基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。

一种基于差分灰狼算法的消费者信心预测指数的设计

研究目标:在大数据和互联网经济发展的背景下,有效预测消费者信心指数(CCI)以保证相关政策的制定。研究方法:基于完全集合经验模态分解(CEEMD)-差分灰狼算法(DEGWO)-BP神经网络(BPNN),建立消费者信心指数预测模型,并运用DM检验法对该模型与对比模型的预测性能进行测试。研究发现:引入CEEMD法能够有效解决误差序列随机性强等缺陷;新提出的预测+模型较对比模型的预测精度明显提高,泛化能力有所增强,且更能够精准捕捉CCI的变化规律。研究创新:将CEEMD-DEGWO-BPNN模型应用于CCI预测中。研究价值:新提出的组合预测模型能够为CCI预测提供新方法,且有效地提高预测精度。

联合收获机割台装置装配质量智能检测方法与精度研究

针对联合收获机割台装置装配质量检测方法改进和精度提升等问题,结合智能算法进行装配质量检测,采用小波包能量熵对东方红4LZ-9A2联合收获机割台振动数据进行特征提取,利用差分灰狼优化算法平衡全局和局部寻优能力对支持向量机的惩罚系数和核函数半径进行寻优。小波包能量熵所用算法时间相较于变分模态分解和经验模态分解分别缩短了97.64%和96.89%,预测准确率分别提升了1.74%和56.25%,优化后支持向量机预测识别的准确率提升了2.05%。并使用优化后的模型对割台装置进行装配质量检测,进行多组对比试验,结果表明,差分灰狼算法优化后的支持向量机准确率,比粒子群算法提升了7.57%,比遗传算法提升了6.42%,比布谷鸟算法提升了11.80%。证明小波包能量熵对于割台装置振动信号数据特征提取的优越性,以及差分灰狼优化算法优化后的支持向量机对割台装置装配质量预测和识别的有效性,为联合收获机割台装置装配质量检测方法和精度的研究提供了理论指导和工程借鉴。