数据挖掘技术在MIP工艺汽油收率优化中的应用

发布时间：2023-03-07 19:49

　　基于九江石化的1#和2#MIP催化裂化装置的LIMS原料油、再生剂数据和DCS实时操作数据,结合MIP工艺生产经验,利用数据挖掘技术优化MIP工艺汽油收率。结合实际生产情况和预处理原则,对1#和2#装置的数据进行预处理。利用K-MEANS聚类、两步聚类、系统聚类三种方法对1#和2#MIP装置的原料油数据进行了聚类分析并比较,结果表明,系统聚类方法分析得到的两种聚类类别最为可靠。利用Pearson相关系数分析法并结合工艺生产经验对原料油、再生剂和操作变量数据进行变量筛选,分别确定了 1#和2#MIP装置BP神经网络模型的13个输入变量。分别以1#和2#MIP装置全部数据和聚类分析后的类别数据建立BP模型,结果表明,以聚类分析后的类别数据建立的模型可靠性更高。以聚类分析后的类别数据建立的最佳结构的网络模型为基础,利用遗传算法对汽油收率进行了优化,优化结果可为实际生产提供指导。

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 前言
第2章 综述
    2.1 催化裂化工艺进展
    2.2 MIP工艺
    2.3 催化裂化的数学模型
    2.4 大数据
    2.5 数据挖掘
        2.5.1 数据挖掘的定义
        2.5.2 数据挖掘的特点
        2.5.3 数据挖掘的流程
        2.5.4 数据挖掘的技术
        2.5.5 数据挖掘的任务
        2.5.6 数据挖掘的工具
        2.5.7 数据挖掘的应用
    2.6 本论文研究内容
第3章 数据准备与预处理
    3.1 数据采集
    3.2 产率计算
        3.2.1 催化裂化1#MIP装置
        3.2.2 催化裂化2#MIP装置
    3.3 数据预处理
    3.4 小结
第4章 聚类分类
    4.1 聚类方法简介
        4.1.1 K-MEANS聚类
        4.1.2 两步聚类
        4.1.3 系统聚类
    4.2 原料聚类结果及分析
        4.2.1 K-MEANS聚类
        4.2.2 两步聚类
        4.2.3 系统聚类
    4.3 分析与讨论
    4.4 小结
第5章 变量筛选
    5.1 Pearson相关系数分析
        5.1.1 Pearson相关系数原理
        5.1.2 Pearson相关系数结果
    5.2 基于工艺生产经验的变量筛选
        5.2.1 原料油性质
        5.2.2 再生剂性质
        5.2.3 操作变量
        5.2.4 重要度变量筛选
    5.3 小结
第6章 神经网络模型建立和汽油收率优化
    6.1 BP神经网络
    6.2 BP神经网络模型
        6.2.1 1#MIP装置反应-再生系统
        6.2.2 2#MIP装置反应-再生系统
    6.3 遗传算法
    6.4 遗传算法优化汽油收率
    6.5 小结
第7章 结论
参考文献
致谢



本文编号：3757778