354 个操作变量），根据其属性首先利用基于 EM 算法的 GMM 聚类对 354 个操作变量进行聚类，将其分为 30 类，并通过 t–SNE 降维可视化技术对聚类结果进行可视化；其次对 12 维性质变量及 30 类中每一聚类簇中根据信息增益理论计算其关于辛烷值损失的信息增益值，在信息增益计算结果排序的基础上结合斯皮尔曼相关系数，对 42 维变量进行筛选，剔除相关性较大及信息增益值较低的变量，最终筛选出 28 维具有代表性和独立性的变量（包括3 维性质变量及 25 维操作变量）

对于问题 3，根据前问筛选出来的 28 个具有代表性及独立性的主要变量，建立了基于慢特征分析的即时学习（SFA-JITL） 辛烷值损失预测框架。该模型首先对 28 个主要变量进行了慢特征分析筛选出 7 维慢特征，其次搭建即时学习框架对样本序列依次输入完成每个样本值辛烷值损失的预测，并在加入更新样本的过程中利用局部加权慢特征方法对慢特征权重不断调整，该模型适用于与工艺流程数据更新的预测建模。此外， SFAJITL 辛烷值预测模型结果与真实值对比并于其他模型相比较验证了模型的有效性。

对于问题 4，根据问题 3 的辛烷值损失预测值， 总结 325 个样本的辛烷值减损方案。在保证产品硫含量处于汽油标准范围的前提下，挑出降幅大于 30%的样本共 56 个，并详细分析所对应的主要变量经过优化后的操作条件，采取求均值的方法，获得最大可能适用所有样本的操作条件，进而为石化企业的长期、高效运营提供科学稳健的理论支撑。

对于问题 5，根据问题 4 中的优化方案，对 133 号样本的各主要操作变量进行逐步的迭代，最终迭代 49 步到达最终的优化方案。经过模型的分析预测，得到了整个迭代过程中产品的辛烷值、辛烷值损失和硫含量值数据， 对整个迭代优化过程中对应的成品汽油的辛烷值和硫含量的变化轨迹进行可视化。

关键词： 辛烷值损失， GMM 聚类，信息增益特征筛选， SFA-JITL 框架， 操作变量优化 

下载地址：链接：https://pan.baidu.com/s/1vtJNDuGI0F4gPGu2usrtRA
提取码：96cb