摘要：高质量数据集是构建高性能机器学习模型的基础，为获得高质量数据集通常需对特征变量进行选择优化。本研究从加氢裂化装置加氢反应和分馏系统两部分出发，分别构建机器学习预测案例，应用Pearson相关系数-BP神经网络法和PCA主元分析-BP神经网络法考察加氢裂化不同工艺流程段的特征变量选择特点。结果表明加氢反应部分预测案例R101第三床层温度预测、冷低分油流量预测，由于目标变量与特征变量间存在严格反应机理关系，且线性关系明显，适于用 Pearson相关系数法优化选择特征变量；分馏系统预测案例如航煤抽出板温度预测，由于特征变量较多且分布范围广，而分馏操作受塔压、塔底再沸温度等因素相互制约，呈现更强的非线性影响规律，适于PCA降维优化特征变量的选择。
关键词：加氢装置；特征变量；选择；Pearson相关系数；PCA主元分析；BP神经网络