在工业设备的运行过程中,主要的经济损失已经变成了由于腐蚀所导致的,目前,工业生产急需对设备受到腐蚀的情况进行实时的、精准的监控。在工业生产中循环冷却水已经被广泛应用,可以根据循环水中的水质信息,将缓腐剂加入工业设备中,加入的数量和类型要结合循环水中的水质信息得出。研究循环冷却水腐蚀结垢的预测方法,从而实时动态监测循环冷却水系统,能够及时检测工业生产中设备受腐蚀的情况,促进经济效益全面提升。本文的数据资料由天津石化企业循环冷却水系统提供,研究该石化企业循环冷却水3年中的数据信息,期望构建高效的、合理的预测模型,对循环冷却水的腐蚀结垢情况进行动态监测。M.E.Tipping建立了以贝叶斯框架为基础的非线性稀疏概率模型,将其命名为相关向量机。^[1]相关向量机回归预测方法指的是以常用的核函数为基础,将Bayesian推理结构融入其中,得到的预测值具备概率特点,泛化能力比较强。相关向量机在运行时,将超参数引入,能够对多余参数予以自动估计,核函数无需符合Merce条件,产生的相关向量数量较少,具有容易实现、计算方法简单等优势,促进运算速度的全面提升,使得计算难度大大降低。选择采用泛化能力更强的的机器学习算法——相关向量机（RVM）作为预测模型的核心,相关向量机（RVM）是一种用于回归和分类的贝叶斯稀疏核算法,与支持向量机（SVM）相比,RVM模型可以极大地减少核函数的计算量,计算过程和结果均具有概率解释;并采用具有较强全局搜索能力的混沌粒子群（CPSO）对RVM中的模型参数进行优化选择;目前网络模型的建立大多以大量样本资料为基础的,本课题中训练样本容量较小,所以预测精度不是很高。因而提出利用灰色关联算法（GR）定量地反应系统影响因子与循环冷却水腐蚀结垢的关联程度,提取出能反映循环冷却水腐蚀的主要敏感指标,将其作为预测模型的输入量,从而提高了预测精度。该研究结果为循环冷却水的腐蚀预测提供了一个有效手段。