基于数据驱动的催化重整产品质量预测

摘要

通过基于过程机理和经验的变量初筛、拉依达法则的显著误差处理、MIC最大信息系数法的变量相关性分析,提出了一种实时数据处理规则,可提高建模数据的质量。基于催化重整装置苯产品中甲苯和非芳烃含量的生产管控需求,采用BP神经网络算法,建立了苯产品中非芳烃和甲苯含量预测模型,所建模型对两个产品预测的均方根误差分别为0.0124和0.0463,平均相对误差分别为1.036%和3.312%。采用遗传算法NSGA-Ⅱ求解,可使苯中非芳烃和甲苯质量分数分别降低24.38%和82.58%,所建模型可为装置生产优化方案分析提供支持,所提出的建模方法可用于相关装置的智慧化平台建设。