田 旺， 秦 康， 李明豐， 胡元沖， 梁家林， 褚小立

(中國石化 石油化工科學(xué)研究院，北京 100083)

蠟油加氫作為催化裂化、加氫裂化重要的前處理工藝，除脫除產(chǎn)品中的一部分硫、氮，降低下游裝置的負擔(dān)外，還能對催化裂化或加氫裂化的原料進行改質(zhì)[1]。隨著環(huán)保要求的日益嚴格，國家對汽、柴油中硫含量制定了更為苛刻的標準[2]，這給汽、柴油的主要生產(chǎn)單元——催化裂化裝置帶來了極大的壓力。蠟油加氫裝置作為催化裂化原料的供應(yīng)者，為了減輕催化裂化裝置在脫硫方面的負擔(dān)，控制精制蠟油的硫含量在合理的范圍內(nèi)顯得尤為重要。

實際生產(chǎn)中，精制蠟油硫含量超標或者過低，通常是由于原料發(fā)生較大變化或者操作波動較大所導(dǎo)致的。對于此情況，操作人員通常會對操作參數(shù)進行相應(yīng)的調(diào)整，當(dāng)調(diào)整不充分時，會導(dǎo)致精制蠟油中硫含量過高，出現(xiàn)“極大點”；當(dāng)調(diào)整過度時，會導(dǎo)致精制蠟油中硫含量過低，出現(xiàn)“極小點”，造成過多的能耗損失。這些邊際點雖然不多，但給正常生產(chǎn)帶來了極大的挑戰(zhàn)。建立相應(yīng)的精制蠟油硫含量預(yù)測模型，準確預(yù)測少數(shù)硫含量邊際點，成為迫切需要解決的問題。

常用的蠟油加氫建模方法主要有機理建模法和數(shù)據(jù)驅(qū)動建模法2種。由于蠟油的加氫反應(yīng)是一個高度非線性且相互耦合的過程，原料性質(zhì)、操作條件、催化劑等因素均會影響反應(yīng)過程和產(chǎn)物收率，使用傳統(tǒng)的機理模型很難描述這一復(fù)雜體系，因此數(shù)據(jù)驅(qū)動建模法則是解決這一問題的有效工具。

目前，基于大數(shù)據(jù)的統(tǒng)計模型發(fā)展迅速，并已經(jīng)在航空[3]、電力[4]、電子商務(wù)[5]以及醫(yī)療[6]等領(lǐng)域取得了巨大成功。隨著PI實時數(shù)據(jù)庫系統(tǒng)(Plant information system)在石油化工領(lǐng)域的逐步普及[7]，各種原料數(shù)據(jù)、工藝條件數(shù)據(jù)、催化劑性能數(shù)據(jù)等都可從裝置的數(shù)據(jù)庫平臺中采集，這些長期積累的數(shù)據(jù)，為數(shù)據(jù)挖掘技術(shù)在石油化工領(lǐng)域的應(yīng)用提供了良好的基礎(chǔ)條件[8]。將數(shù)據(jù)挖掘技術(shù)應(yīng)用于石油化工反應(yīng)過程，建立完善的統(tǒng)計學(xué)分析模型，多角度全方位地對反應(yīng)過程及其影響機制進行分析，具有傳統(tǒng)機理模型無法比擬的優(yōu)勢[9]。楊帆等[10]基于梯度提升決策樹(Gradient boosting decision tree, GBDT)算法構(gòu)建了催化裂化汽油收率的預(yù)測模型，模型預(yù)測結(jié)果與實際汽油收率的誤差小于1%。王偉等[11]在梯度提升決策樹GBDT算法的基礎(chǔ)上，構(gòu)建了P-GBDT模型，相比GBDT算法，該算法對于催化裂化裝置汽油收率的預(yù)測效果更好。任小甜等[12]采用隨機森林回歸算法，建立了直餾減壓餾分油(VGO)中噻吩硫化物組成分布的預(yù)測模型，該模型可實現(xiàn)減壓蠟油(VGO)中苯并噻吩、二苯并噻吩、萘苯并噻吩以及總噻吩含量的準確預(yù)測。Ivana等[13]以神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，選取6個操作參數(shù)作為輸入變量，建立了加氫蠟油中硫含量的預(yù)測模型，結(jié)果表明，該模型可準確預(yù)測硫含量。胡元沖等[14]以神經(jīng)網(wǎng)絡(luò)框架keras為基礎(chǔ)，為柴油產(chǎn)物中硫、氮、單環(huán)芳烴、多環(huán)芳烴質(zhì)量分數(shù)分別建立預(yù)測模型，使用該模型對工藝參數(shù)進行優(yōu)化，確定了最適宜的操作條件。田水苗等[15]基于BP神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)驅(qū)動模型，預(yù)測石腦油、液化氣、燃料氣、精制蠟油流量以及精制蠟油中硫、氮質(zhì)量分數(shù)，仿真結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測精度。

就蠟油加氫工業(yè)裝置而言，所建的數(shù)據(jù)驅(qū)動模型預(yù)測精制蠟油中硫含量，要獲得較好的泛化能力，除選取合適的算法外，還需要對錯誤的精制蠟油硫含量數(shù)據(jù)點進行甑別剔除以及關(guān)注這些數(shù)據(jù)中的邊際點。因此，筆者提出兩步法來構(gòu)建模型，第一步，構(gòu)建精制蠟油硫含量異常點判定新方法，將一部分隱藏的異常點篩選出來并剔除，得到所有硫含量正常點數(shù)據(jù)；第二步，在保留所有硫含量邊際點的基礎(chǔ)上，從正常范圍點中隨機挑選數(shù)據(jù)，增加精制蠟油中硫含量邊際點所占比例，進而使其符合統(tǒng)計學(xué)模型的特點，提高模型對測試集中硫含量邊際點預(yù)測的準確度。

1 預(yù)測模型的選用

利用數(shù)據(jù)驅(qū)動模型預(yù)測產(chǎn)品性質(zhì)的方法被越來越多的研究人員使用，其中，神經(jīng)網(wǎng)絡(luò)是使用最多的算法。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于強大的非線性擬合能力，較適合煉油工業(yè)中加氫裝置的生產(chǎn)體系，且搭建模型方便，自學(xué)能力較強。但缺點同樣明顯，需調(diào)節(jié)的超參數(shù)多，要想獲得理想的結(jié)果，尋優(yōu)耗時較長；而且，模型易過擬合，所需數(shù)據(jù)量大，整個過程類似于“黑箱”，對于結(jié)果的解釋性較差?；谏鲜龇治?，結(jié)合實際生產(chǎn)的需要，筆者決定采用另一種非線性擬合能力較強的算法——極限梯度提升XGBOOST (eXtreme Gradient Boosting)。

極限梯度提升XGBOOST是基于Boosting思想的集成學(xué)習(xí)算法，它是以決策樹的方式(設(shè)置樹枝和葉子)，以信息增益(自變量特征本身所含的信息量對因變量結(jié)果的影響程度)和殘差逐步減小(分為n個小模型，第n個模型以第n-1個模型的殘差為基準，調(diào)整特征權(quán)重，得到最小殘差)選擇特征并構(gòu)建模型。

XGBOOST算法建立的模型不需要對數(shù)據(jù)進行預(yù)處理，就可計算出特征的重要程度，進而使模型更加關(guān)注重要的特征。該方法對于預(yù)測類問題解釋性強，穩(wěn)健性好，有較強的泛化能力，可保證較高的準確度，使得其在工業(yè)應(yīng)用方面具有更大的潛力和優(yōu)勢。

2 數(shù)據(jù)的收集和清洗

以國內(nèi)某石油化工企業(yè)蠟油加氫裝置為研究對象，采集3年(2015—2018年)的運行數(shù)據(jù)，這些數(shù)據(jù)包含LIMS(Laboratory information management system)數(shù)據(jù)和DCS(Distributed control system)數(shù)據(jù)，LIMS數(shù)據(jù)主要包含原料油和精制蠟油2部分，原料油數(shù)據(jù)包括密度、硫含量、氮含量、餾程、殘?zhí)亢?、金屬含量等特征參?shù)；精制蠟油數(shù)據(jù)包括硫、氮含量以及餾程特征參數(shù)。DCS數(shù)據(jù)包括：進料量、各原料比例、反應(yīng)器各床層溫度、進出口壓力、循環(huán)氫流量等特征參數(shù)。由于實際的分析項目和分析頻次會根據(jù)生產(chǎn)需要進行調(diào)整，所以，不同時間同一項目的分析指標可能不一致。為最大限度利用收集到的數(shù)據(jù)，筆者按照模型的架構(gòu)對特征參數(shù)進行了篩選，保留20個特征參數(shù)作為模型的輸入和輸出。其中，輸入?yún)?shù)為19個，輸出參數(shù)為1個。模型的輸入?yún)?shù)包括原料參數(shù)(密度、餾程、硫含量、氮含量等)、操作參數(shù)(原料進料量、原料比例、循環(huán)氫量、新氫量、反應(yīng)壓力、各床層溫度等)；輸出參數(shù)為精制蠟油中硫含量。

數(shù)據(jù)質(zhì)量關(guān)系著模型建立的好壞，因此，收集到的數(shù)據(jù)還要進行清洗，剔除一些重復(fù)、不對應(yīng)、不完整、異常的數(shù)據(jù)。相應(yīng)的數(shù)據(jù)清洗方法如下：

(1)對每組數(shù)據(jù)進行詳細檢查，如果有重復(fù)的數(shù)據(jù)組應(yīng)進行刪除。

(2)按照時間的先后順序采集數(shù)據(jù)，保證每組數(shù)據(jù)輸入和輸出對應(yīng)。

(3)每一組數(shù)據(jù)嚴格進行物料平衡計算，保證輸入、輸出數(shù)據(jù)的一致性。

(4)計算每個輸入?yún)?shù)的平均值和標準差，使用聚類法、假設(shè)性檢驗等方法進行刪除。

上述方法主要針對輸入?yún)?shù)的數(shù)據(jù)，對于輸出參數(shù)的數(shù)據(jù)，由于其本身是因變量，它的數(shù)值變化受自變量的影響較大，所以，需要使用專門的方式進行篩選。

3 精制蠟油硫含量異常點判定新方法

精制蠟油硫含量作為模型的輸出參數(shù)，屬于因變量，而傳統(tǒng)的觀察、聚類、統(tǒng)計檢驗等方法，主要針對自變量的情況，對于因變量的處理，極易導(dǎo)致誤判。因為有些離群點是由于輸入?yún)?shù)中的某些變量數(shù)值變化大導(dǎo)致的。為此，針對因變量，筆者提出了一種異常點判定的新方法，其具體流程示意圖如圖1所示。

圖1 精制蠟油硫含量異常點判定流程圖Fig.1 Outliers determination flow chart for sulfur content of hydrogenated waxy oils

該方法判別硫含量異常點的過程主要分為2步。第一步，初步篩選出正常點和可能的異常點；第二步，用正常點建立模型，對可能的異常點進行預(yù)測，確定真正的異常點。整個過程的步驟如下：

(1)對LIMS上采集的153個精制蠟油硫含量數(shù)據(jù)點進行整理，所有硫含量數(shù)據(jù)點的分布如圖2所示。

圖2 所有精制蠟油硫含量數(shù)據(jù)點分布圖Fig.2 Distribution of all sulfur data points of hydrogenated waxy oils

(2)構(gòu)建硫含量異常點的判別函數(shù)(f(x))，其具體表達式如下：

圖3 初篩出來的正常點和可能的異常點Fig.3 Normal and possible outliers by initial screen procedure Blue points—Normal data points; Yellow points—Possible abnormal data points

(3)整理第一步篩選出的正常點集B所對應(yīng)的原料性質(zhì)和操作參數(shù)作為模型的輸入；點集B所對應(yīng)的精制蠟油硫含量數(shù)據(jù)點作為模型的輸出，模型的輸入和輸出一一對應(yīng)。

(4)利用Python進行模型的編寫，使用已經(jīng)安裝好的XGBOOST算法包，調(diào)用模型的輸入和輸出，搭建模型。利用開源的機器學(xué)習(xí)庫Sklearn將數(shù)據(jù)集隨機劃分為訓(xùn)練集、測試集。

(5)訓(xùn)練集用于訓(xùn)練模型，測試集用于檢驗?zāi)Ｐ偷念A(yù)測效果，為了保證所建模型的可靠性，采用五折交叉驗證，直到評價指標平均絕對誤差(MAE)達到最小。

1.冬奧會的成功申辦為冰雪產(chǎn)業(yè)帶來了廣闊的發(fā)展前景。北京冬奧會助推了冰雪運動在中國的推廣與普及，同時也帶動了冰雪旅游、冰雪文化、冰雪裝備制造業(yè)等產(chǎn)業(yè)的發(fā)展。預(yù)計到2025年，我國冰雪產(chǎn)業(yè)總規(guī)模將達到萬億元，直接參加冰雪運動的人數(shù)可達5000萬人，并帶動3億人參與冰雪運動。冰雪產(chǎn)業(yè)無疑有著廣闊的發(fā)展前景。

圖4 最終確定的異常點和正常點Fig.4 Final outliers and normal data points Blue points—Normal data points; Red points—Final abnormal data points

(9)將確定的3個硫含量異常點剔除，所得硫含量正常點個數(shù)為150，將這些點所對應(yīng)的原料性質(zhì)和操作參數(shù)數(shù)據(jù)整理好，以備后續(xù)建模使用。

4 精制蠟油硫含量預(yù)測數(shù)據(jù)驅(qū)動建模

4.1 XGBOOST模型的建立

將篩選出來的3個硫含量異常點及其所在的數(shù)組刪除后，得到輸入、輸出對應(yīng)的數(shù)據(jù)150組，來自LIMS系統(tǒng)中的原料性質(zhì)數(shù)據(jù)見表1，來自DCS系統(tǒng)中操作變量數(shù)據(jù)見表2。

表1 來自LIMS系統(tǒng)的原料性質(zhì)數(shù)據(jù)Table 1 Main properties of feedstocks from LIMS system

表2 來自DCS系統(tǒng)中的部分操作變量數(shù)據(jù)Table 2 Selected operational variables from DCS system

模型輸入變量的選擇基于工藝經(jīng)驗，模型的輸出變量為精制蠟油產(chǎn)品中的硫含量。將挑選出來的輸入變量與輸出變量一一對應(yīng)，便于模型調(diào)用。

將整理好的所有數(shù)據(jù)組，按照70∶15∶15劃分為訓(xùn)練集、驗證集和測試集。訓(xùn)練集用于訓(xùn)練模型，驗證集用于調(diào)節(jié)模型的超參數(shù)，測試集不參與模型的訓(xùn)練和調(diào)優(yōu)。模型調(diào)優(yōu)完畢后，對測試集數(shù)據(jù)進行一次性預(yù)測。

利用Python編寫代碼，調(diào)用開源的機器學(xué)習(xí)包XGBOOST，搭建模型架構(gòu)。由于XGBOOST屬于決策樹算法，為了保證模型較好的學(xué)習(xí)能力，需要設(shè)置很多參數(shù)，這些參數(shù)由模型在驗證集上的預(yù)測效果確定。模型主要設(shè)定3類參數(shù)：常規(guī)參數(shù)、增強器參數(shù)、學(xué)習(xí)任務(wù)參數(shù)。常規(guī)參數(shù)只需選擇gbtree(基于樹的模型)，其他默認；學(xué)習(xí)任務(wù)參數(shù)中objective選擇為回歸，其他默認；增強器參數(shù)十分重要，可調(diào)參數(shù)較多，由于人工調(diào)參無法兼顧所有參數(shù)的最佳組合，且耗時費力，因此，筆者采用網(wǎng)格搜索確定增強器參數(shù)，這些參數(shù)包括學(xué)習(xí)速率、樹的最大深度、葉子節(jié)點數(shù)、正則化等。模型以驗證集中精制蠟油的平均絕對誤差最小為停止訓(xùn)練指標，確定超參數(shù)后，即可對測試集一次預(yù)測，其預(yù)測效果如圖5所示。

圖5 測試集中精制蠟油硫含量預(yù)測效果Fig.5 Sulfur content prediction results of hydrogenated waxy oils

為了排除建模數(shù)據(jù)集劃分不均勻?qū)δＰ蜏y試集預(yù)測效果的影響，筆者在編寫代碼的過程中，引入隨機種子對訓(xùn)練集和驗證集數(shù)據(jù)隨機劃分10次，調(diào)用模型，觀察測試集精制蠟油硫含量預(yù)測結(jié)果，發(fā)現(xiàn)上述現(xiàn)象依然存在，對此現(xiàn)象進行分析，原因主要有2點：

(1)非線性預(yù)測本身的特點。由于蠟油加氫的脫硫反應(yīng)是復(fù)雜的強耦合反應(yīng)，在數(shù)據(jù)模型中屬于非線性預(yù)測，過去規(guī)律和未來規(guī)律完全一致幾乎不可能，所以必然存在一定的誤差。這一點不同于線性預(yù)測(大多數(shù)情況可以完全符合)。

(2)統(tǒng)計模型的固有缺點。數(shù)據(jù)驅(qū)動模型終止訓(xùn)練的標準為均方根誤差(RMSE)或平均絕對誤差(MAE)達到最小，必然會忽略少數(shù)點的誤差，來滿足多數(shù)點的誤差。

為解決這一問題，通過對精制蠟油硫含量邊際點所對應(yīng)的原料參數(shù)、操作參數(shù)進行檢查。發(fā)現(xiàn)只有當(dāng)原料出現(xiàn)較大變化、操作出現(xiàn)波動或者裝置出現(xiàn)突發(fā)情況時，才會出現(xiàn)精制蠟油硫含量過大或過小的情況，此時，雖然操作人員對工藝條件進行了調(diào)整，由于調(diào)整不夠或者過度，導(dǎo)致邊際點的出現(xiàn)。對所有建模數(shù)據(jù)中精制蠟油硫含量數(shù)據(jù)點進行統(tǒng)計，發(fā)現(xiàn)邊際點數(shù)據(jù)量與正常范圍點數(shù)據(jù)量的比例基本為1/9左右，說明實際生產(chǎn)中，精制蠟油中硫含量邊際點出現(xiàn)較少。所以，筆者在充分認識這些邊際點出現(xiàn)原因的基礎(chǔ)上，根據(jù)數(shù)據(jù)模型的特點，保留所有邊際點，從精制蠟油硫含量正常范圍點中隨機挑選數(shù)據(jù)點與邊際點放一起，通過改變模型精制蠟油硫含量邊際點所占的比例，使模型的終止訓(xùn)練指標盡可能兼顧到所有的硫含量數(shù)據(jù)點。

4.2 刻意挑選數(shù)據(jù)建模

為了改變建模數(shù)據(jù)集中精制蠟油硫含量邊際點的比例，筆者提出了刻意挑選數(shù)據(jù)建模的思路。具體實施方法：首先，抽出初始建模數(shù)據(jù)集中所有精制蠟油硫含量邊際點；其次，隨機抽取精制蠟油硫含量正常點；最后，保證抽取的硫含量邊際點數(shù)據(jù)量與正常范圍點數(shù)據(jù)量之比(邊際點/正常點)為2/8和3/7，以這些被抽出來的數(shù)據(jù)所對應(yīng)的原料性質(zhì)、操作參數(shù)作為模型的輸入，抽取出來的精制蠟油硫含量作為模型的輸出，建立模型。采用這種方式的目的是：人為使模型在訓(xùn)練過程中評估模型的訓(xùn)練效果時，能兼顧所有數(shù)據(jù)點預(yù)測值與實測值的偏差；不至于出現(xiàn)多數(shù)硫含量正常范圍點預(yù)測值與實測值的偏差小，而少數(shù)硫含量邊際點預(yù)測值與實測值的偏差大的情況。模型訓(xùn)練完畢，采用測試集數(shù)據(jù)檢驗?zāi)Ｐ偷念A(yù)測效果。當(dāng)抽取的邊際點/正常點為2/8時，模型的預(yù)測效果如圖6(a)所示；當(dāng)抽取的邊際點/正常點為3/7時，模型的預(yù)測效果如圖6(b)所示。

圖6 不同邊際點/正常點比例的建模預(yù)測效果Fig.6 Prediction results for models with different marginal point/normal point ratios(a) The ratio of marginal point to normal point of 2/8 model; (b) The ratio of marginal point to normal point of 3/7 model

將邊際點/正常點為1/9的初始模型與邊際點/正常點為2/8和3/7的模型對測試集精制蠟油硫含量的預(yù)測效果進行對比，統(tǒng)計結(jié)果見表3。

表3 不同邊際點/正常點比例的模型對測試集 精制蠟油硫含量的預(yù)測結(jié)果Table 3 Sulfur content prediction results for models with different marginal point/normal point ratios

對比圖5和圖6可以明顯看出，與邊際點/正常點為1/9的初始模型相比，邊際點/正常點為2/8和3/7的模型對硫質(zhì)量分數(shù)大于4000 μg/g、小于3100 μg/g數(shù)據(jù)點預(yù)測值與實測值的偏差明顯縮小。從表3可以看出，與邊際點/正常點為1/9的初始模型相比，邊際點/正常點為2/8和3/7的模型，MAE分別縮小了35.97和57.95 μg/g，MRE分別降低了0.95百分點和1.6百分點，R2分別增大了0.117和0.15，說明建模過程中增大精制蠟油硫含量邊際點的占比，可顯著提高模型對測試集精制蠟油硫含量的預(yù)測效果。從圖6還可以看出，對硫質(zhì)量分數(shù)大于4000 μg/g、小于3100 μg/g的數(shù)據(jù)點，邊際點/正常點為3/7的模型(見圖6(b))預(yù)測值與實測值的偏差小于邊際點/正常點為2/8的模型(見圖6(a))，說明邊際點/正常點為3/7的模型對于邊際點的預(yù)測效果更好。從表3也可以看出，與邊際點/正常點為2/8的模型相比，邊際點/正常點為3/7的模型對測試集精制蠟油硫質(zhì)量分數(shù)的預(yù)測，MAE縮小了21.98 μg/g，MRE降低了0.65百分點，R2增加0.033，說明精制蠟油硫含量邊際點/正常點的比值越高，模型對測試集中精制蠟油硫含量的預(yù)測效果越好。

雖然刻意挑選數(shù)據(jù)，改變精制蠟油硫含量邊際點/正常點比例的建模思路，一定程度上解決了由于統(tǒng)計模型的固有缺陷，導(dǎo)致少數(shù)邊際點預(yù)測效果差的問題。但人為篩選數(shù)據(jù)，會導(dǎo)致建模數(shù)據(jù)量變少，且邊際點/正常點的比值越高，用來建模的有效數(shù)據(jù)越少。當(dāng)建模數(shù)據(jù)量不夠時，模型會因為數(shù)據(jù)范圍不夠廣，而影響其泛化能力。因此，在實際應(yīng)用過程中，需要在邊際點/正常點比例和建模數(shù)據(jù)量之間進行權(quán)衡。當(dāng)建模數(shù)據(jù)量較多時，可以刻意選擇更高的邊際點/正常點比例用來建模；當(dāng)建模數(shù)據(jù)量較少時，則需要適當(dāng)選擇較低的邊際點/正常點比例，來保證模型的泛化能力。

5 結(jié) 論

(1)根據(jù)蠟油加氫裝置實際生產(chǎn)情況，對收集到的精制蠟油硫含量數(shù)據(jù)進行處理，構(gòu)建新的判別方法，分兩步找出硫含量中隱藏的異常點，使選入模型的數(shù)據(jù)更為準確，避免了異常點對模型泛化能力的影響。

(2)對模型預(yù)測硫含量邊際點時誤差大的原因進行了深入分析，發(fā)現(xiàn)統(tǒng)計模型終止訓(xùn)練標準的固有缺陷，該缺陷決定模型在訓(xùn)練過程中會忽略少數(shù)邊際點預(yù)測值與實測值之間的偏差，來保證多數(shù)點的準確性。

(3)通過刻意選擇數(shù)據(jù)，改變原始數(shù)據(jù)中精制蠟油硫含量邊際點數(shù)據(jù)量與正常范圍點數(shù)據(jù)量的比例，使模型在訓(xùn)練過程中，盡可能兼顧到所有樣本點預(yù)測值與實測值之間的偏差。使用測試集數(shù)據(jù)對訓(xùn)練好的模型進行測試，與硫含量邊際點/正常點為1/9的模型相比，邊際點/正常點為2/8和3/7的模型對精制蠟油硫質(zhì)量分數(shù)預(yù)測的平均絕對誤差分別縮小35.97 μg/g和57.95 μg/g，平均相對誤差分別縮小0.95百分點和1.6百分點，基本解決了原料發(fā)生變化或操作波動時精制蠟油硫含量預(yù)測不準的問題。