催化重整是一个以汽油(主要是直馏汽油)为原料生产高辛烷值汽油及轻芳烃(苯、甲苯、二甲苯、简称BTX)的重要的炼油过程,同时也生产相当数量的副产氢气。催化重整汽油是无铅高辛烷值汽油的重要组分。在发达国家的车用汽油组分中,催化重整汽油约占25%-30%。苯、甲苯、二甲苯是一级基本化工原料,全世界所需的BTX有一半以上是来自催化重整,同时催化重整是廉价的氢气来源。工业监控系统是一种涉及现场总线技术、计算机技术、通信技术、数据库技术、多媒体技术、控制技术和网络技术等的综合集成技术。本文首先分析了催化重整监控系统的系统要求。然后分别对监控系统中上位机和下位机的设计,特别是对上位机监控部分工艺界面和功能界面的设计、实现,以及系统冗余,系统维护等方面进行了深入研究。在统计学习理论框架下产生的“支持向量机”这一新的通用机器学习方法,它植根于统计学习理论的VC维理论和结构风险最小化原则,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的推广能力。本文研究了支持向量机的四类主要核函数及其主要特性,最终选择了RBF核函数。探讨了支持向量机参数选择问题,通过实验总结了一些规律。催化重整产品收率以及产品质量的预测,对整个炼化企业的利润预测及生产方案的增效分析都有十分重要的意义。本文分别对影响产品回收率和产品质量的各种工艺参数进行了深入的分析,采用支持向量机的建立了催化重整产品收率以及产品质量的预测模型。支持向量机在对模型参数的选择传统方法中人为干预较多,选择过程较为复杂,而且有时很难得到满意解。基于此问题,本文在充分分析支持向量机和粒子群优化的基本理论基础上,采用粒子群优化算法进行支持向量机模型参数选择。仿真结果表明,该方法在预测精度上和仿真时间上都优于传统方法。