基于机器学习的汽油精制作中辛烷值损失预测模型研究

有效降低汽油中烯烃含量和硫含量的同时较好保持成品汽油中的辛烷值已成为油品质量研究的热点。首先对催化裂化汽油精制脱硫装置产生的原料性质、待生吸附剂性质、再生吸附剂性质、产品性质、操作变量共367个变量数据进行预处理,然后利用因子分析法对数据进行样本降维,最终得到23个主要建模变量。然后分别运用K邻近法(KNN)、随机森林回归、BP神经网络回归算法建立辛烷值损失模型,通过对比拟合优度R2,确定拟合效果最好的模型为BP神经网络回归模型。最后利用遗传算法对主要变量进行优化,确定了硫含量不大于5μg/g条件下,辛烷值损失值最小的操作条件,并对辛烷值损失模型和操作变量模型进行验证,结果表明：辛烷值损失降幅约为48.3%,硫含量约为4.2μg/g,实现了优化模型可保证在脱硫的基础上,显著降低辛烷值损失。     

基于向量自回归模型的辛烷值损失问题研究

依据某石化企业催化裂化汽油精制脱硫装置运行四年产生的大量数据和从催化裂化汽油精制装置采集的325组样本(每组样本中都有367个操作变量),针对辛烷值损失的优化问题,从数学建模的方向出发,在对样本数据进行预处理的基础上,使用二次特征筛选的方法从367个操作变量中筛选出数学建模的主要变量,综合考虑变量之间的非线性和相互强耦联性,基于多变量自回归对数线性方程建立了汽油精制过程中的辛烷值损失预测模型。     

基于自适应变量加权的汽油辛烷值预测方法

针对汽油精制过程中控制变量之间非线性和强耦联性,产品汽油中辛烷值难以测定的问题,提出一种基于自适应变量加权的汽油辛烷值预测方法.首先,利用一种新颖的变量加权模块捕获变量之间的相关性获取变量权重,通过自适应变量加权的方式提升主要变量的重要性,抑制其他次要变量的作用;然后,考虑到汽油脱硫过程对辛烷值的影响,输入加权激活后的变量到辛烷值预测模块,模型同时输出辛烷值和硫含量的预测结果;最后,基于工业数据进行模型验证,结果表明,与无变量加权模块的神经网络预测方法,基于随机森林的神经网络预测方法和基于变量加权堆叠自编码器的预测方法相比较,所提出的自适应变量加权汽油辛烷值预测方法具有更高的预测精度,可以用来优化汽油精制过程的操作条件.     

汽油管道调合过程的动态矩阵预测-专家控制

汽油管道调合是一个复杂的多变量非线性过程,具有不确定性强、滞后时间长等特点.本文针对汽油管道调合过程,设计了一种先进控制策略,它包括针对分析仪滞后特性的动态矩阵预测控制算法,以及用于计算组分汽油流量的辛烷值专家控制器两个部分,可以实现产品汽油辛烷值的闭环卡边控制,降低了汽油的调合成本.将所设计的先进控制系统应用于某炼油厂的管道汽油调合过程,仿真研究和测试结果表明这种先进控制系统具有控制精度高、鲁棒性强等优点,可以为炼油企业带米显著的经济效益.     

基于多目标优化的汽油调和优化模型及其应用研究

汽油的调和方案是提高炼油厂经济效益的关键因素.通过现有汽油调和优化模型的分析,本文结合汽油辛烷值的预测模型1DPE模型,提出了1种以调和成本和辛烷值过剩最少为目标、将经验知识也作为约束条件的多目标优化汽油调和优化模型,该模型可应用于不同标号的汽油产品的调和,根据模型的非线性特征,采用遗传算法进行求解,最后,通过某炼油厂的1个应用实例验证了上述成品油调和优化模型及其求解方法的有效性,为炼油厂减少企业成本、保证产品合格率提供了新途径.     

新的汽油调合辛烷值模型及其现场应用

为了对汽油调合的配方计算进行优化,本文首先针对汽油的辛烷值属性提出了基于调合效应的模型,并以此为基础提出离线配方优化的策略和现场实施方案.通过对现场数据的建模,以及与乙基模型进行对比,调合效应模型在精度上有约5%的提高.此外,本文还展示了相应的现场实施结果.结果表明优化算法可对每个批次(约5500吨汽油)的汽油调合提供4.25万元的经济效应,为该炼油装置每年提供约1275万元的经济效益.     

基于人工蜂群算法的轨道交通列车行车间隔优化

轨道交通运营组织作为轨道交通运营企业管理的核心,在降低企业运营成本、提升服务水平和旅客出行效率方面起着非常重要的作用。提出一种基于人工蜂群（ABC）优化算法的列车行车间隔优化策略,在考虑运营企业和旅客各自利益的基础上,以列车发车间隔为决策变量,建立旅客平均候车时间最小和列车等候时间最大的双目标非线性规划模型。采用ABC算法对模型进行优化求解,结合京津城际铁路某日不同时段客流基础数据进行仿真,实例验证了所提算法和模型的有效性。     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。     

微粒群算法优化样本集在汽油调合设计中的应用

提出PSO-v-SVR方法建立计算机辅助调合汽油辛烷值预测模型的新思路,采用微粒群算法(PSO)对原始样本集随机抽样并加以优化获得优化的训练集,再以v-支持向量回归(v-SVR)对样本进行训练和预测。用PSO-v-SVR方法对某炼油厂的汽油调合生产数据进行研究,用选出的最佳训练集构成的模型对44组预测样进行预测,实测辛烷值与预测值误差绝对值AE≥0.3的样本数仅为16,平均绝对误差MAE=0.293;明显优于直接用全部原始样本作训练集建模AE≥0.3的样本数26个, MAE=0.366,以及按文献[12]用前期80组样本作训练集建模AE≥0.3的样本数25个,MAE=0.350的预测结果。研究表明,本文的思路可以较大幅度提高模型预测准确性,在化工生产优化和软测量建模中具有推广应用价值。     

汽油调合过程的神经内模优化控制

针对某炼油厂的管道汽油自动调合系统,建立了汽油调合过程的神经网络模型,在此基础上,设计出汽油辛烷值的神经内模优化控制器。仿真结果表明了对产品汽油辛烷值的在线闭环实时优化控制方案是可行的。     

丁醇汽油发动机仿真与优化研究

为了改善汽油机燃用丁醇-汽油混合燃料后带来的发动机性能下降的问题,采用改进的多目标粒子群算法对燃烧影响因素进行了优化.首先建立了丁醇汽油发动机整机模型,并对比实验数据验证了模型的可靠性;然后提出了一种适应丁醇汽油混合燃料的改进多目标粒子群算法;随后以发动机的配气相位、空燃比、点火提前角等参数为设计变量,综合发动机燃油消耗率和扭矩作为目标函数,应用改进的多目标粒子群算法进行了优化.结果表明改进的多目标粒子群算法能快速找到优化结果,优化后的发动机在燃用丁醇汽油时性能得到较大的提高.     

融合分支定界的可变形部件模型的行人检测

针对可变形部件模型（DPM）算法在行人检测领域中的检测精度高,但由于在特征提取和行人定位两步中的计算量过大,导致检测速度过慢而不能应用于实时行人检测的问题,提出了一种融合分支定界算法和级联检测算法的可变形部件模型（BBCDPM）算法。首先,选取梯度方向直方图（HOG）特征作为描述人体目标的特征,从而生成特征金字塔;然后,进行可变形部件模型的建模,并使用隐变量支持向量机（LSVM）对模型进行训练;同时,为了提高行人检测的准确度,将传统可变形部件模型算法中的5个部件模型增加到了8个;最后,在利用了级联检测算法简化检测模型的基础上,结合了分支定界算法寻找最大值,排除大量不可能的对象假设,完成对行人目标的定位和检测。在INRIA数据集上进行了实验,结果表明,与传统DPM算法相比,该算法将准确率提高了12个百分点,且大幅提高了行人检测与识别的速度。     

基于GA-BP优化算法的BP网络及其在汽油调合辛烷值建模中应用

本文中对一种改进的BP网络——GA-BP网络,分析了相关理论,并列出了详细的GA-BP训练网络权值阈值的算法,编制了MATLAB的程序来实现这个算法的功能;同时将其用用到了汽油调合辛烷值建模中,获得满意的效果。     

改进的离散萤火虫算法在近红外光谱分析中的应用

一般的萤火虫算法只能用于连续的实数空间,本文提出了改进的离散萤火虫算法,并结合轮盘赌算法避免算法陷入局部最优。提出的离散萤火虫算法用于近红外光谱的波长筛选,并应用于谷物的四种性质和汽油的辛烷值预测。由实验结果可知,提出的萤火虫算法能筛选到高信息变量,且收敛速度快。     

基于传感技术的辛烷值测量

分析研究表明汽油的辛烷值与组成汽油的各个组份的综合介电常数ε有近似的对应关系。因此 ,利用电容式传感器测量ε的变化可以得出辛烷值。介绍了测量汽油辛烷值的传感器的原理及仪表。实验表明 ,与市售汽油辛烷值相比 ,测量精度可以达到± 0 .5个标号。     

高精度汽油辛烷值测定仪的开发研究

用Ｃ／Ｆ变换器和分频电路检测汽油的电容值,通过大量数据拟合出的电容值和辛烷值的线性函数（用最小二乘法拟合）,计算出汽油的辛烷值。电路结构简单可靠,精度高。     

PPDM中面向k-匿名的MI Loss评估模型

隐私保护数据挖掘（PPDM）利用匿名化等方法使数据所有者在不泄露隐私信息的前提下,安全发布在数据挖掘中有效可用的数据集。k-匿名算法作为PPDM研究使用最广泛的算法之一,具有计算开销低、数据形变小、能抵御链接攻击等优点,但是在一些k-匿名算法研究中使用的数据可用性评估模型的权重设置不合理,导致算法选择的最优匿名数据集在后续的分类问题中分类准确率较低。提出一种使用互信息计算权重的互信息损失（MI Loss）评估模型。互信息反映变量间的关联关系,MI Loss评估模型根据准标识符和标签之间的互信息计算权重,并通过Loss公式得到各个准标识符的信息损失,将加权后的准标识符信息损失的和作为数据集的信息损失,以弥补评估模型的缺陷。实验结果证明,运用MI Loss评估模型指导k-匿名算法能够明显降低匿名数据集在后续分类中的可用性丢失,相较于Loss模型和Entropy Loss模型,该模型分类准确率提升了0.73%~3.00%。     

汽油调和辛烷值模型的分析与改进

准确预测汽油调和辛烷值是炼油厂生产达标汽油的关键.本文简要回顾汽油调和的工艺原理,分析当前汽油调和辛烷值模型的优缺点.针对虚拟纯组分法精度不高,仪适用于有限的调和组分的缺点,提出一种新的改进办法,既保留原有方法对信息要求不高的优点,又具有较高的计算精度和普遍使用性.仿真试验表明此法可行,为预测汽油调和辛烷值指出新途径.     

支持向量机分类算法中多元变量共线性问题的改进

结合核主成分分析的主因子提取和支持向量机的分类机理,提出了一种组合建模算法.应用核主成分分析过程作为预处理器,可以把共线性的多元变量糅合为几个主因子,但基本不损失有效信息.然后进行基于支持向量机的分类建模和预测.这样不仅可以防止共线性多元变量对模型的负面影响,还可以降低数据维数,减少支持向量机分类过程中的复杂度和运算量.最后用实验进行评估所得到的训练模型,实例说明了所提方法的有效性.     

结构方程模型的约束最小二乘解与确定性算法

研究了结构方程模型（SEM）的约束最小二乘解（CLS）,从分析SEM的观测方程组入手,发现了这个不定方程组的结构变量与观测变量必须满足的最小二乘关系,在对结构变量有固定模长参数约束的条件下,求出它的一组模长约束最小二乘解（MCLS）,MCLS可以作为求解结构方程组的偏最小二乘（PLS）迭代初值,在求得MCLS以后,在观测方程组中改变结构变量的模长,使得每个结构变量所对应的与观测变量的路径系数满足配方条件,是更为合理的约束,它可以保证结构变量与所辖的观测变量同质,尽管观测方程组是不定方程组,但是根据误差平方和最小以及对路径系数的配方约束,使得MCLS求解为合理的确定性算法,然后再对结构方程组直接求解,也是确定性算法,这就解决了结构方程模型求解的唯一性问题。