基于粒子群算法的辛烷值损失减少过程的优化

汽油是小型汽车的主要燃料，但其燃烧产生的尾气排放对大气环境有着重要的影响，将汽油清洁化已是迫在眉睫，但同时也要保证其辛烷值的含量。本文运用神经网络的方法针对处理辛烷值(ON)损失预测模型的问题展开研究。对给定的原始采集数据中部分样本进行预处理，通过拉依达准则(3σ准则)去除异常值，采用最大最小的限幅方法剔除一部分不在此范围的样本；然后对于残缺值大于20%的位点可以通过巴莱多定律进行删除，为了选取出对产品属性影响较大的操作变量与因素，使用SPSS软件通过主成分分析法对原有的367个变量进行降维处理，得到了具有典型性和独立性的22个主要变量，通过BP神经网络建立预测模型。为了满足硫含量的条件，利用粒子群算法对硫含量再次预测，得出硫含量与主要变量的表达式，能够得到使得辛烷值损失取得最小值的最优解。

在当今这个时代，经济与需求都在快速发展，汽车已经成为社会生活和工作的必需品。尽管近几年电动汽车正在飞速发展，但是不可否认传统的内燃机汽车仍然是汽车行业的主流。这就导致给城市甚至世界环保带来很大压力。国家在不断加强对汽车行业的管控的同时对汽车尾气排放标准也在不断提高。

影响汽车尾气排放因素有发动机、进气系统等，但其中一个相当重要的因素则是汽油。

汽油是当今世界上用量最大、用途最广的轻质石油产品之一，主要用于各类交通工具的动力燃料。

汽油是通过重油分解出来的，大部分使用的是重油轻质化工技术。国家需要的成品汽油则需要再次进行精制处理。汽油标号代表的是汽油的抗爆性，在工程中则是指辛烷值。辛烷值越高，就代表汽油抗爆值越高。我国为了减少尾气中硫等有害气体的排放，大部分使用的是催化裂化技术来脱硫，但是会使汽油辛烷值的降低，从而导致经济效益大大减少。

命题宗旨是：利用数据挖掘技术[1]来建立降低辛烷值损失模型和辛烷值损失预测模型。所建立的模型区别于通过数据关联或机理建模的方法所建立的化工模型，充分利用到了其中大量的操作变量，实现对过程优化的及时响应。通过对主要操作变量的优化，实现减少硫含量的同时保证汽油辛烷值降低幅度最小，同时实现效益的增长。

国内研究者主要集中在辛烷值损失模型的建模方面[2]，研究了基于统计学、机器学习和深度学习等技术的辛烷值损失模型。近年来，随着中国石化企业实验室信息管理系统的建成，积累了大量的实验数据。因此，以现有数据库中的汽油理化指标数据集为基础，开始探索和采用一些非线性的建模方法，进行辛烷值的定量计算，如秦玉翠利用误差反向传播人工神经网络(back propagation neural network，BP 神经网络)，对近红外光谱仪测定数据进行处理分析，如光谱吸光度与汽油辛烷值，结果证明了ANN 方法的可行性。另外也有研究以向量机回归法为基础，以分子结构为依据，构建基于烷烃马达法的辛烷值计算模