“华为杯”竞赛论文模板

竞赛论文模板Realthought

题目降低汽油精制过程中的辛烷值损失模型

摘要：

本文主要针对汽油辛烷值进行量化分析，依据从催化裂化汽油精制装置采集的325个数据样本（每个数据样本都有354个操作变量），通过降维分析法找到主要变量，并且借助数据挖掘技术来建立汽油辛烷值（RON）损失的预测模型，找出每个样本的优化操作条件，在汽油产品脱硫效果得到有效保证，并且满足产品硫含量不大于5μg/g的前提要求下，尽量降低汽油辛烷值损失在30% 以上。

针对问题1，原始数据采集来自于中石化高桥石化实时数据库（霍尼韦尔PHD）及LIMS 实验数据库,其中操作变量数据来自于实时数据库，特点是变量较多且数据采集时间长，导致数据精确处理难大，特别地会有空值或者是部分为空值，所以首先要对原始数据做一些处理后方可使用。

针对问题2，由于催化裂化汽油精制过程是连续的，虽然操作变量每3 分钟就采样一次，但辛烷值（因变量）的测量比较麻烦，一周仅2次无法对应。但根据实际情况可以认为辛烷值的测量值是测量时刻前两小时内操作变量的综合效果，因此预处理中取操作变量两小时内的平均值与辛烷值的测量值对应，从367个操作变量中通过降维的方法筛选出建模主要变量，使之尽可能具有独立性、代表性，特别地将原料辛烷值纳入变量，从而找到建模地主变量。

针对问题3，采用上述样本和建模主要变量，将数据分为训练集和测试集，通过深度学习技术进行建模，进而构建深层神经网络并进行模型验证。

针对问题4，为寻找最优操作变量，我们通过构建粒子群算法，找到可接受的最优辛烷值的操作变量参数。

针对问题5，将问题4的过程进行可视化即可。

_

关键词：汽油辛烷值；操作变量；分析降维法；深层神经网络；预测模型；操作变量优化；模型可视化展示；粒子群算法。

目录

一，问题重述 (2)

1、背景叙述 (2)

2、数据采集 (3)

3、问题解析 (3)

3、1问题1，处理数据 (3)

3、2问题2，寻找建模主变量 (6)

3、3 问题3，建立辛烷值（RON）损失预测模型 (8)

3、4 问题4，主要操作变量方案的优化 (9)

3、5问题五，模型的可视化展示 (13)

二、问题结论 (13)

1、问题1、2：数据处理结果 (13)

2、问题3，建立辛烷值（RON）损失预测模型 (13)

3、问题4、5，操作方案的优化及模型可视化 (13)

三、参考文献 (14)

一，问题重述

1、背景叙述

在世界的各个角落，小型车辆的主要燃料是汽油，然而汽油燃烧产生的尾气排放大气中，对大气环境有不可忽略的重要影响。因此，在各个国家切合本国国情并且日益严格的汽油质量标准相继被拟定出来。汽油清洁化重点是尽量保持其辛烷值的同时，降低汽油中的硫、烯烃含量。

图1

中国作为全球主要石油消费大国之一，其中超过70%原油要依赖进口，且从中东地区进口的大部分原油都不同程度含有较高的硫。原油中的重油通常占比40-60%，这部分重油（以硫为代表的杂质含量也高）很难充分直接利用。为了加大重油资源的利用效率，我国

大力发展了以催化裂化为核心的重油轻质化工艺技术，以此将重油转化为相对环保的汽油、柴油和低碳烯烃等可使用油。在我国，由催化裂化生产得到超过70% 的汽油，因此催化裂化汽油提供了成品汽油中95% 以上的硫和烯烃。因而有必要对催化裂化汽油进行进一步的精制化处理，从而达到对汽油辛烷值达到国家标准或者更优。

辛烷值（以RON表示）是对于汽油燃烧性能最重要的指标，并且汽油的商品牌号（例如89#、92#、95#）以辛烷值作为标准。然而，现有以催化裂化汽油的方法进行脱硫和降烯烃过程中，汽油辛烷值普遍偏低。根据目前市场价来计算，每降低1个单位的辛烷值，相当于约150 元/吨的损失。以一个100 万吨/年催化裂化汽油精制装置为例，若能降低RON损失0.3个单位，其经济效益损失将达到四千五百万元。

一般通过数据关联或机理建模的方法来实现化工过程的建模，虽然已经取得了不错的成果，但是出于炼油工艺过程的复杂性以及设备的多样性的原因，使得它们的操作变量（控制变量）之间有高度非线性和相互强耦联的关系存在，然而传统的数据关联模型中存在变量相对较少存在，使得机理建模对原料的分析要求较高，同时过程优化的响应并不及时，因而并未达到理想的效果。

某石化企业运行了4年催化裂化汽油精制脱硫装置，积累了大量可用的原始数据，有平均为1.37个单位的汽油产品辛烷值损失，然而同类装置的最小损失值仅仅只有0.6个单位，因而优化空间比较大。本文将探索利用数据挖掘技术来解决化工过程建模问题，通过模型可视化方法，从而达到找出优化汽油辛烷值的目的。

2、数据采集

从LIMS实验数据库及中石化高桥石化实时数据库（霍尼韦尔PHD），我们得到大量的原始数据，其中实时数据库为我们提供了大量的操作变量数据，采集时间从2017年4月至2020年5月，时间跨度大约为3年，采集操作位点数共354 个。从2017 年4月到2019年9月，数据采集频次为3 分钟/次；自2019 年10 月至2020 年5 月，数据采集频次为6 分钟/次。原料、催化剂和产品数据来源于LIMS的实验数据库，数据时间范围为3年，即从2017 年4 月至2020年5 月。我们以每周2/次的采集频次，采集到重要的建模变量为原料及产品的辛烷值这两样数据。

3、问题解析

3、1问题1，处理数据

在原始数据中，大部分变量数据是正常的，但每套装置的数据难免都有部分位点会存在问题，部分变量只含有某时间段的数据，部分变量的数据部分为空值或全部数据为空值。因此，处理后的原始数据方可以使用，我们对数据进行剔除或者补全两种办法进行预处理。数据处理方法如下：

步骤一：假如325个样本中数据全部为空值的位点，则表明对该问题毫无帮助，古我们只能选择删除。