酮苯脱蜡脱油装置统计回归模型的建立_酮苯脱蜡装置物性

　　摘要：对酮苯脱蜡脱油装置结晶、冷冻、真空密闭、过滤和溶剂回收五个单元、原料性质、产品性质等多个影响油收率和蜡收率的相关因素进行分析后，筛选出9个影响因素，利用操作数据台帐和SPSS软件对相关因素进行多元线性回归，建立数学模型，此模型通过检验达到了生产关键操作参数定量化并能预测产品收率。
　　关键词：SPSS软件；收率；酮苯脱蜡脱油；线性回归；数学模型
　　中图分类号：TE624.53 文献标识码：A
　　
　　0 前言
　　
　　在综述国内外相关文献资料的基础上，应用SPSS统计软件、采取多元线性回归方法，找出影响酮苯脱蜡装置200SN正序油、蜡产品收率的因素进行建模，同时予以验证，将经验性调整操作参数转变为定量化指导生产，从而达到了生产关键操作参数定量化并能预测产品收率。
　　影响酮苯脱蜡油收率、蜡收率因素较多，本次引入自变量依次为：
　　X1――原料油量；
　　X2――一次稀释比；
　　X3――二次稀释比；
　　X4――三次稀释比；
　　X5――滤机进料温度；
　　X6――酮比；
　　X7――一段稀释量；
　　X8――二段稀释量；
　　X9――一段温度；
　　X10――二段温度。
　　因变量为：
　　Y1――油收率，%；
　　Y2――蜡收率，%。
　　本论文立足点是将操作数据给予定量化处理，得到的模型可用以预测和规划，并为下一步调优打下良好基础，从而实现效益最大化。在数理统计原理基础上，利用SPSS（12.0版）统计分析软件，对2005至2006年装置相关数据进行采集、整理，以8 h为基准，采集从2005年8月1日到2006年8月1日共计一年的历史数据，剔除非正常生产数据，取值范围原料为200SN正序生产工艺、产品为58#半炼脱油蜡及脱蜡油，进行多元线性回归建立数学模型，本次建模共计269组样本数据，符合SPSS统计软件要求。
　　
　　1 酮苯脱蜡模型建立
　　
　　利用SPSS多元线性回归软件，采用逐步回归方法，从269组数据里剔除了7组数据，有效数据为262组。得到200SN原料油收率数学模型①。回归结果见表1。
　　
　　油收率模型①：
　　Y1=64.324+6.136［一次稀释比X2］-12.094［二次稀释比X3］+8.671［三次稀释比X4］-0.148［滤机进料温度X5］
　　利用多元线性回归，采用逐步回归法，从269组数据里剔除了5组数据，有效数据为264组。得到200SN原料蜡收率数学模型②。回归结果见表2。
　　
　　蜡收率模型②：
　　Y2=12.137+0.313［原料油量X1］+4.427［二次稀释比X3］+4.710［三次稀释比X4］+0.154［酮比X6］ -0.112［二段稀释量X8］-0.123［一段温度X9］
　　2 模型验证
　　2.1 油收率模型验证
　　2.1.1 拟合优度检验
　　从表3可以看出：R＝0.564，判定系数R2=0.318，调整的判定系数 R2=0.302，调整的判定系数0.302大于0.1946，且油收率逐步回归模型样本数为262，大于254，本模型有效。
　　2.1.2 F检验
　　方差分析（F检验法）进行回归方程的显著性全检验。
　　从表3可以看出：统计量F=28.809，大于概率统计值要求的F≥3.84；相伴概率值小于0.001；说明自变量X与因变量Y之间确有线性回归关系，满足要求，该模型有效。
　　
　　2.1.3 实际验证
　　回归的模型可以对实际生产予以解释，同时模型还有估计作用，即在数据文件内，通过键入自变量的值，进行一次回归操作,则可以得出估计值。在实际生产优化工作中，可根据上述模型进行预测未知的生产数据。随机取2006年11月数据代入模型中验证，实际准确率达95％左右。 经过上述检验，说明模型①可以实际应用。
　　2.2 蜡收率模型验证
　　2.2.1 拟合优度检验
　　从表4可以看出：R＝0.604，判定系数R2=0.365，调整的判定系数R2=0.350，调整的判定系数0.350大于0.1946，且总液收逐步回归模型样本数为264，大于254，本模型有效。D-W值符合统计假设要求，通过检验。
　　
　　2.2.2 F检验
　　见方差分析表5，从输出的结果可以看出：统计量F=24.705，大于概率统计值要求的F≥3.84；相伴概率值小于0.001；说明自变量X与因变量Y之间确有线性回归关系，满足要求，该模型有效。
　　
　　
　　2.2.3 实际验证
　　随机取2006年11月数据代入模型中验证，实际准确率达95％左右。经过上述检验，说明模型②可以实际应用。
　　
　　3 结论
　　
　　（1）通过使用SPSS软件，利用线性回归方法，以酮苯脱蜡装置2005年8月至2006年8月实际操作数据为基础，得到了关于酮苯脱蜡装置油收率、蜡收率的模型。经检验回归，模型都可以反映生产实际，同时通过了验证。
　　（2）相关部门可以根据市场的需求，结合上述数学模型，利用线性规划模块进行优化，得出各变量的最佳变化范围，从而科学地做出生产经营决策，指导装置的生产，实现效益最大化。
　　
　　参考文献：
　　［1］ 水天德，龙显烈. 现代润滑油生产工艺［M］. 北京：中国石化出版社，1997.
　　［2］ 薛德发.开发新工艺，应用新设备提高酮苯脱蜡装置的综合水平［J］. 润滑油，1992，7（5）：19-22.
　　［3］ 毛丰吉，刘忠大.酮苯脱蜡装置挖潜增效可采用的技术［J］.石油炼制与化工，1999，30（9）：23-27.
　　［4］ 余建英，何旭宏.数据统计分析与SPSS应用［M］. 北京：人民邮电出版社，2003.
　　
　　ESTABLISHMENT OF STATISTIC REGRESSION MODEL FOR KETONE-BENZOL DEWAXING & DEOILING UNIT
　　TANG Zhong-qi1, MA Cui2, ZHANG Jing-he3
　　(1.Shenhua Baotou Coal Chemicals Co.,Ltd., Baotou 014010, China; 2.Daqing Oilfield Research Institute, CNPC, Daqing 163712, China; 3.PetroChina Daqing No.1 Blending Plant, Daqing 163711, China)
　　Abstract:Factors influencing oil yield and wax yield such as raw material property, product property and five parts of ketone-benzol dewaxing & deoiling unit including crystallization, freezing, vacuum tightness, filtering and solvent recovery were analyzed. And nine influential factors were selected for multiple linear regression study using operation data and SPSS software. Furthermore, the mathematical model was set up. As a result, the quantification of key operation parameters and the prediction of product yield could be realized.
　　Key Words:SPSS; yield; ketone-benzol dewaxing & deoiling; linear regression; mathematical model