2020年数学建模大赛华为杯B题优秀论文7.pdfVIP

学 校 浙江理工大学 参赛队号 B20103380015 1.李昂 队员姓名 2. 卜天 3.林佳佳 0 题 目 基于数据挖掘降低汽油精制过程辛烷值损失 摘 要 ： 汽油的辛烷值 （RON）是衡量汽油在气缸内抗爆震燃烧能力的数字指标，值高表示其 抗爆性能好。某企业汽油产品辛烷值损失有较大优化空间，急需用数据挖掘技术 （统计、 机器学习等方法）解决辛烷值损失问题。 针对问题一，要按 “样本确定方法”对285 号和313 号样本进行预处理。我们对于某 个变量数值全部缺失进行了删除，对于某个变量数值部分缺失的用均值代替。根据拉依达 准则剔除异常值，其中利用了贝塞尔公式得到标准误差delta.样本285 中没有发现异常值， 样本313 中发现53 个异常值，进行了剔除。最后取六点到八点的操作数据的平均值作为 对应辛烷值八点的操作变量数据。 针对问题二，要从367 个变量中寻找影响产品辛烷值的三十个以下主要变量。首先我 们进行了散点图分析，观察每个变量和产品辛烷值之间是否存在线性关系，对于能观察出 线性关系的变量均予保留。对于不能观察出线性关系以及不能通过非线性变化转化成线性 关系的变量进行筛出。接着进行斯皮尔曼相关分析，对在99%的置信区间上显著的变量进 0.3 53 行相关系数的排名，剔除了相关系数小于 的变量，得到了 个变量。然后对这些变量 运用SPSS软件进行系统聚类，得到聚类谱系图，从23类每类里选出相关系数较高的变量。 最后广泛查阅相关文献，综合确定了29个主要变量。 29 针对问题三，根据确定的 个主要变量，要通过数据挖掘建立辛烷值损失预测模型， 并进行验证。由于炼油工艺过程的复杂性和设备的多样性，它们的操作变量之间具有高度 非线性的关系。并且传统的数据关联模型中变量比较少，急需优化。我们分别建立了BP 神经网络模型和多元非线性回归模型进行辛烷值损失预测。 我们设计了3个三层全连接的神经网络模型，将20个重要变量全部输入，将9个非 重要变量分批次输入到模型中。模型的输入层为23个神经元，模型预测的结果由三个模 0.6 型预测值取均值得到。模型一中输入的三个非重要变量得到的均方误差最低，接近 ； 模型二与模型三得到的均方误差接近3，在实验的接受范围内。取均值后我们将9个非重 要变量共同计入考虑，得到的预测值经过均值处理后更加平稳、准确。 建立多元非线性回归模型过程中，我们将325个样本分成拟合样本和预测样本。借助 SPSS 50 软件不断提高模型的拟合优度，得到了辛烷值损失预测函数。接着将 个预测样本 代入函数，与实际辛烷值损失比较，辛烷值损失预测值与实际值之间的差值在0.3 以内， 精确度较高。 5 g/g 针对问题四，要求保证产品硫含量不大于 μ 的前提下，得到样本对应的主要变量 优化的操作条件，使辛烷值损失降幅大于30%.由于问题有约束条件和目标，以及由问题三 得到的多元非线性回归函数，我们建立了非线性规划模型。目标函数是最小化辛烷损失值， 18 5 g/g 决策变量是 个主要操作变量，约束条件是硫含量小于等于 μ 和每个变量的可操作 1 范围，还要满足损失降幅30%以上。我们针对一些样本给出了具体的操作优化方案。 针对问题五，要求用图形展示133 号样本主要操作变量优化调整过程中对应的汽油辛