甲醇制芳烃K-means-PSO-SVR局部建模及优化

针对甲醇制芳烃(MTA)过程数据样本趋同、维度高、非线性、强耦合、局部差异大的特性,提出了一种K-means-PSO-SVR的局部建模方法,用以解决单一全局模型预测精度低,鲁棒性不强的问题.该方法首先用K-means算法对样本空间的数据进行聚类,实现对样本空间k个区域的划分,再用经过粒子群优化算法(PSO)优化过超参数的支持向量回归算法(SVR)在划分好的样本空间上建立相互独立的局部模型,最终将建立的k个相互独立的局部模型组合起来组成覆盖整个样本空间的集成模型.在不同噪声水平下将K-means-PSO-SVR方法的建模效果与单一全局SVR、BP神经网络和线性回归3种算法的建模效果进行了比较分析,结果表明:K-means-PSO-SVR局部建模方法的性能在所有水平的噪声下都明显优于其他3种建模方法,并且该方法对噪声具有很强的鲁棒性.以建立的数据模型为基础优化了两段式固定床甲醇制芳烃的关键工艺参数,并用5次独立重复实验验证了优化结果的可靠性,得出当一段温度为446.2℃、二段温度为467.3℃、甲醇体积空速为0.4h?1、压力为0.64MPa时反应产物中苯、甲苯和二甲苯(BTX)的总收率最高,最高收率为44.30％.