基于极坐标二维混沌映射斑马优化算法的脱丁烷塔特征选择与预测模型研究

为解决脱丁烷塔生产过程中关键质量变量难以直接测量的问题，研究人员提出了一种基于极坐标二维混沌映射斑马优化算法(ZOA)的特征选择方法。通过设计耦合与非耦合的极坐标二维混沌收敛因子，动态平衡算法的探索与开发能力，并结合CEEMDAN信号分解技术，显著提升了C4含量预测精度。实验结果表明，改进后的ZOA-cρ2算法特征子集预测结果的MSE、RMSE和MAE分别降低了99.86%、96.24%和96.26%，R2提高了84.63%，为工业过程软测量提供了新思路。

　　

在石油化工生产中，脱丁烷塔是关键设备，其底部C4含量直接影响后续加工效率。然而由于高温高压等恶劣环境限制，传统硬仪表难以直接测量这一关键参数。软测量技术通过建立过程变量与质量变量的数学模型来解决这一难题，但现有方法面临原始数据非线性强、特征冗余等问题，预测精度有待提升。

针对这些挑战，研究人员在《Results in Engineering》发表论文，提出了一种创新的解决方案。他们首先采用完全自适应噪声集合经验模态分解(CEEMDAN)对原始信号进行多尺度分解，然后创新性地将极坐标二维混沌映射引入斑马优化算法(ZOA)，开发出ZOA-cρ2和ZOA-ucρ2两种改进算法进行特征选择，最终建立多层感知机(MLP)预测模型。

关键技术方面，研究团队运用CEEMDAN对7个输入变量进行分解，通过设计的耦合型和非耦合型极坐标二维混沌收敛因子改进ZOA的搜索机制。在2394组脱丁烷塔生产数据上，采用均方误差(MSE)、均方根误差(RMSE)等指标评估性能，并通过Wilcoxon检验验证算法改进的显著性。

研究结果显示，在函数优化测试中，ZOA-cρ2在10个测试函数上收敛值最优。应用于脱丁烷塔数据集时，CEEMDAN分解显著提升了特征表达能力，而ZOA-cρ2选出的特征子集将预测MSE降至1.3570E-05，较原始特征降低99.86%。对比实验中，该方法的R2达到0.99958，优于其他智能优化算法。与已有研究相比，在MSE、RMSE等指标上均取得最佳结果。

这项研究的创新之处在于：一是设计了极坐标下的二维混沌收敛因子，通过动态调节平衡了算法搜索能力；二是改进防御阶段位置更新公式，引入正弦递增项避免后期搜索能力下降；三是完整构建了"CEEMDAN分解+特征选择+预测建模"的技术路线。研究不仅为脱丁烷塔操作优化提供了可靠工具，其方法框架也可推广至其他工业过程的软测量建模，对实现智能制造具有重要意义。未来研究可扩展至多变量输出场景，并进一步优化算法实时性以适应在线监测需求。