摘 要：

辛烷值是反映汽油燃烧性能的重要指标， 现有技术在对催化裂化汽油进行脱硫和降烯
烃过程中，普遍降低了汽油辛烷值，造成了辛烷值（RON）的损失。 为在汽油精制过程中
进行优化操作，我们通过对其样本信息进行数据挖掘与模型建立，提供有价值的信息支持。
本文基于汽油精制过程中的样本信息数据，根据操作变量之间的高度非线性和相互强
耦联性，进行数据挖掘与分析。同时， 根据数据宏观层面的规律性、微观层面的差异性，
建立具有针对性的多个数学模型，并使用 R2， MSE， RMSE 等多种参数、模型比对与平稳
性分析， 进行了评估与合理性验证。本文所做的工作可概括为以下几点:

问题一：在判断数据合理性基础上，对样本数据进行预处理。首先，对照变量取值和
Δ值范围，查找异常数据；其次，根据最大最小的限幅，剔除限幅外数据；然后，根据拉
依达准则，去除异常值，共清洗剔除了附件三中的 726 条数据。最后， 进行样本值确定，
分别将 285 号和 313 样本操作变量的平均值与同一行进行比较，285 号的契合度达到 100%，
313 号存在些许差，多数数值的契合度达到 90%以上。

问题二：根据数据特性，建立了 mRMR-IFS-SVR 模型。首先使用最大相关—最小冗余特征选择方法（mRMR）求解特征与目标损失值的相关性列表，获取 30 个主要变量的候选
列表；其次，考虑到变量之间的高度非线性和相互强耦联，我们联用增量特征选择方法(IFS)，
建立了高斯核函数支持量回归模型(rbf-SVR)，以评估参数筛选出了 24 个主要变量。同时，
通过相关系数、互信息和最大信息数、随机森林、递归特征消除等方法验证主变量筛选的
合理性。

问题三：本题主要通过数据挖掘技术建立辛烷值损失预测模型，即通过样本数据，求
解最佳回归模型。由于数据本身的变量之间具有高度非线性和相互强耦联的关系，因此，
本题选取相应的回归模型进行求解。我们主要联用第二问的 rbf-SVR 模型，与决策树回归、
随机森林回归、梯度上升回归树进行比较评估参数选取最佳预测模型。最终确定了拟合优
度为 93.75%的决策树回归模型。

问题四：基于合作博弈论，对筛选样本数据进行分析， 并建立多目标优化模型。 沿用
决策树回归建立硫含量与 24 个主变量的预测模型， 我们重点建立了“合作博弈——PareTo
强度进化算法”：输入样本数据的操作变量，约束其上下限，根据“合作博弈”方法、“PareTo
强度进化算法”，进行多次实验的多次迭代求近似最优解；获取多次迭代的最优解对应的
操作变量值取平均增降幅度，使用分布密度函数求得均值以及置信区间，提供整体操作变
量的优化方案。 同时，通过验证样本契合度、模型迭代的稳定性说明其合理性。

问题五： 本题沿用了第四问中第 133 号样本的多次迭代最优解平均值作为增降服务的
参考，使用贪心算法对主要变量进行逐步调整， 总调整步长为 259， 展现了汽油辛烷值和
硫含量的变化轨迹。 第 234 步时达到最优，辛烷值最高为 88.7，硫含量为 3.4μg/g。当调
整步长为 228 时，硫含量最低为 3.2μg/g。

关键词： 辛烷值；汽油精制； mRMR-IFS-SVR 模型； 决策树回归； 合作博弈论； PareTo强度进化 算法

链接：https://pan.baidu.com/s/1dA4b4b0VDVg3AEPmeGXtPA
提取码：4d67