摘要：汽油燃燒尾氣中含有的硫、烯烴等混合物對環(huán)境造成了極大的污染，但企業(yè)脫硫降烯的過程也會降低代表企業(yè)利潤的辛烷值含量。通過數(shù)據(jù)關(guān)聯(lián)或機理建模，可以刻畫化工過程與辛烷值含量的關(guān)系，為解決傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)模型中變量相對較少、機理建模對原料的分析要求高、對過程優(yōu)化的響應(yīng)不及時等問題，本文利用Matlab軟件，基于粒子群優(yōu)化算法，通過BP神經(jīng)網(wǎng)絡(luò)模型對工廠生產(chǎn)過程中收集的數(shù)據(jù)進行數(shù)據(jù)挖掘，建立了辛烷值損失預(yù)測模型。最后選擇了225個數(shù)據(jù)樣本進行了辛烷值損失預(yù)測模型的訓(xùn)練，100個樣本用于對辛烷值損失模型進行驗證。所構(gòu)建的模型對目標(biāo)值的預(yù)測具有高度擬合性，較好地解決了相關(guān)問題。

關(guān)鍵詞：辛烷值;BP神經(jīng)網(wǎng)絡(luò)模型;粒子群優(yōu)化;損失預(yù)測模型

【Abstract】Themixtureofsulfurandolefinintheexhaustgasofgasolinecombustioncausesgreatpollutiontotheenvironment，buttheprocessofdesulfurizationanddetenewillalsoreducetheoctanenumberwhichrepresentstheprofitoftheenterprise.Throughdatacorrelationormechanismmodeling，therelationshipcouldbedepictedbetweenthecontentofchemicalprocessandoctanecontent.Inordertosolvetheproblemsofrelativelyfewvariablesintraditionaldataassociationmodels，highrequirementsforrawmaterialanalysisinmechanismmodeling，anduntimelyresponsetoprocessoptimization，thepaperusesMatlab，basedontheParticleSwarmOptimizationalgorithm，thedatacollectedintheproductionprocessofthefactoryisminedthroughtheBPneuralnetworkmodel.Consequently，thepredictionmodelofoctanelossisestablished，225datasamplesareselectedtotraintheoctanelosspredictionmodel，and100samplesareusedtoverifytheoctanelossmodel.Themodelishighlyfittingtothepredictionofthetargetvalueandsolvestherelatedproblemswell.

【Keywords】

octanenumber;BP-neuralnetworkmodel;ParticleSwarmOptimization;lossforecastingmodel

作者簡介：王寧寧（1995-），女，碩士研究生，主要研究方向：會計學(xué)。

0引言

隨著國內(nèi)社會經(jīng)濟的飛速發(fā)展，汽車數(shù)量越來越多，而汽油作為其主要動力燃料，消耗量也與日俱增。但是由于汽油的燃燒產(chǎn)生的尾氣含有的硫、烯烴等對環(huán)境有很大的污染，為響應(yīng)國際對汽油清潔化的號召，各國對汽油質(zhì)量標(biāo)準(zhǔn)的制定都愈發(fā)嚴(yán)格。要求在汽油精制的過程中，不僅要降低其中硫、芳烴等物質(zhì)的含量，同時要保證汽油中的辛烷值（RON）的含量[1]。

辛烷值是用來衡量汽油品質(zhì)以及燃燒性能的一個關(guān)鍵指標(biāo)，通常用該值來評價汽油抑制爆震能力的高低。如果汽油中含有的辛烷值過低的話，汽油機的熱功效率就會降低，很容易加重缸體以及部件的磨損，甚至導(dǎo)致發(fā)動機爆震[2]。如果發(fā)生爆震，則會聽到氣缸發(fā)出的敲擊聲，燃燒室的溫度會驟然提高，排氣管道開始冒黑煙。如果汽油的抑制爆震能力強，能在一定程度上免除爆震現(xiàn)象的出現(xiàn)。因此辛烷值含量對發(fā)動機的使用年限、功率有很大影響[3]。而辛烷值對煉油廠來說代表著利潤，辛烷值的高低決定了價格的高低。

但是由于目前國內(nèi)的煉油工藝中設(shè)備和過程不統(tǒng)一，原料成分復(fù)雜，存在著很多不可控因素，就使得持續(xù)擴大與優(yōu)化生產(chǎn)的目標(biāo)很難實現(xiàn)。因此在當(dāng)前嚴(yán)格的國Ⅵ標(biāo)準(zhǔn)下，如何在降低汽油中硫、烯烴等物質(zhì)的前提下，使得化工廠得到辛烷值盡可能高的汽油，即已成為目前汽油生產(chǎn)領(lǐng)域的攻克重點與難點。對此本文擬展開研究論述如下。

1基于粒子優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型

由于本文所收集樣本的操作變量之間具有高度非線性，所以本文建立基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測模型，用于對不同操作條件下的辛烷值損失進行預(yù)測。

1.1BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種需要學(xué)習(xí)訓(xùn)練的監(jiān)督分類算法[4]。對復(fù)雜的非線性系統(tǒng)非常適用，具有較高的建模能力，現(xiàn)已廣泛用于預(yù)測模型。本文首先根據(jù)所收集到的樣本數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，對模型輸入特征向量，并經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)輸出得到預(yù)測值，再通過模型運算得到預(yù)測結(jié)果，比較學(xué)習(xí)得到的預(yù)測值和期望值求出網(wǎng)絡(luò)誤差，在此基礎(chǔ)上把誤差進行反向傳遞，進而對所設(shè)置的神經(jīng)網(wǎng)絡(luò)參數(shù)反復(fù)做出調(diào)整，直到網(wǎng)絡(luò)誤差滿足精度要求。通常，BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)有3層：輸入層、隱含層以及輸出層，其中輸入層中有n個神經(jīng)元，輸出層有m個神經(jīng)元。BP神經(jīng)網(wǎng)絡(luò)的計算過程中涉及到的原理公式可依次表述如下。

1.2基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型

粒子群優(yōu)化（PSO）算法是一種具有隨機性的全局迭代進化算法，和遺傳算法的“交叉”、“變異”等較為復(fù)雜的操作不同，該算法結(jié)構(gòu)簡單，參數(shù)比較少，與其他算法相較而言更容易在程序上實現(xiàn)[5]。PSO算法可以通過一層層的迭代，對復(fù)雜空間中存在的問題進行最優(yōu)化求解。本文通過PSO算法對BP神經(jīng)網(wǎng)絡(luò)模型進行改進，可以降低BP神經(jīng)網(wǎng)絡(luò)對梯度下降的依賴，較好地彌補了BP神經(jīng)網(wǎng)絡(luò)的不足。利用粒子群算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化時，定義粒子群搜索空間維數(shù)D=l×n+l×m+l+m，其中每個粒子的位置向量Xi代表了BP神經(jīng)網(wǎng)絡(luò)的一組權(quán)值和閾值。用粒子群算法進行的反復(fù)多次迭代，可以讓粒子適應(yīng)度值在條件終止時達到最小，因此就可以定位找到粒子的最優(yōu)位置，此刻的位置向量即代表了BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，該位置向量將作為最終權(quán)值和閾值，并可用來對BP神經(jīng)網(wǎng)絡(luò)進行測試驗證。本文將訓(xùn)練樣本的BP神經(jīng)網(wǎng)絡(luò)輸出的均方誤差作為適應(yīng)度值，數(shù)學(xué)公式如下[6]：

1.3建立辛烷值損失預(yù)測模型

本文主要通過4個步驟建立模型，具體如下。

Step1辛烷值損失預(yù)測模型結(jié)構(gòu)確定。研究后得到的辛烷值損失預(yù)測模型如圖1所示。由圖1可知，本文采用的BP神經(jīng)網(wǎng)絡(luò)輸入層有25個節(jié)點，隱含層為單層，節(jié)點數(shù)為5，主要根據(jù)以下經(jīng)驗公式計算得出：

Step2對所獲取的樣本進行歸一化處理。在圖1構(gòu)建模型的參數(shù)中，從中篩選出325組數(shù)據(jù)，將其中225組數(shù)據(jù)作為訓(xùn)練樣本，剩下的100組數(shù)據(jù)作為模型的檢驗樣本，并對樣本數(shù)據(jù)進行歸一化處理，公式為：

Step3選取BP網(wǎng)絡(luò)傳遞函數(shù)。根據(jù)本文數(shù)據(jù)及研究目的，分別確定了輸入層到隱含層的傳遞函數(shù)以及隱含層到輸出層的傳遞函數(shù)。

Step4BP網(wǎng)絡(luò)參數(shù)和粒子群算法求解參數(shù)的設(shè)置，見表1和表2。

根據(jù)辛烷值損失預(yù)測的神經(jīng)網(wǎng)絡(luò)建模方法，建立了基于粒子群算法優(yōu)化的BP辛烷值損失預(yù)測模型，并用Matlab對模型進行求解，整個預(yù)測模型流程如圖2所示。

2PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的仿真驗證

2.1PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)度驗證

PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型適應(yīng)度如圖3所示。由圖3可以看到，通過PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，設(shè)置進化代數(shù)為50，從第三代適應(yīng)度曲線開始收斂為4.81，之后一直很穩(wěn)定，說明該模型具有較好的適應(yīng)度。

2.2基于PSO的BP神經(jīng)網(wǎng)絡(luò)辛烷值損失預(yù)測模型的訓(xùn)練與驗證

BP神經(jīng)網(wǎng)絡(luò)模型如圖4所示。本文的BP神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點為25，隱含層節(jié)點為5，輸出層節(jié)點為1。

本文搜集了325個樣本數(shù)據(jù)，用225個樣本數(shù)據(jù)作為本預(yù)測模型的輸入集，100個樣本數(shù)據(jù)用作測試集和驗證集。選擇辛烷值（RON）損失為研究對象，利用Matlab軟件運行代碼進行數(shù)據(jù)預(yù)測分析，運行后的結(jié)果如圖5和圖6所示，用均方誤差來描述模型預(yù)測的準(zhǔn)確性。Validation在訓(xùn)練了18次后MSE到達2.8233e-05。

RON損失對比如圖7所示，是100個驗證集的預(yù)測辛烷值損失與實際的辛烷值損失的對比。由圖7可以清楚看出真實值與預(yù)測值擬合度很高。

RON損失預(yù)測值與真實值的相對誤差如圖8所示。為了準(zhǔn)確表示出模型可靠性，利用Matlab軟件分別做出RON損失的相對誤差和絕對誤差圖像，可以看到平均相對誤差在0.52%左右，僅有個別異常數(shù)值也不過1.4%;絕對誤差不超過0.015，如圖9所示。

3結(jié)束語

本文對從化工廠所收集的數(shù)據(jù)構(gòu)建了基于粒子優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)模型，通過粒子群算法優(yōu)化了權(quán)閾值問題，不僅解決了網(wǎng)絡(luò)收斂的速度慢的問題，同時避免了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型會導(dǎo)致模型結(jié)果陷入局部最優(yōu)的情況，使得預(yù)測模型更加準(zhǔn)確。后面通過對模型的驗證，證明了本文所構(gòu)建模型的可行性。所構(gòu)建的模型解決了由于國內(nèi)目前的煉油工藝中設(shè)備和過程不統(tǒng)一，原料成分復(fù)雜等各種不可控因素導(dǎo)致的建模艱難問題，有利于優(yōu)化國內(nèi)原油工藝的生產(chǎn)過程，保證企業(yè)在降低汽油中硫、烯烴等物質(zhì)的前提下，提升汽油中的辛烷值含量，幫助企業(yè)提高利潤。

參考文獻

[1]楊苗.長慶石化汽油辛烷值的數(shù)學(xué)建模法計算研究[D].西安：西安石油大學(xué)，2015.

[2]董立霞.FCC汽油加氫脫硫過程中烯烴飽和與辛烷值損失規(guī)律的研究[D].北京：中國石油大學(xué)（北京），2017.

[3]齊萬松，姬曉軍，侯玉寶，等.S-Zorb裝置降低汽油辛烷值損失的探索與實踐[J].煉油技術(shù)與工程，2014，44（11）：5-10.

[4]羅連波，朱景川，劉勇，等.基于BP神經(jīng)網(wǎng)絡(luò)的TC6鈦合金富氧α層厚度與熱暴露溫度、時間關(guān)系預(yù)報[J].稀有金屬材料與工程，2014，43（4）：946-950.

[5]宮華，李作華，劉洪濤，等.基于改進PSO-BP神經(jīng)網(wǎng)絡(luò)的貯存可靠性預(yù)測[J].運籌與管理，2020，29（8）：105-111.

[6]呂磊，王紅蕾.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的儲能裝置實時容量識別與實現(xiàn)[J].現(xiàn)代電子技術(shù)，2020，43（12）：69-73.