基于bp神经网络的辛烷值损失预测研究.docxVIP

基于bp神经网络的辛烷值损失预测研究 摘要：辛烷值作为汽油的商品牌号，是反映汽油燃烧性能的最重要指标。针对有效利用重油资源问题，以辛烷值作为评价指标，使用线性插值和拉伊达准则等方法对数据集进行预处理；通过主成分分析与层次聚类，寻求主要变量进行降维处理；通过建立基于BP神经网络的辛烷值损失预测模型，对辛烷值及其指标进行预测；最后使用遗传算法迭代得到最优参数集合，并可视化展示变化轨迹。经过实验，预测模型迭代到2 048次时，模型损失为9.982 6×10 0 引言汽油的辛烷值作为汽油的商品牌号(例如89#、92#、95#)，是衡量汽油发动机燃料抗爆性能优劣的重要指标。辛烷值越高，表示其抗爆性能越好，发动机压缩比越高为了解决上述问题，针对“华为杯”第十七届中国研究生数学建模竞赛1 数据处理1.1 数据预处理用数学建模竞赛B题所提供的数据集作为原始数据集。在数据集中，共有325个样本，根据样本采集时间排序，采集时间为2017-04—2020-05。每个样本包含由原料性质、产品性质、待生吸附剂性质 、再生吸附剂性质等不同操作变量构成的354个采集位节点。由于是原始数据，不同样本中的不同位节点存在未采集数据或数据缺失等情况。如果不同样本的同一位节点缺失数据较多，则该位节点不能准确反映变化情况，需要删除该位节点。如果不同位节点的同一样本数据较多，同样需要删除该样本。对于缺失值个数较少的位节点，可根据临近时间的样本对应位节点值进行填充。再对筛选后的数据采用31)遍历整个数据表，将采集值缺失过多的样本及位节点删除。经过筛选，共删除12个位节点，具体名称如表1所示。这类位节点由于信息缺失过多，因此不能清晰体现该位节点对辛烷值损失的影响。2)对位节点进行过滤操作，删除数值全部为空值或无法通过相邻样本进行填充的位节点。前者没有数值变化，不能体现该位节点对辛烷值损失的影响。后者只有部分时间段样本，不能完整地体现该位节点对辛烷值损失的作用。过滤后，删除19个位节点，具体名称如表2所示。3)对于存在少量空缺值的位节点，用相邻样本的均值进行填补，需要补充的位节点如表3所示。4)根据不同操作变量实际取值范围，剔除位节点采集值异常的32,29,27号样本。5)使用3完成上述预处理后，将285,313号样本结果加入到对应位置。1.2 数据降维模型1 主成分分析主成分分析法是使用线性降维的方法来寻找模型的主要操作变量，以达到精简影响因素数量的目的。本文使用SPSS进行主成分分析，使多维的数据降维得到少数几个综合指标，具体操作步骤如下：1)数据标准化设式中：标准化指标变量，即2)计算数据的相关系数矩阵式中，=1，使用主成分分析法对数据集中的320个位节点进行分析。第一次实验中，将主成分个数设置为25，共筛选出200多个变量。但由于决定主成分因子的操作变量种类各不相同，在工艺和设备操作上没有很强的关联性。因此将主成分个数设为5，然后重新实验，结果如下：反应过滤器压差，反应器上部温度，SZORB.FT＿9001.TOTAL，SZORB.FT＿5201.TOTAL，SZORB.FT＿9102.TOTAL。第二次实验结果优于第一次，但由于传统方法的关联模型变量少、要求高，因此响应慢、效果差，且5个主成分因子只能解释59.374%的结果。总的来说，通过对位节点进行降维，可以得到一部分主要操作变量。但是由于操作变量之间具有高度非线性和相互强耦合的关系，使用主成分分析法筛选出的主要操作变量影响因子较低，不具有很强的解释性，因此本文采用非线性的降维方法。模型2 层次聚类法由于数据集中的320个有效位节点之间具有高度非线性和相互强耦合关系，为了寻找具有代表性和独立性的主要操作变量，再采用非线性的层次聚类法进行筛选。最后将主成分分析与层次聚类法筛选出的结果进行综合分析，得出最终建模需要的主要操作变量。构建过程如下：参考欧几里德距离评价，在数据不规范时，皮尔逊相关系数会给出更好的结果，故本文使用皮尔逊相关系数来寻找模型的主要操作变量。具体算法见式(5)(6)。式(5)(6)中：、为两变量为了使相似度越大的两个变量之间距离越小，采用1与皮尔逊相关系数的差值来衡量使用SPSS进行层次聚类分析，再与主成分分析得到的结果综合分析后，得到了13个主要变量：氢油比、反应过滤器压差、反应器上部温度、反应器底部温度、烯烃含量、芳烃含量、反应器顶低压差、待生吸附剂性质(焦炭含量)、待生吸附剂性质(硫含量)、再生吸附剂性质(焦炭含量)、再生吸附剂性质(硫含量)、辛烷值和硫含量。结合工艺要求和操作经验发现这13个主要变量符合实际情况，并在后面的辛烷值损失模型建立和优化过程中，可呈现较