孫金芳 王智文 王康權(quán) 吳靜

摘? 要：辛烷值是評價汽油質(zhì)量的重要指標(biāo)，汽油在精制脫硫和降烯烴的過程中，辛烷值普遍出現(xiàn)了損失.建立預(yù)測模型來預(yù)測辛烷值，幫助企業(yè)優(yōu)化工藝流程進(jìn)而提高成品油辛烷值的含量具有重大意義.根據(jù)某石化企業(yè)的精制脫硫裝置保留下來的數(shù)據(jù)進(jìn)行分析，選取獨立且具有代表性的20個變量，基于主成分降維的多層感知神經(jīng)網(wǎng)絡(luò)建立辛烷值的預(yù)測模型.實驗結(jié)果表明，當(dāng)隱藏層的神經(jīng)元個數(shù)為10時，MSE、RMSE、MAE均最小，此時該模型具有較高的預(yù)測精度和較好的擬合度.此模型不僅揭示了變量與辛烷值之間的非線性映射關(guān)系，同時也為預(yù)測辛烷值提供了一種新的思路.

關(guān)鍵詞：汽油辛烷值;主成分降維;多層感知神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)降維;辛烷值損失;辛烷值預(yù)測

中圖分類號：TP391.3? ? ? ? ?DOI：10.16375/j.cnki.cn45-1395/t.2021.03.011

0? ? 引言

辛烷值（octane number，RON）是反映汽油燃燒性能的最重要指標(biāo)之一[1-3]，并作為汽油的商品牌號（如92#），在世界各國制定的汽油質(zhì)量標(biāo)準(zhǔn)中都有嚴(yán)格的規(guī)定.然而，汽油精制脫硫和降烯烴的過程中，辛烷值普遍出現(xiàn)損失.辛烷值每減少損失1個單位，相當(dāng)于多收益150元/t[4].以一個擁有年產(chǎn)100萬t汽油精制裝置的企業(yè)為例，若它能將RON的損失減少0.2個單位，那么它在一年內(nèi)能多收益3×107元人民幣.

鄭斌等[5]針對成品油銷售企業(yè)汽油辛烷值檢測難的問題，提出了一種基于隨機(jī)森林回歸算法的研究方法.高俊等[6]采用35個汽油實際樣本數(shù)據(jù)，建立了利用汽油的近紅外光譜吸光度預(yù)測汽油辛烷值的BP人工神經(jīng)網(wǎng)絡(luò)模型.孫忠超等[7]利用BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)回歸建立了FCC汽油研究法預(yù)測辛烷值.周小偉等[8]利用多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)算法分別建立了二次反應(yīng)清潔汽油的辛烷值預(yù)測模型.通過回歸利用汽油不同性質(zhì)去構(gòu)造辛烷值預(yù)測函數(shù)，模型里有很多系數(shù)，需要重新計算原料含量變化.同時，汽油催化裂化過程中受許多操作因素的影響，通過汽油原材料的性質(zhì)去預(yù)測辛烷值的含量沒有考慮到加工過程中各方因素對辛烷值的影響.

如今，神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于圖像識別[9]、流量預(yù)測[10]等方面，致使越來越多的研究者考慮用神經(jīng)網(wǎng)絡(luò)[11-12]的方式去預(yù)測辛烷值.考慮到本次數(shù)據(jù)包含的指標(biāo)很多，提出了基于主成分降維的多層感知神經(jīng)網(wǎng)絡(luò)的辛烷值預(yù)測模型.實驗數(shù)據(jù)來自某石化企業(yè)，對汽油精制脫硫裝置保留下來的歷史數(shù)據(jù)進(jìn)行分析，這些數(shù)據(jù)包含了366個變量，具體包括7個原料性質(zhì)、再生吸附劑性質(zhì)和待生吸附劑性質(zhì)各2個、1個成品油的辛烷值以及另外354個操作變量.本文使用先降維后建模的方法，過濾冗余變量，發(fā)現(xiàn)并分析影響模型的主要變量與因素.利用這些變量通過多層感知神經(jīng)網(wǎng)絡(luò)對汽油中的辛烷值進(jìn)行預(yù)測，并對預(yù)測結(jié)果進(jìn)行分析以提升汽油品質(zhì).

1? ? 相關(guān)理論介紹

1.1? ? 主成分降維

影響辛烷值的因素有很多，而且各因素蘊(yùn)含的信息也很復(fù)雜[13-14]，如何從這些信息中獲取有效信息是建立辛烷值損失值預(yù)測模型的關(guān)鍵.降維是一種映射關(guān)系，在保證原有數(shù)據(jù)本質(zhì)盡量不變的前提下，將數(shù)據(jù)的維度降低.常用的降維技術(shù)有奇異值分解（SVD）、因子分析（FA）、主成分分析（PCA）等[15].本文使用PCA技術(shù)對數(shù)據(jù)進(jìn)行特征提取和降維操作，化繁為簡，盡可能壓縮指標(biāo)個數(shù)[16].依據(jù)PCA的基本思想，本文對原始指標(biāo)的相關(guān)矩陣進(jìn)行研究，從所有變量中找出影響辛烷值損失的幾個綜合性指標(biāo)，這些新指標(biāo)間相互獨立，能夠最大限度地、集中地反映原始指標(biāo)的總方差.

1.2? ? 多層感知神經(jīng)網(wǎng)絡(luò)

1.2.1? ? 網(wǎng)絡(luò)的基本原理

多層感知器網(wǎng)絡(luò)（multi-layer perceptron，MLP）的基本結(jié)構(gòu)如圖1所示，不僅存在輸入層和輸出層，還可以有許多個隱藏層，最簡單的MLP需要至少有一層隱藏層，此網(wǎng)絡(luò)擁有前向神經(jīng)網(wǎng)絡(luò)的主要特征.輸入的特征信息經(jīng)過輸入層神經(jīng)元，然后被傳送到第一個隱藏層的神經(jīng)元，再傳送到下一個隱層的神經(jīng)元.其中，兩個層之間神經(jīng)元間的連接方式是：上一層的每一個神經(jīng)元與下一層的每一個神經(jīng)元都有連接.值得注意的是，在同一層中，神經(jīng)元之間是沒有連接的，信息經(jīng)過所有隱藏層的傳遞，最后到達(dá)輸出層的神經(jīng)元進(jìn)行輸出.

從圖1可見，輸入層神經(jīng)元的個數(shù)為[n]，表示輸入多少條信息，輸入層就有多少個神經(jīng)元，分別記作[x1，? x2， …， xn]. [?1，? ?2， …， ?n1]是第一個隱藏層的神經(jīng)元，[c1，? c2， …， cn2]是第二個隱藏層的神經(jīng)元.本文的輸出信息是辛烷值的預(yù)測值，所以輸出層有一個神經(jīng)元.各層的輸入輸出關(guān)系用式（1）—式（3）來計算.

[hj=f（i=1nwijxi-θj），i=1，? 2， …， n1]? ? ? ? ? （1）

[cl=f（l=1n1vljhj-θl），l=1，? 2， …， n2]? ? ? ? ? ?（2）

[y=f（l=1n2ulcl-θ），l=1，? 2， …， n2]? ? ? ? ? ? ?（3）

其中：[wij]、[vlj]、[ul]為連接權(quán)值，以[vlj]為例，它代表著隱藏層1第[l]個神經(jīng)元與隱藏層2的第[j]個神經(jīng)元之間的連接權(quán)值;[θj]、[θl]、[θ]代表著各層某個神經(jīng)元的閾值，以[θj]為例，它代表著第一個隱藏層第j個神經(jīng)元的閾值.輸入到本層神經(jīng)元的信息，經(jīng)過閾值的作用，在[f（?）]這個激活函數(shù)的作用下，會新生成一個數(shù)值，這個數(shù)值會成為下一層的輸入.例如，輸入到隱藏層1第一個神經(jīng)元的信息經(jīng)過閾值和激活函數(shù)的作用下，變成了[h1]，[h1]就是第一個隱藏層第一個神經(jīng)元的輸出，第二個隱藏層的輸入.信息從前往后傳遞，最終在輸出層被輸出.

1.2.2? ? 輸入層和輸出層神經(jīng)元

根據(jù)研究的需要，選擇主成分降維得到的20個主成分作為輸入層神經(jīng)元，同時，選擇成品油的辛烷值為輸出神經(jīng)元.

1.2.3? ? 隱藏層神經(jīng)元數(shù)的確定

隱藏層神經(jīng)元數(shù)量的確定非常重要，隱藏層神經(jīng)元的數(shù)量相差一個，結(jié)果可能千差萬別.隱藏層神經(jīng)元數(shù)量越多，學(xué)習(xí)的程度越深，網(wǎng)絡(luò)的預(yù)測精度就越高.但是當(dāng)隱藏層神經(jīng)元數(shù)量過多時，會導(dǎo)致一系列的問題，例如，網(wǎng)絡(luò)不收斂或者收斂速度過慢或者過擬合等問題.當(dāng)隱藏層神經(jīng)元數(shù)量太少時，雖然收斂速度快，但是預(yù)測精度可能達(dá)不到要求.考慮到現(xiàn)階段對于隱藏層神經(jīng)元數(shù)量的確定沒有統(tǒng)一的方法，本文使用經(jīng)驗公式（4）來估算神經(jīng)元數(shù)目：

[z=n+m+α]? ? ? ? ? ? ? ? ? ? ? （4）

其中：α為[1， 10]之間的任意常數(shù)，[m、n]分別為輸入神經(jīng)元數(shù)和輸出神經(jīng)元數(shù)，[z]為隱藏層神經(jīng)元數(shù)[17].本文是對汽油中的辛烷值進(jìn)行預(yù)測，輸出值為預(yù)測的辛烷值，輸出神經(jīng)元數(shù)[n]=1，降維后的? ?20個主成分作為輸入變量，因此，輸入神經(jīng)元數(shù) [m]=20，通過式（4）可以計算出本文神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)的取值范圍[5， 15].

2? ? 實證分析

2.1? ? 數(shù)據(jù)的預(yù)處理

收集到的原始數(shù)據(jù)中，大部分變量數(shù)據(jù)正常，但是部分變量只含有部分時間段的數(shù)據(jù)，部分變量的數(shù)據(jù)存在空值，因此，對數(shù)據(jù)處理后才能使用.針對不同的數(shù)據(jù)異常，采用不同的數(shù)據(jù)預(yù)處理? ? ?方法：

1）針對采集的數(shù)據(jù)樣本中全部為空值的樣本，進(jìn)行整行刪除處理;

2）針對缺失數(shù)據(jù)點較多的指標(biāo)，將此指標(biāo)變量整列進(jìn)行刪除處理;

3）針對部分指標(biāo)變量為空值的位置，空值處用此變量的平均值代替;

4）依據(jù)汽油催化裂化的工藝要求、操作經(jīng)驗總結(jié)出了影響辛烷值的各項指標(biāo)的取值范圍，依據(jù)變量的操作范圍，對收集的數(shù)據(jù)中不在這個范圍內(nèi)的樣本點用最大最小限幅法進(jìn)行刪除處理;

5）針對異常值使用拉依達(dá)準(zhǔn)則進(jìn)行去除處理.

拉依達(dá)準(zhǔn)則：假設(shè)對被觀測變量進(jìn)行相同精度的測量，得到初始數(shù)據(jù)[x1， x2， …， xn]，首先計算出被觀測變量的算術(shù)平均值[x]，然后計算剩余誤差[vi=xi-x（i=1， 2， …， n）]，之后按照式（5）的貝塞爾公式計算出標(biāo)準(zhǔn)誤差[σ].判斷數(shù)據(jù)[xm]的剩余誤差[vm]是否在[3σ]的范圍內(nèi)，若[vm]在[3σ]范圍內(nèi)，認(rèn)為數(shù)據(jù)正常，否則，[vm=xm-x>3σ]，數(shù)據(jù)[xm]含有很大的誤差，應(yīng)該進(jìn)行刪除處理.

[σ=[1n-1i=1nv2i]12=[i=1nx2i-（i=1nxi）2/n（n-1）]12]? （5）

2.2? ? 數(shù)據(jù)的降維

影響辛烷值的各指標(biāo)之間存在一定的相關(guān)性.首先對預(yù)處理后的數(shù)據(jù)進(jìn)行如式（6）的標(biāo)準(zhǔn)化，計算出各指標(biāo)間相關(guān)系數(shù)矩陣的特征值、特征向量，然后根據(jù)得到的各主成分的方差貢獻(xiàn)率和累計方差貢獻(xiàn)率，從這些主成分中選取實驗需要的主成分[zi].一般來講，方差累計貢獻(xiàn)率在80%左右，就基本保留了原來的指標(biāo)信息.

[xi=xi-xs]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

[x=1ni=1nxi]? ? ? ? ? ? ? ? ? ? ? ? ? （7）

[s=1n-1i=1n（xi-x）2]? ? ? ? ? ? ? ?（8）

為了方便確定主成分的個數(shù)，定義了一個函數(shù)將主成分的個數(shù)與累計貢獻(xiàn)率作可視化分析.方差累計貢獻(xiàn)率和主成分個數(shù)的關(guān)系如圖2所示，從圖2可以看出，15個主成分時的方差累計貢獻(xiàn)率已經(jīng)達(dá)到了80%.為了讓實驗的效果更好，選取前20個主成分作為多層感知神經(jīng)網(wǎng)絡(luò)的輸入變量，這些主成分的方差累計貢獻(xiàn)率達(dá)到85%，并且這些新指標(biāo)間不存在相關(guān)性，對原來的指標(biāo)在很大程度上進(jìn)行了簡化.

2.3? ?構(gòu)建訓(xùn)練樣本集和測試樣本集

隨機(jī)選取降維后樣本的80%作為訓(xùn)練樣本，即265個樣本數(shù)據(jù)，用于對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，直到訓(xùn)練出較好的模型.再用剩余的60個樣本數(shù)據(jù)對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行測試，用來檢驗神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，改進(jìn)模型.

2.4? ?多層感知神經(jīng)網(wǎng)絡(luò)預(yù)測模型的性能分析

用控制變量法只改變隱藏層神經(jīng)元的數(shù)量，其他的基本設(shè)置不變.將20個變量進(jìn)行輸入，通過比較均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）來判斷模型的擬合程度.

在測試集上計算樣本真實值與預(yù)測值之間的誤差，從而對模型的性能進(jìn)行評價.均方誤差[18]可以用來評價數(shù)據(jù)的變化程度，用式（9）表示，是指參數(shù)真值與預(yù)測值間差值的平方的期望值，MSE的值越小，說明預(yù)測模型對實驗數(shù)據(jù)描述的精確度更好.均方根誤差[18]用式（10）表示，和模型的誤差屬于同一級別，是均方誤差的算術(shù)平方根.平均絕對誤差[18]用式（11）表示，它是絕對誤差的平均值，用來反映預(yù)測值誤差的實際情況.

[MSE=1ni=1n（yi∧-yi）2，? n=1，? 2， …， 65]? ? ? （9）

[RMSE=MSE]? ? ? ? ? ? ? ? ? ? ? ?（10）

[MAE=1ni=1nyi∧-yi，n=1，? 2， …， 65]? ? ? （11）

其中：[yi]為監(jiān)測到的辛烷值，[yi∧]為預(yù)測的辛烷值.預(yù)測結(jié)果如表1所示.

通過對比本文構(gòu)建模型的均方誤差、均方根誤差和平均絕對誤差發(fā)現(xiàn)，當(dāng)神經(jīng)元個數(shù)為10時，MSE、RMSE、MAE均最小，此時該模型具有較高的預(yù)測精度和較好的擬合度.

2.5? ?拓展性分析

影響因素重要性排序中發(fā)現(xiàn)精制汽油出裝置溫度、反應(yīng)器上部溫度、原油辛烷值、芳烴含量、蒸汽進(jìn)入裝置的流量對辛烷值的預(yù)測有顯著影響.為進(jìn)一步描述影響因素對辛烷值的影響，將上述變量與辛烷值損失值的數(shù)據(jù)作了標(biāo)準(zhǔn)化處理，通過折線圖將影響因素與汽油辛烷值的關(guān)系可視化，如圖3—圖7所示.

溫度對汽油辛烷值影響很大.如圖3和圖4所示，在一定范圍內(nèi)，適度提高溫度，辛烷值損失值會減小，但是超過一定范圍，辛烷值的損失值會增大.可以通過對精制汽油出裝置溫度和反應(yīng)器上部溫度進(jìn)行控制，減少辛烷值的損失值.

芳烴含量和原油辛烷值都屬于原料性質(zhì)，原料性質(zhì)對辛烷值的影響很大.如圖5和圖6所示，原油中芳烴的含量高以及辛烷值高時，在同一裝置下，經(jīng)過催化裂化后，產(chǎn)品油的辛烷值就高.要想減少辛烷值的損失值，需對裝置進(jìn)行優(yōu)化，減少辛烷值的損失值.目前有LTAG技術(shù)，這種技術(shù)將劣質(zhì)循環(huán)油轉(zhuǎn)化為輕質(zhì)芳烴，或者將劣質(zhì)循環(huán)油轉(zhuǎn)化為高辛烷值汽油組分，通過將雙環(huán)芳烴加氫飽和，從而生成四氫萘型單環(huán)芳烴[19]，不僅使得氫耗量降低，而且在之后的汽油催化裂化過程中，成品汽油的辛烷值和輕質(zhì)芳烴含量都升高了，效益得到提高.

如圖7所示，蒸汽進(jìn)入裝置的流量大時，辛烷值損失小.由于蒸汽可以凈化辛烷值分離系統(tǒng)，增加蒸汽進(jìn)入裝置的流量，可以減少反應(yīng)器中吸附劑的殘留.適度增加蒸汽進(jìn)入裝置的流量，就增大了原材料進(jìn)入的比例，可以減緩部分烯烴加氫反應(yīng)和脫硫反應(yīng)的速度，能夠有效降低汽油的辛烷值損失.

3? ? 結(jié)論

本文提出的模型為辛烷值的預(yù)測以及降低辛烷值的損失值提供了新的思路與方法.預(yù)測模型的特點總結(jié)如下：

1）該模型用非線性隱式的形式描述了辛烷值與多個變量之間的關(guān)系.考慮到影響因素的多元性以及各因素間關(guān)系的復(fù)雜性，辛烷值與多個變量之間的關(guān)系難以用簡單的線性模型或稍微復(fù)雜的非線性模型進(jìn)行客觀描述，而該模型正好克服了上述缺點，實現(xiàn)了辛烷值與多個變量之間關(guān)系的非線性映射表達(dá).

2）該模型的預(yù)測精度很高，可以滿足工業(yè)生產(chǎn)的需要.由于使用了神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的非線性逼近功能[20]，所以當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多，并且在數(shù)據(jù)質(zhì)量很高的條件下，該模型的預(yù)測精度不會差.

3）該預(yù)測模型的結(jié)構(gòu)簡單，輸入變量數(shù)目可控，操作性強(qiáng).

4）模型的主要缺點是對數(shù)據(jù)的要求嚴(yán)格，必須有符合數(shù)量和質(zhì)量要求的數(shù)據(jù)才能達(dá)到預(yù)期的預(yù)測效果.

參考文獻(xiàn)

[1]? ? WEN M S，ZHANG C Q，YUE Z Y，et al.Effects of gasoline octane number on fuel consumption and emissions in two vehicles equipped with gdi and pfi spark-ignition engine[J].Journal of Energy Engineering，2020，146（6）：32-35.

[2]? ? ?劉慈祥，夏攀登，田娟，等.車用汽油研究法辛烷值測量方法淺析[J].山東化工，2020，49（19）：106，109.

[3]? ? ?鄭斌，孫洪霞，王維民.基于隨機(jī)森林回歸的汽油研究法辛烷值預(yù)測[J].石油煉制與化工，2020，51（12）：69-75.

[4]? ? ?韓躍輝.降低S Zorb裝置汽油辛烷值損失優(yōu)化措施探討[J].中國石油和化工標(biāo)準(zhǔn)與質(zhì)量，2017，37（6）：87-89.

[5]? ? ?鄭斌，孫洪霞，王維民.基于隨機(jī)森林回歸的汽油研究法辛烷值預(yù)測[J].石油煉制與化工，2020，51（12）：69-75.

[6]? ? ?高俊，姚成，章俊.人工神經(jīng)網(wǎng)絡(luò)用于近紅外光譜預(yù)測汽油辛烷值[J].分析科學(xué)學(xué)報，2006，22（1）：71-73.

[7]? ? ?孫忠超，山紅紅，劉熠斌，等.用于FCC汽油辛烷值預(yù)測的非線性數(shù)學(xué)模型[J].煉油技術(shù)與工程，2012，42（2）：60-64.

[8]? ? ?周小偉，袁俊，楊伯倫.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的二次反應(yīng)清潔汽油辛烷值預(yù)測[J].西安交通大學(xué)學(xué)報，2010，44（12）：82-86.

[9]? ? ?王鵬濤，王智文.基于PSO-LDA的人臉識別算法[J].廣西科技大學(xué)學(xué)報，2017，28（1）：85-90.

[10]? ?陳皓.基于小波神經(jīng)網(wǎng)絡(luò)的移動網(wǎng)絡(luò)流量預(yù)測研究[J].電子世界，2020（15）：81-82.

[11]? ?陳曦，劉都鑫，孫嘯宇.基于BP神經(jīng)網(wǎng)絡(luò)降低汽油精制過程中的辛烷值損失[J].科技創(chuàng)新與應(yīng)用，2021（5）：25-27，31.

[12]? ?李聃華.基于神經(jīng)網(wǎng)絡(luò)的辛烷紅外光譜數(shù)據(jù)分析[D].鄭州：河南大學(xué)，2018.

[13]? ?BADRA J，ALRAMADAN A S，SARATHY S M.Optimization of the octane response of gasoline/ethanol blends[J].Applied Energy，2017，203：778-793.

[14]? ?LAURGEAU C，ESPIAU B，BARRAS F.Détermination de l'indice d'octane par chromatographie gazeuse determining the octane number by gas chromatography[J].Oil & Gas Science and Technology，2006，5（4）：251-258.

[15]? ?劉輝.基于主成分分析和多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的入侵檢測方法研究[J].軟件工程，2020，23（7）：10-12.

[16]? ?安曉寧，王智文，張燦龍，等.基于隱馬爾可夫模型的人臉特征標(biāo)注和識別[J].廣西科技大學(xué)學(xué)報， 2020，31（2）：118-125.

[17]? ?盧順，李英順.基于差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鎳鎘電池壽命預(yù)測[J].廣西科技大學(xué)學(xué)報，2020，31（2）：93-98.

[18]? ?周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[19]? ?龔劍洪，毛安國，劉曉欣，等.催化裂化輕循環(huán)油加氫-催化裂化組合生產(chǎn)高辛烷值汽油或輕質(zhì)芳烴（LTAG）技術(shù)[J].石油煉制與化工，2016，47（9）：1-5.

[20]? ?后銳，張畢西.基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測方法及其應(yīng)用[J].系統(tǒng)工程理論與實踐，2005（12）：43-47.

Prediction and analysis of octane number using multi-layer

perceptual neural network based on principal component

dimension reduction

SUN Jinfang1a， WANG Zhiwen*1a，1b，2， WANG Kangquan1a， WU Jing1a

（1a. College of Science， 1b. School of Computer Science and Telecommunication Engineering， Guangxi

University of Science and Technology， Liuzhou 545006， China; 2. Guangxi Key Lab of Multi-source

Information Mining & Security， Guangxi Normal University， Guilin 541004， China）

Abstract： Octane number is an important index to evaluate the quality of gasoline. In the process of? ?desulfurization and olefins reduction of gasoline， the octane number is generally lost. It is of great? ? ?significance to establish a prediction model to predict the octane number and help enterprises optimize the technological process to improve the octane number content of finished oil. In this paper， the octane number prediction and analysis model based on principal component dimension reduction of multi-? ?layer perceptual neural network is proposed. The experimental analysis adopted data from a? ? ? ? ? ? ? ?petrochemical enterprise， and based on the data retained by the refining desulfurization device of the? enterprise， 20 independent and representative variables were selected in the experiment， and the octane number prediction model was established based on the multi-layer perceptual neural network. The? ? ? experimental results show that when the number of neurons in the hidden layer is 10， MSE， RMSE and MAE are all the minimum， and the model has high prediction accuracy and good fitting degree. This model not only reveals the nonlinear mapping relationship between variables and octane number， but? also provides a new idea for predicting octane number.

Key words： octane number of gasoline; principal component dimension reduction; multi-layer perceptual neural network; data dimension reduction; octane number loss; octane number prediction

（責(zé)任編輯：黎? ? 婭）