不确定性条件下RFCC智能决策支持的混合方法：回归-模糊-机器学习集成

《Automation》：A Hybrid Methodology for Intelligent Decision Support in Catalytic Cracking Under Uncertainty

　　

本文提出了一种在不确定输入信息条件下，对残余流化催化裂化（RFCC）装置反应器-再生器单元进行智能控制的混合方法。催化裂化过程控制的主要挑战在于原料组成的不稳定性以及产品质量实验室数据的延迟，这使得在维持所需汽油质量的同时对RFCC过程进行运行管理变得复杂。本研究的目标是通过最大化高质量汽油的产率同时将其密度保持在规定限值内，来支持汽油生产过程的有效管理。所提出的架构结合了一个基于通过皮尔逊相关分析（Pearson correlation analysis）选取的六个主导参数的回归模型、一个具有26条专家规则库的Mamdani型模糊推理系统（Mamdani-type fuzzy inference system），以及一个机器学习模块（随机森林（Random Forest）和梯度提升（gradient boosting）），该模块修正回归-模糊组合模型的残差，使控制系统能够适应不断变化的过程条件。在奇姆肯特炼油厂真实数据上对所开发模型进行的测试表明，混合模型将均方根误差（Root Mean Square Error, RMSE）从0.1973（单独回归模型）降至0.0161，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）从0.328%降至0.028%，决定系数（coefficient of determination, R²）从0.9895增至0.9999；这一精度的提高估计对应于可实现汽油产率约提高3.2%，密度稳定性改善0.4%。基于所提出方法开发的催化裂化过程控制决策支持系统充当“虚拟分析仪”，无需昂贵的在线质量控制设备即可确保实时有效控制。

催化裂化是炼油工业中生产高辛烷值汽油组分的关键过程，其装置运行效率直接决定炼油厂的经济效益和竞争力。然而，催化裂化过程是一个复杂、多参数、非线性的化工过程，其动态特性受原料性质变化、非线性传热传质以及催化剂失活与再生等因素共同影响。在实际生产中，输入信息存在显著不确定性，如原料组成不稳定、产品质量实验室分析数据滞后，这给操作管理带来巨大挑战。传统基于确定性模型和经典控制器的控制方法难以应对这种高不确定性和非线性，而纯统计或机器学习模型又存在数据代表性不足和可解释性差的问题。因此，开发一种能够系统集成定量模型、专家知识与自适应学习能力的混合方法具有重要现实意义。

针对上述问题，研究人员提出了一种集成回归模型、Mamdani型模糊推理系统与机器学习模块的混合方法，用于RFCC装置反应器-再生器单元的智能控制。该研究的核心目标是在最大化高质量汽油产率的同时，将汽油密度控制在规定范围内。研究使用奇姆肯特炼油厂三年生产数据，通过皮尔逊相关分析筛选出六个关键输入参数，构建了二阶多项式回归模型作为基线预测器；随后，利用包含26条专家规则的Mamdani型模糊系统对回归结果进行修正，以补偿系统偏差并纳入专家经验；最后，采用随机森林和梯度提升算法对残差进行进一步建模，实现自适应校正。在独立测试集上，混合模型的RMSE从0.1973降至0.0172（训练集为0.0161），MAPE从0.328%降至0.031%（训练集为0.028%），R²从0.9895增至0.9999；误差降低超过90%，估计对应汽油产率可提高约3.2%，密度稳定性改善0.4%。该研究的重要意义在于，所提出的混合方法不仅提高了预测精度，还保持了工程可解释性，并可通过“虚拟分析仪”形式实现实时控制，无需昂贵的在线分析设备。

主要关键技术方法：研究使用奇姆肯特炼油厂三年生产数据，随机分为80%训练集和20%独立测试集，并采用5折交叉验证评估。参数选择采用皮尔逊相关分析，保留六个显著变量（原料流量、原料密度、原料温度、反应器温度、反应器压力、催化剂流量）。回归模型采用含二次项和交叉项的二阶多项式；模糊模型为Mamdani型，基于26条专家规则；机器学习模块使用随机森林和梯度提升对残差进行修正。实现环境为MATLAB Fuzzy Logic Toolbox和Python 3.9（scikit-learn、NumPy）。推理时间约25–40毫秒，满足实时要求。

研究结果部分：

（1）回归模型构建与评估：基于最小二乘法，研究人员建立了汽油产率的二阶多项式回归模型。模型的决定系数R²=0.9895，但RMSE为0.1973，MAPE为0.328%，且Fisher检验显示F_calc=38.7远大于临界值F_crit=2.5，表明单独回归模型存在失拟，不能充分描述过程非线性。

（2）模糊修正与混合