2025年认证杯C题论文首发+思路分享

26页  1万字

完整版售后群 写手老师随时答疑

化工厂生产流程的预测和控制

在化工厂的生产流程中，往往涉及到多个反应釜、管道和储罐等设备。在流水线上也有每个位置的温度、压力、流量等诸多参数。只有参数处于正常范 围时，最终的产物才是合格的。这些参数很容易受到外部随机因素的干扰，所以需要实时调控。但由于参数众多，测量困难，很多参数想要及时调整并不容易，而且有很多参数之间互相关联，想要确定应当如何调控也是一个不容易解决的问题。所以在化工厂的运营过程中，人们很重视使用数学模型来对生产流程的情况进行推算和预测。理想的状态是我们只测量少数容易测量的变量，如最终产物的成分；只控制少数几个容易控制的参数，如某些原料的输入速率，通过数学模型推知反应链的整体情况并予以适当的控制。

针对问题1，首先对数据进行预处理，去除异常值数据并对数据进行标准化。对于某化工厂脱硫工艺流程中的污染控制问题，采用输入端有 5 种原料气体（IN1~IN5）的数据与输出端检测二氧化硫（SO₂）和硫化氢（H₂S）浓度的数据，基于线性回归、随机森林回归与XGBoost 回归建立预测模型，根据原料输入特征，精准预测 SO₂和 H₂S 浓度值，辅助企业调控气流输入，降低污染物浓度。

针对问题2，要求根据从开始直至时刻t的输入数据和输出数据，预测在t + 10到 t + 70个时间单位之间的输出数据是否会出现不合格的问题，并在保证预测正确率的前提下，阈值尽可能小。该问题可以结合预测模型的性能，优化迭代寻找能保证准确性且最小的k₁和k₂，然后以t时刻为基准，利用之前的数据特征预测(t+10)到(t+70)的数据，采用LightGBM进行数据的构建与预测。

针对问题3，利用滑动窗口提取历史10个时间步内的输入（IN1~IN5）和输出（SO2、H2S）作为特征，扫描未来窗口内是否存在污染物超标，并记录首次超标的时间点作为回归目标。随后，分别训练了 KNN、线性回归、随机森林、XGBoost 和 MLP 神经网络等模型，评估其在预测未来首次不合格时间上的表现，并通过误差指标（MAE 和 RMSE）对比分析，确定最优模型。

关键词：随机森林，XGBoost，LightGBM，KNN；MLP；预测控制；

一、问题求解与分析

4.1 问题1求解与分析

4.1.1 问题1分析

针对问题1，首先对数据进行预处理，去除异常值数据并对数据进行标准化。对于某化工厂脱硫工艺流程中的污染控制问题，采用输入端有 5 种原料气体（IN1~IN5）的数据与输出端检测二氧化硫（SO₂）和硫化氢（H₂S）浓度的数据，基于线性回归、随机森林回归与XGBoost 回归建立预测模型，根据原料输入特征，精准预测 SO₂和 H₂S 浓度值，辅助企业调控气流输入，降低污染物浓度。

4.1.2 问题1建模与求解

1、数据预处理

针对我们给出的附件的数据，首先要做的就是对数据进行预处理操作。数据清洗是数据预处理的关键步骤，旨在确保数据的完整性和准确性。首先，对数据集进行缺失值检查，统计结果显示所有变量（IN1、IN2、IN3、IN4、IN5、SO2、H2S）的缺失值均为0，表明数据完整，无需填充或删除操作。其次，通过箱线图分析输入和输出特征的异常值分布情况。从图1中可见，部分输入特征（如IN1至IN5）和输出特征存在明显的异常值（如数值超出箱体范围或偏离中位数较远）。这些异常值可能由测量误差或数据录入错误导致，若不处理可能影响模型性能。基于 Z-Score（标准分数）方法剔除异常值，核心思想是通过计算每个数据点与均值的偏离程度（以标准差为单位），剔除偏离过大的点。

接下来进行数据的标准化操作，消除各变量之间量纲的影响，便于后续模型建立。由于输入变量（IN1至IN5）和输出变量（SO2、H2S）的量纲和数值范围可能存在差异（如箱线图中IN1的数值范围明显大于IN3），直接建模会导致模型对量纲较大的变量过度敏感。因此，采用Z-score标准化方法，将各特征转换为均值为0、标准差为1的分布。公式为：

通过相关系数热力图（图2）分析输入与输出变量间的相关性。结果显示输入变量中，IN1与IN3的相关系数较高（0.92），可能存在多重共线性，输出变量SO2与IN1、IN3、IN5的相关系数分别为0.62、0.57、0.43，呈现中度正相关，而H2S与IN5的相关系数为-0.15，相关性较弱。图5的输入与输出变量散点图可以看出其分布， 通过量化分析特征间的相关性，为后续模型构建中的特征筛选奠定基础。