对催化裂化反应再生系统建立模型,是实现该生产过程的操作条件优化和增大产物收率的关键问题。当前石化行业生产过程中各种生产数据都能从装置的数据库平台实时采集,使得建立一个基于数据驱动的反应再生系统的智能模型成为当前研究热点问题之一。针对该问题,本文基于催化裂化装置的历史生产数据分别建立了汽油产率关于操作条件的反应再生过程的BP神经网络(BPNN)和支持向量回归机(SVR)模型。对模型进行预测对比和分析,说明了本文所提方法的有效性和可行性。本文主要研究工作内容如下:首先,本文研究了催化裂化反应再生工艺,选取了催化裂化反应再生过程模型的输入输出变量。本文选取汽油产率为输出变量,同时选取提升管第一反应温度、提升管第二反应区温度、剂油比、反应压力和空速这些操作条件为输入变量。分析了优化模型参数采用的人工蜂群算法(ABC)、粒子群算法(PSO)、蚁群算法(ACO)和遗传算法(GA)的基本原理。其次,建立BPNN的催化裂化反应再生系统的模型,以汽油产率为输出变量,操作条件为输入变量。利用ABC、ACO、PSO、GA分别优化BPNN的初始权值和阈值,结果证明经过优化的BPNN模型精确度大大提高。最后,利用SVR建立催化裂化反应再生系统的模型,并且依次使用ABC、ACO、PSO、GA对模型进行参数寻优。与BPNN模型结果对比显示,SVR模型预测误差明显小于BPNN模型误差,精度更高。在建立催化裂化反应再生系统的模型上,针对小样本数据建模,SVR更具有优势。且以基于人工蜂群算法优化的支持向量回归机(ABC-SVR)模型精度最高,性能最好。经过假设检验,验证了ABC-SVR模型的有效性。选取ABC-SVR模型来预测汽油最大产率,并在预测过程中加入以实际生产工艺为约束的人工干扰,将相应工艺约束转换为模型约束来预测汽油最大产率,保障了模型预测结果符合实际生产状况。结果表明:预测的最大汽油产率大于实际生产的最大汽油产率,说明模型的实用性,通过改善操作条件汽油产率还可以提高,为实际生产提供一些指导和参考。