基于主成分降维及多层感知神经网络的辛烷值预测分析.docxVIP

?

?

基于主成分降维及多层感知神经网络的辛烷值预测分析

?

?

孙金芳王智文王康权吴静

摘?要：辛烷值是评价汽油质量的重要指标，汽油在精制脱硫和降烯烃的过程中，辛烷值普遍出现了损失.建立预测模型来预测辛烷值，帮助企业优化工艺流程进而提高成品油辛烷值的含量具有重大意义.根据某石化企业的精制脱硫装置保留下来的数据进行分析，选取独立且具有代表性的20个变量，基于主成分降维的多层感知神经网络建立辛烷值的预测模型.实验结果表明，当隐藏层的神经元个数为10时，MSE、RMSE、MAE均最小，此时该模型具有较高的预测精度和较好的拟合度.此模型不仅揭示了变量与辛烷值之间的非线性映射关系，同时也为预测辛烷值提供了一种新的思路.

关键词：汽油辛烷值;主成分降维;多层感知神经网络;数据降维;辛烷值损失;辛烷值预测

：TP391.3?????DOI：10.16375/j.cnki.cn45-1395/t.2021.03.011

0??引言

辛烷值（octanenumber，RON）是反映汽油燃烧性能的最重要指标之一[1-3]，并作为汽油的商品牌号（如92#），在世界各国制定的汽油质量标准中都有严格的规定.然而，汽油精制脱硫和降烯烃的过程中，辛烷值普遍出现损失.辛烷值每减少损失1个单位，相当于多收益150元/t[4].以一个拥有年产100万t汽油精制装置的企业为例，若它能将RON的损失减少0.2个单位，那么它在一年内能多收益3×107元人民币.

郑斌等[5]针对成品油销售企业汽油辛烷值检测难的问题，提出了一种基于随机森林回归算法的研究方法.高俊等[6]采用35个汽油实际样本数据，建立了利用汽油的近红外光谱吸光度预测汽油辛烷值的BP人工神经网络模型.孙忠超等[7]利用BP神经网络算法和支持向量机回归建立了FCC汽油研究法预测辛烷值.周小伟等[8]利用多元线性回归和BP神经网络算法分别建立了二次反应清洁汽油的辛烷值预测模型.通过回归利用汽油不同性质去构造辛烷值预测函数，模型里有很多系数，需要重新计算原料含量变化.同时，汽油催化裂化过程中受许多操作因素的影响，通过汽油原材料的性质去预测辛烷值的含量没有考虑到加工过程中各方因素对辛烷值的影响.

如今，神经网络技术被广泛应用于图像识别[9]、流量预测[10]等方面，致使越来越多的研究者考虑用神经网络[11-12]的方式去预测辛烷值.考虑到本次数据包含的指标很多，提出了基于主成分降维的多层感知神经网络的辛烷值预测模型.实验数据来自某石化企业，对汽油精制脱硫装置保留下来的历史数据进行分析，这些数据包含了366个变量，具体包括7个原料性质、再生吸附剂性质和待生吸附剂性质各2个、1个成品油的辛烷值以及另外354个操作变量.本文使用先降维后建模的方法，过滤冗余变量，发现并分析影响模型的主要变量与因素.利用这些变量通过多层感知神经网络对汽油中的辛烷值进行预测，并对预测结果进行分析以提升汽油品质.

1??相關理论介绍

1.1??主成分降维

影响辛烷值的因素有很多，而且各因素蕴含的信息也很复杂[13-14]，如何从这些信息中获取有效信息是建立辛烷值损失值预测模型的关键.降维是一种映射关系，在保证原有数据本质尽量不变的前提下，将数据的维度降低.常用的降维技术有奇异值分解（SVD）、因子分析（FA）、主成分分析（PCA）等[15].本文使用PCA技术对数据进行特征提取和降维操作，化繁为简，尽可能压缩指标个数[16].依据PCA的基本思想，本文对原始指标的相关矩阵进行研究，从所有变量中找出影响辛烷值损失的几个综合性指标，这些新指标间相互独立，能够最大限度地、集中地反映原始指标的总方差.

1.2??多层感知神经网络

1.2.1??网络的基本原理

多层感知器网络（multi-layerperceptron，MLP）的基本结构如图1所示，不仅存在输入层和输出层，还可以有许多个隐藏层，最简单的MLP需要至少有一层隐藏层，此网络拥有前向神经网络的主要特征.输入的特征信息经过输入层神经元，然后被传送到第一个隐藏层的神经元，再传送到下一个隐层的神经元.其中，两个层之间神经元间的连接方式是：上一层的每一个神经元与下一层的每一个神经元都有连接.值得注意的是，在同一层中，神经元之间是没有连接的，信息经过所有隐藏层的传递，最后到达输出层的神经元进行输出.

从图1可见，输入层神经元的个数为[n]，表示输入多少条信息，输入层就有多少个神经元，分别记作[x1，?x2，…，xn].[?1，??2，…，?n1]是第一个隐藏层的神经元，[c1，?c2，…，cn2]是第二个隐藏层的神经元.本文的输出信息是辛烷值的预测值，所以输出层有一个神经元.各层的输入输出关系用式（1）—式（3）来计算.

[hj=f