随着国内社会经济的快速发展,汽车保有量日益增加,与此同时,成品油消耗也显著提升。成品油的燃烧性能主要是由辛烷值决定,在成品油精制处理过程中,若辛烷值的损失越小,则成品油燃烧的性能就越好,同时带来的经济效益也就越高。在这种前提下,本文欲通过机器学习算法,使用BP神经网络研究成品油在精制过程中辛烷值的损失,并通过使用非线性规划模型对其操作变量进行优化处理,尽可能地去降低成品油在生成过程中辛烷值的损耗,有利于汽车产业健康、持续发展。本文对某企业催化裂化汽油精制过程中所采集到的样本数据进行研究。样本数据中总共包含了 367个特征变量,其中包括和生成成品油所用到的原料相关的7变量,4个添加剂变量,还有2个从成品油中提取出来的产品变量以及另外354个操作变量,以降低成品油中辛烷值的损失为目标,本文进行了如下操作:首先对原始数据进行预处理,并采用基于低方差低相关滤波及随机森林和主成分分析相结合的综合降维模型对变量进行降维,最终以产品硫含量为分界线筛选出具有代表性的23个主要变量,然后基于筛选出的变量,建立辛烷值损失预测模型:本文建立了包含6个隐层的8层多输入单输出的BP神经网络模型,其中,23个变量为输入层,以产品辛烷值含量为输出层进行预测。在建模完成后,利用遗传算法结合非线性规划模型将对主要变量操作方案进行优化,将成品油中辛烷值损失达到最小的有约束非线性规划模型作为优化的目标函数,产品硫含量不大于5 μg/g、主要操作变量取值满足在给定范围内作为约束条件。在此基础上,为目标函数添加惩罚项,将有约束优化问题变成了只要求自变量在取值范围内的无约束非线性优化问题,随后利用遗传算法解出的极小值即为目标函数的最小值。然后对优化后的样本进行筛选,选出优化后辛烷值损失降低值大于0.6的样本,记录优化后的操作变量取值情况,并对模型的优化过程进行可视化展示。通过优化操作变量后计算最终所有样本辛烷平均损失值成功由原先的1.25477降为0.69452。其中成品油中辛烷值损失降值高于0.6个单位的样本个数达到了 191个,占了总样本数的58.77%。根据得到所有样本中操作变量的最优取值情况,通过对比优化前样本数据给企业在设备参数调控过程中提供合理建议。