摘 要 針對(duì)化工過(guò)程非線性、時(shí)滯性高的實(shí)際問(wèn)題，以某氨合成工段為研究對(duì)象，首次提出基于小波閾值降噪的向量加權(quán)平均算法（INFO）優(yōu)化最小二乘支持向量機(jī)（LSSVM）的氨合成塔預(yù)測(cè)方法INFO-LSSVM，將小波降噪理論與INFO-LSSVM算法結(jié)合創(chuàng)建了預(yù)測(cè)精度較高的氨合成塔預(yù)測(cè)模型，用模型篩選出6個(gè)氨合成工段中的樣本數(shù)據(jù)進(jìn)行小波閾值降噪預(yù)處理，然后用INFO-LSSVM訓(xùn)練降噪后的數(shù)據(jù)，得到小波閾值降噪的INFO-LSSVM氨合成塔預(yù)測(cè)模型，對(duì)比INFO-LSSVM、PSO-LSSVM、LSSVM模型的預(yù)測(cè)結(jié)果，得到三者的均方根誤差分別為0.231 8、0.447 7、0.496 4，可為多因素作用下類似預(yù)測(cè)提供借鑒。

關(guān)鍵詞 小波閾值降噪 向量加權(quán)平均算法 最小二乘支持向量機(jī) 預(yù)測(cè)模型 氨合成

中圖分類號(hào) TP273" "文獻(xiàn)標(biāo)志碼 A" "文章編號(hào) 1000-3932（2024）06-1108-08

隨著化工系統(tǒng)復(fù)雜程度的增加，簡(jiǎn)單的檢測(cè)與故障診斷在某些情況下已不能滿足需求。針對(duì)重特大事故時(shí)有發(fā)生的情況，2013年頒布的《關(guān)于加強(qiáng)化工過(guò)程安全管理的指導(dǎo)意見(jiàn)》明確提出：對(duì)化工裝置的重要工藝參數(shù)進(jìn)行實(shí)時(shí)監(jiān)控預(yù)警，采取在線安全監(jiān)控手段，及時(shí)判斷發(fā)生異常工況的根源，避免因處理不當(dāng)造成事故。化工連續(xù)過(guò)程具有非線性、滯后性、時(shí)變性、動(dòng)態(tài)性強(qiáng)等特征，異常工況預(yù)警技術(shù)在進(jìn)行監(jiān)測(cè)預(yù)警時(shí)往往存在較高的誤報(bào)率［1］。因此，對(duì)化工過(guò)程中的關(guān)鍵DCS報(bào)警變量進(jìn)行準(zhǔn)確預(yù)測(cè)，不僅可以提示可能發(fā)生的變化來(lái)降低異常情況發(fā)生的概率，還對(duì)降低事故發(fā)生具有重要意義。1909年，美國(guó)學(xué)者BABSON首次提出預(yù)測(cè)的概念，用經(jīng)濟(jì)增長(zhǎng)線上下界間的面積來(lái)預(yù)測(cè)宏觀經(jīng)濟(jì)的波動(dòng)趨勢(shì)。2006年，RONZA等將有害物質(zhì)泄漏的風(fēng)險(xiǎn)評(píng)估用于風(fēng)險(xiǎn)預(yù)警，基于碳?xì)浠衔锏男孤┙y(tǒng)計(jì)數(shù)據(jù)提出相應(yīng)方程，用于預(yù)測(cè)泄漏點(diǎn)的火災(zāi)情況，并結(jié)合MINMOD數(shù)據(jù)庫(kù)，實(shí)現(xiàn)化工事故情景預(yù)警與風(fēng)險(xiǎn)評(píng)估。文獻(xiàn)［2］以生物免疫機(jī)理類比分析化工園區(qū)生產(chǎn)系統(tǒng)，采用仿生學(xué)的方法建立Ag-Ab模型化工園區(qū)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，通過(guò)安全生產(chǎn)現(xiàn)狀模糊推理預(yù)警結(jié)果提出免疫對(duì)策；文獻(xiàn)［3］運(yùn)用GIS、RS等信息技術(shù)與遠(yuǎn)程信號(hào)動(dòng)態(tài)監(jiān)測(cè)技術(shù)，對(duì)罐區(qū)工藝設(shè)施狀態(tài)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與分析，實(shí)現(xiàn)了對(duì)石化企業(yè)火災(zāi)事故的早期征兆監(jiān)測(cè)預(yù)警；文獻(xiàn)［4］運(yùn)用動(dòng)態(tài)自學(xué)習(xí)閾值和趨勢(shì)濾波技術(shù)在線監(jiān)測(cè)系統(tǒng)數(shù)據(jù)，獲取參數(shù)變化趨勢(shì)，實(shí)現(xiàn)了故障的早期預(yù)警；文獻(xiàn)［5］通過(guò)支持向量回歸算法對(duì)化工園區(qū)內(nèi)的系統(tǒng)風(fēng)險(xiǎn)熵值時(shí)間序列進(jìn)行預(yù)測(cè)，以此識(shí)別園區(qū)潛在的事故風(fēng)險(xiǎn)態(tài)勢(shì)；文獻(xiàn)［6］提出基于最小二乘的擬合-微分-再微分趨勢(shì)分析方法，實(shí)現(xiàn)了連續(xù)的間歇過(guò)程異常工況早期報(bào)警監(jiān)測(cè)；文獻(xiàn)［7］針對(duì)化工過(guò)程數(shù)據(jù)的非線性，將徑向基函數(shù)與遞歸算法結(jié)合構(gòu)建預(yù)測(cè)模型，并驗(yàn)證了預(yù)測(cè)的準(zhǔn)確性；文獻(xiàn)［8］提出基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的化工過(guò)程異常工況的預(yù)警模型，首次將機(jī)器學(xué)習(xí)與三角模糊數(shù)結(jié)合，完成了對(duì)化工過(guò)程的風(fēng)險(xiǎn)預(yù)警。上述文獻(xiàn)提供了不同的預(yù)測(cè)思路，但預(yù)測(cè)精度都不高。

筆者將小波閾值降噪與INFO-LSSVM預(yù)測(cè)算法相結(jié)合，創(chuàng)建化工過(guò)程關(guān)鍵報(bào)警參數(shù)預(yù)測(cè)模型。結(jié)合化工過(guò)程特點(diǎn)，引入小波閾值降噪去除化工過(guò)程中的噪聲信號(hào)，用向量加權(quán)平均算法（Weighted Mean of Vectors Algorithm，INFO）優(yōu)化LSSVM參數(shù)，兼顧化工過(guò)程關(guān)鍵報(bào)警參數(shù)的時(shí)序性及非線性。LSSVM是支持向量機(jī)（SVM）優(yōu)化改進(jìn)后的模型，具有良好的擬合性能，且模型泛化能力強(qiáng)，多適用于時(shí)間序列預(yù)測(cè)。INFO通過(guò)不同的向量加權(quán)平均規(guī)則來(lái)實(shí)現(xiàn)尋優(yōu)目的，具有尋優(yōu)能力強(qiáng)、收斂速度快等特點(diǎn)，可以高效、快速地從大量樣本中提取特征［9］。將小波閾值降噪與INFO-LSSVM相結(jié)合，充分融合各自優(yōu)點(diǎn)，以期提高模型的預(yù)測(cè)精度。

1 氨合成塔預(yù)測(cè)模型

1.1 基于小波去噪的數(shù)據(jù)預(yù)處理

在實(shí)際化工過(guò)程中，由于生產(chǎn)環(huán)境、操作精度等不確定因素的影響，監(jiān)控?cái)?shù)據(jù)通常含有噪聲，噪聲的存在會(huì)掩蓋數(shù)據(jù)本身所要表達(dá)的信息，致使模型無(wú)法準(zhǔn)確提取數(shù)據(jù)特征［10］。因此，在數(shù)據(jù)送入模型前，首先應(yīng)對(duì)數(shù)據(jù)進(jìn)行降噪預(yù)處理。

本研究采用小波閾值去噪法對(duì)采樣數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)不同頻段上的小波特點(diǎn)分解系數(shù)噪聲和信號(hào)，將各頻段上的噪聲對(duì)應(yīng)的小波系數(shù)去除，保留原始信號(hào)的小波分解系數(shù)，并利用處理后的系數(shù)進(jìn)行小波重構(gòu)，從而達(dá)到信號(hào)去噪的目的。

與傅里葉變換、頻率域?yàn)V波法、偏微分方程等相比，小波閾值去噪法對(duì)非平穩(wěn)信號(hào)去噪效果更好［11］，在工程中應(yīng)用較廣泛?；谛〔ㄩ撝档慕翟脒^(guò)程如圖1所示，首先，含噪信號(hào)經(jīng)小波變換被分為高頻段和低頻段；之后，設(shè)定閾值判斷數(shù)據(jù)噪聲并去除高頻段噪聲；最后，將降噪后的信號(hào)整合重構(gòu)，完成降噪過(guò)程。

1.2 建立INFO-LSSVM預(yù)測(cè)模型

1.2.1 INFO算法

INFO是由AHMADIANFAR I等于2022年首次提出的基于種群的智能優(yōu)化算法［9］，它在搜索空間中計(jì)算一組向量的加權(quán)平均，并快速收斂于找到的最優(yōu)解。向量組合增強(qiáng)了算法的探索和挖掘能力。通過(guò)使用全局搜索來(lái)獲得全局最優(yōu)解（同時(shí)結(jié)合局部搜索技術(shù)），主要原則如下。

a. 更新規(guī)則階段。通過(guò)收斂加速提高全局搜索能力，利用MeanRule更新向量z1■■和z2■■，在此基礎(chǔ)上獲得搜索空間中的最優(yōu)向量，公式如下：

z1■■=x■■+σ×MeanRule+CA，randlt;0.5z1■■=x■■+σ×MeanRule+CA，rand≥0.5" " （1）

z2■■=x■■+σ×MeanRule+CA，randlt;0.5z2■■=x■■+σ×MeanRule+CA，rand≥0.5" " （2）

MeanRule=r×WM1■■+（1-r）×WM2■■" " （3）

CA=randn×■" " " （4）

其中，g為迭代次數(shù)；x■■和x■■為隨機(jī)解；σ為［0，1］的比例因子；rand為［0，1］的隨機(jī)數(shù)；r為［0，0.5］的隨機(jī)數(shù)；x■■為最優(yōu)解；x■■為較優(yōu)解；x■為初始解；WM1■■為隨機(jī)解的加權(quán)平均；WM2■■為最優(yōu)解的加權(quán)平均；randn為正態(tài)分布的隨機(jī)數(shù)；ε為常數(shù)；CA為收斂速度；f（x）是目標(biāo)函數(shù)。

b. 向量組合階段。旨在提高探索和開(kāi)發(fā)能力，增加INFO中的種群多樣性，提高局部搜索性能，并生成新的向量u■■：

u■■=z1■■+μ·｜z1■■-z2■■｜，rand2lt;0.5z2■■+μ·｜z1■■-z2■■｜，rand2≥0.5x■■" " " ，rand1gt;0.5" " "（5）

μ=0.05×randn

其中，u■■為第g代矢量合成得到的矢量。

c. 局部搜索階段。旨在防止INFO陷入局部最優(yōu)，提高其利用率和收斂性：

u■■=x■+randn×［MeanRule+Va］ ，rand2lt;0.5x■+randn×［MeanRule+Vb］，rand2≥0.5" （6）

V■=randn×（x■■-x■■）

V■=randn×（v■×x■-v■×x■）

其中，x■為3個(gè)隨機(jī)解的平均值；v■和v■為兩個(gè)隨機(jī)數(shù)。

該算法在處理具有約束和未知搜索域的實(shí)際、復(fù)雜和具有挑戰(zhàn)性的優(yōu)化問(wèn)題方面表現(xiàn)出突出優(yōu)勢(shì)。因此，筆者提出利用INFO優(yōu)化LSSVM的初始參數(shù)懲罰因子C和徑向基γ，使其達(dá)到最優(yōu)適應(yīng)度值，以有效識(shí)別化工過(guò)程的異常工況。

1.2.2 最小二乘支持向量機(jī)回歸算法

最小二乘支持向量機(jī)（LSSVM）通過(guò)構(gòu)建損失函數(shù)將二次規(guī)劃問(wèn)題變?yōu)榫€性求解，提高了模型的計(jì)算效率［12］。選擇誤差ξi的二次范數(shù)作為損失函數(shù)，由此優(yōu)化問(wèn)題變?yōu)椋?/p>

min■ωTω+■η■ξ■■" " " （7）

約束條件為：

y■=ωT？準(zhǔn)（x■）+b+ξ■" " " "（8）

其中，η為調(diào)節(jié)常數(shù)；b為偏差量；ω是權(quán)重向量；？準(zhǔn)（x■）是將原始特征向量映射到高維特征空間的非線性變換（核函數(shù)）；最優(yōu)參數(shù)b由INFO獲得。

在求取參數(shù)b后，LSSVM回歸模型為：

y（x）=■α■k（x■，x）+b" " " （9）

其中，α■為拉格朗日乘子；k（x■，x）為核函數(shù)。

1.2.3 基于INFO算法的LSSVM參數(shù)優(yōu)化

LSSVM利用INFO算法對(duì)其參數(shù)進(jìn)行優(yōu)化，較交叉驗(yàn)證方法所選擇的參數(shù)更加準(zhǔn)確［13］。INFO算法對(duì)LSSVM進(jìn)行尋優(yōu)的過(guò)程如圖2所示。

為了衡量并分析所提組合預(yù)測(cè)模型的預(yù)測(cè)效果和預(yù)測(cè)精度，用決定系數(shù)R2與均方根誤差（Root Mean Square Error，RMSE）作為模型預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)，R2與RMSE的計(jì)算式分別為：

R■=1-■" " " （10）

RMSE=■" " （11）

其中，n代表預(yù)測(cè)的次數(shù)；Y■、f（x■）分別代表預(yù)測(cè)值和實(shí)際值；Y表示平均值。

2 預(yù)測(cè)算法流程

化工過(guò)程風(fēng)險(xiǎn)預(yù)測(cè)模型主要由小波降噪與INFO-LSSVM預(yù)測(cè)組成，預(yù)測(cè)流程如圖3所示。

首先，選擇擬研究的化工工藝，篩選關(guān)鍵參數(shù)作為風(fēng)險(xiǎn)預(yù)測(cè)因子，對(duì)過(guò)程數(shù)據(jù)進(jìn)行小波閾值降噪處理；然后構(gòu)建INFO-LSSVM預(yù)測(cè)模型，運(yùn)用模型對(duì)預(yù)測(cè)因子進(jìn)行預(yù)測(cè)，將RMSE、R2作為衡量標(biāo)準(zhǔn)進(jìn)行評(píng)估，對(duì)預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析、比對(duì)。

3 算例分析

為了驗(yàn)證小波降噪與INFO-LSSVM結(jié)合的預(yù)測(cè)模型的有效性和預(yù)測(cè)精度，以云南省某化工企業(yè)氨合成塔關(guān)鍵參數(shù)進(jìn)行模型實(shí)驗(yàn)，并對(duì)比結(jié)果。

3.1 預(yù)測(cè)因子篩選

合成塔工藝過(guò)程主要由進(jìn)出口氣換熱器、加熱爐、合成塔、鍋爐給水換熱器等裝置組成，其工藝流程如圖4所示。

通過(guò)HAZOP方法對(duì)合成氨工藝進(jìn)行分析，篩選出影響安全生產(chǎn)的主要因素，包括壓力、溫度、物料比、流量等6個(gè)過(guò)程參數(shù)作為風(fēng)險(xiǎn)預(yù)測(cè)因子（表1）。

3.2 數(shù)據(jù)集構(gòu)造及預(yù)測(cè)處理

數(shù)據(jù)選取的是云南省某化工企業(yè)2021年10月1日合成氨工序6個(gè)風(fēng)險(xiǎn)預(yù)測(cè)因子的樣本數(shù)據(jù)，每0.5 min采集一次數(shù)據(jù)，總計(jì)采集15 721條時(shí)序數(shù)據(jù)，將數(shù)據(jù)總量的前70%劃分為訓(xùn)練集，后30%作為測(cè)試集來(lái)驗(yàn)證模型的預(yù)測(cè)精度。

由于合成氨工序中過(guò)程數(shù)據(jù)的監(jiān)控變量單位多、數(shù)值范圍差異大，為了增強(qiáng)模型泛化能力、加快模型的收斂速度，并保證預(yù)測(cè)模型的訓(xùn)練效率以及模型預(yù)測(cè)效果，采用小波閾值去噪方法對(duì)原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理結(jié)果如圖5所示。

3.3 預(yù)測(cè)結(jié)果討論

利用INFO算法對(duì)LSSVM模型進(jìn)行參數(shù)尋優(yōu)，設(shè)置初始種群為10，INFO-LSSVM的迭代收斂曲線如圖6所示，可以看出，INFO-LSSVM模型在第20次迭代時(shí)開(kāi)始收斂，不易陷入局部極值，且預(yù)測(cè)誤差較小，于是將迭代次數(shù)設(shè)置為30次，以達(dá)到更好的預(yù)測(cè)效果。

采用基于小波降噪的INFO-LSSVM預(yù)測(cè)模型對(duì)6組參數(shù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖7所示。

為了進(jìn)一步評(píng)價(jià)INFO-LSSVM模型的性能，分別建立LSSVM模型和PSO-LSSVM模型，對(duì)圖7的6組風(fēng)險(xiǎn)預(yù)測(cè)因子進(jìn)行預(yù)測(cè)，并從數(shù)據(jù)是否降噪的角度將3者的預(yù)測(cè)能力進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表2，可以看出，評(píng)價(jià)指標(biāo)R2、RMSE在6個(gè)風(fēng)險(xiǎn)預(yù)測(cè)因子的預(yù)測(cè)中，經(jīng)INFO優(yōu)化后的LSSVM模型具有更好的數(shù)據(jù)擬合效果，INFO-LSSVM預(yù)測(cè)模型的預(yù)測(cè)精度均高于LSSVM、PSO-LSSVM模型，表明INFO算法起到了優(yōu)化LSSVM模型的作用，充分挖掘出了數(shù)據(jù)間的隱藏信息，準(zhǔn)確預(yù)測(cè)出了未來(lái)98 min后的工藝參數(shù)，為預(yù)警工作提供了可靠的數(shù)據(jù)來(lái)源。

將INFO-LSSVM模型與小波閾值降噪相結(jié)合，用于合成塔過(guò)程的初始監(jiān)測(cè)和預(yù)測(cè)，并將其預(yù)測(cè)結(jié)果與LSSVM和PSO-LSSVM模型進(jìn)行比較，3種模型的預(yù)測(cè)誤差分析結(jié)果（表2）表明，筆者預(yù)測(cè)模型的平均決定系數(shù)為0.950 7，表明與LSSVM和PSO-LSSVM模型相比，INFO-LSSVM模型的預(yù)測(cè)精度更高、相對(duì)誤差更小，更適用于化工過(guò)程的關(guān)鍵參數(shù)預(yù)測(cè)。

4 結(jié)束語(yǔ)

針對(duì)多工況的復(fù)雜化工生產(chǎn)過(guò)程，從算法優(yōu)化的角度，提出融合小波閾值降噪和INFO-LSSVM算法的化工過(guò)程參數(shù)預(yù)測(cè)方法。利用小波閾值降噪降低了化工生產(chǎn)過(guò)程中的數(shù)據(jù)噪聲，通過(guò)向量加權(quán)算法（INFO）對(duì)傳統(tǒng)最小二乘支持向量機(jī)算法（LSSVM）進(jìn)行優(yōu)化，有效解決了LSSVM預(yù)測(cè)精度不高的問(wèn)題。實(shí)際算例分析表明，采用融合預(yù)測(cè)方法預(yù)測(cè)的數(shù)據(jù)與企業(yè)真實(shí)數(shù)據(jù)基本吻合，說(shuō)明筆者方法在合成氨工序參數(shù)預(yù)測(cè)中具有良好的預(yù)測(cè)效果，相對(duì)誤差較小，具有一定的工程實(shí)際應(yīng)用價(jià)值，可為時(shí)序預(yù)警奠定基礎(chǔ)，對(duì)預(yù)防化工過(guò)程事故具有參考意義。

參 考 文 獻(xiàn)

［1］ 王峰.化工過(guò)程非正常工況自愈調(diào)控理論及工程應(yīng)用研究［D］.北京：北京化工大學(xué)，2009.

［2］ 段偉利.基于免疫機(jī)理的化工園區(qū)安全生產(chǎn)預(yù)警研究［D］.廣州：華南理工大學(xué)，2011.

［3］ 劉晅亞，張清林，秘義行，等.大型石油儲(chǔ)罐區(qū)火災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)預(yù)警技術(shù)研究［J］.消防科學(xué)與技術(shù)，2012，31（2）：192-196.

［4］ 張明，馮坤，江志農(nóng).基于動(dòng)態(tài)自學(xué)習(xí)閾值和趨勢(shì)濾波的機(jī)械故障智能預(yù)警方法［J］.振動(dòng)與沖擊，2014，33（24）：8-14.

［5］ 張良.基于系統(tǒng)風(fēng)險(xiǎn)熵的化工園區(qū)風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)預(yù)警研究［D］.廣州：華南理工大學(xué)，2016.

［6］ 胡瑾秋，郭放，張來(lái)斌.基于趨勢(shì)分析的間歇過(guò)程異常工況超早期報(bào)警研究［J］.石油學(xué)報(bào)（石油加工），2018，34（1）：101-107.

［7］ DONG J F.Recursive NARX model identification of no- nlinear chemical processes with matrix invertibility analysis［J］.Computers and Chemical Engineering，2019，121：574-583.

［8］ 陳樑，朱君燁，金龍，等.時(shí)序數(shù)據(jù)驅(qū)動(dòng)的化工過(guò)程風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)警研究［J］.安全與環(huán)境學(xué)報(bào)，2023，23（10）：3491-3501.

［9］ AHMADIANFAR I，HEIDARI A A，NOSHADIAN S.INFO：An efficient optimization algorithm based on weighted mean of vectors［J］.Expert Syst，2022，195：116516.

［10］ 鮑宇.基于改進(jìn)的深度學(xué)習(xí)方法的化工過(guò)程故障診斷研究［D］.天津：天津大學(xué)，2021.

［11］ 茹斌，張?zhí)靷?，王宇?基于小波去噪及ARMA模型的故障率預(yù)測(cè)方法研究［J］.測(cè)控技術(shù)，2014，33（10）：43-46；50.

［12］ 劉晶，翁公羽，付華.基于PSO-ENN算法的高壓直流輸電線路故障測(cè)距［J］.高壓電器，2016，52（9）：153-157；163.

［13］ 謝國(guó)民，單敏柱，付華.基于FOA-SVM的煤礦瓦斯爆炸風(fēng)險(xiǎn)模式識(shí)別［J］.控制工程，2018，25（10）：1859-1864.

（收稿日期：2024-03-21，修回日期：2024-04-12）

Chemical Process Parameter Prediction Based on Combining Wavelet Threshold Denoising and INFO-LSSVM Algorithm

WEN Yu-xiaoa， CHEN Lianga，b， ZHU Jun-yea

（a. Faculty of Public Safety and Emergency Management；b. Faculty of Environmental Science and Engineering，Kunming University of Science and Technology）

Abstract" "Aiming at the chemical process with nonlinearity and high time lag and through taking the ammonia synthesis section of a chemical enterprise in Yunnan Province as the object of research， a prediction method for ammonia synthesis tower which having the vector weighted average algorithm（INFO）based on wavelet threshold denoising adopted to optimize least-squares support vector machine （LSSVM） was proposed， in which， having the wavelet denoising theory combined with INFO-LSSVM algorithm to create an ammonia synthesis tower prediction model with high prediction accuracy， including having the sample data screened from six ammonia synthesis sections for wavelet threshold denoising and then having the denoising data trained with the INFO-LSSVM algorithm so as to obtain INFO-LSSVM ammonia synthesis tower model with wavelet threshold denoising. Comparing its prediction results with those of PSO-LSSVM and LSSVM shows that， the root mean square errors of the three prediction results are 0.231 8， 0.447 7， and 0.496 4， respectively and it provides a reference for similar prediction under the effect of multiple factors.

Key words" "wavelet threshold denoising， INFO， LSSVM， prediction model， ammonia synthesis