一种基于实测数据的脱硝催化剂工艺特性指标预测方法技术

本发明专利技术公开了一种基于实测数据的新鲜蜂窝式脱硝催化剂脱硝效率预测方法。主要包含以下步骤：步骤一，样品收集，收集同一厂家多批次蜂窝式催化剂并制成样品；步骤二，数据收集，样品实验室几何测量、理化测量、工艺特性测量得出测量数据；步骤三，数据处理，对测量数据进行相关性分析、主成分分析及计算；步骤四，LMBP神经网络建模；步骤五，同类样品工艺特性指标预测。本发明专利技术将实验室已有的大量实测数据进行有效利用，利用已有的实验数据来预测未知的工艺特性指标数据，能够实现对样品工艺特性在进行检测之前的提前预测，预警实验室新鲜蜂窝式脱硝催化剂工艺特性评估环节中的不可控因素，给实验室工艺特性检测带来极大的便利。

A Prediction Method of Denitrification Catalyst Process Characteristic Index Based on Measured Data

【技术实现步骤摘要】
一种基于实测数据的脱硝催化剂工艺特性指标预测方法
本专利技术涉及脱硝催化剂领域，具体涉及一种基于实测数据的新鲜蜂窝式脱硝催化剂工艺特性指标预测方法。
技术介绍
蜂窝式脱硝催化剂被广泛应用于燃煤电厂的烟气脱硝系统中，而这些催化剂在使用之前，都需要对其质量进行把控，大部分质量把控都是由催化剂生产厂家来进行的，但是对电厂来说，独立于催化剂生产厂家的第三方检测所得出的报告，相对而言，具有更佳的可信度和接受度。实验室作为对催化剂进行质量评估的独立第三方，对催化剂的评价，主要依照相应的行业标准，从三个方面即几何特性评价、理化特性评价，工艺特性评价来进行。工艺特性的评价，主要是对催化剂的脱硝效率和活性的评价，该评价离不开评价装置(也称为检测装置、平台)上的长时间实验，耗时费力，且实验过程中稍不注意就会出错。公开号为CN203479783U、CN203616297U、CN108426975A的中国专利给出了脱硝催化剂的活性检测装置的设计方案，公开号CN106647285A、CN107202857A的方案分别采用不同的算法实现了催化剂活性和脱硝效率的计算或者检测，但前述方案或者方法均没有考虑脱硝催化剂的几何特征和理化特征均对活性和脱硝效率有一定的影响。实验室参照国标GB/T31587-2015《蜂窝式烟气脱硝催化剂》6.5.2.1烟气章节所规定的测试烟气条件，对催化剂的活性和脱硝效率进行检测。由于测试烟气条件固定不变，长期来看，不同催化剂样品的几何特性和理化特性对催化剂的活性和脱硝效率的的耦合性影响，必然会表现出一定的统计规律性，这种规律性特征的研究，可以指导实验室对催化剂样品的检测工作，具有重要的应用价值，但目前并没有相关的专利或者文献对这种统计性规律进行研究并进而指导实验工作。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺陷，提供一种能够揭示催化剂工艺特性参数与几何、理化参数之间规律，对采用同一生产工艺生产的新的催化剂样品进行工艺特性指标进行快速、准确预测的方法。为了达到上述目的，本专利技术提供了一种基于实测数据的新鲜蜂窝式脱硝催化剂工艺特性指标预测方法，包括以下步骤：(1)样品收集：被收集的待测催化剂为同一厂家生产的新鲜蜂窝式脱硝催化剂；(2)数据收集：对收集的样品进行几何特性测量、理化特性测量、工艺特性测量，获得几何特性参数、理化特性参数、工艺特性参数；(3)数据处理：将步骤(2)收集数据构成的样本集矩阵M进行归一化处理，并对M矩阵归一化后的几何特性参数、理化特性参数构成的子矩阵进行相关系数分析和主成分分析；(4)建立LMBP神经网络模型；(5)模型预测：对于待预测的催化剂样品，重复步骤(1)～(3)，所得数据适用步骤(4)建立的神经网络模型，对得出的预测结果反归一化得到催化剂的工艺特性参数。其中，步骤(3)中数据处理的具体方法如下：a、步骤(2)收集的数据构成样本集矩阵M，矩阵M归一化为矩阵MZ，MZ划分为两个子矩阵X_MZ，Y_MZ；所述矩阵M的每一行称为一个样本，每个样本均由催化剂几何特性参数、理化特性参数、工艺特性参数组成；所述子矩阵X_MZ由M矩阵归一化后的几何特性参数、理化特性参数构成，子矩阵Y_MZ由M矩阵归一化后的工艺特性参数构成；b、对X_MZ进行Pearson相关系数分析，并对得出的相关系数矩阵的每一列元素求绝对值，取每一列绝对值元素的最大值(注：相关系数矩阵中把1置为0)，并判断所有列的最大值是否均小于0.3，若是，则数据处理结束，否则进行步骤c中主成分分析；c、进行主成分分析，根据累计贡献率选取主成分数，提取主成分得分系数矩阵，还原主成分矩阵X_RZ；其中，步骤(4)中LMBP神经网络的建模过程如下：d、对步骤(3)数据处理后最终所得子矩阵X_RZ或无需经过主成分分析的子矩阵X_MZ，以及对应的子矩阵Y_MZ，采用相同的方式，划分为训练集、验证集、测试集；e、建立三层LMBP神经网络，矩阵X_RZ或X_MZ中的元素作为网络的输入节点，矩阵Y_MZ的元素作为网络的输出节点；f、持续多次训练网络，并判断训练集、验证集、测试集的相关系数R是否均大于0.995，若满足该条件，网络停止训练，网络建模完成，否则继续训练网络直至满足该条件。更为具体的，本专利技术基于实测数据的新鲜蜂窝式脱硝催化剂工艺特性指标预测方法包括以下步骤：步骤一，样品收集：所述催化剂，对于不同催化剂生产厂家而言，其所采用的催化剂生产技术和工艺往往并不完全相同，这就导致了不同厂家的催化剂即使在几何参数和理化参数基本相同或者接近的情况下，采用《蜂窝式烟气脱硝催化剂》GB/T31587-2015标准，其测量得出的工艺特性参数(具体为脱硝效率、活性)值也相差较大。而对于同一催化剂生产厂家而言，其商用催化剂的生产工艺和技术一般是相对比较固定的，很少会出现持续变动的情况。所以，样品收集的隐含前提是同一生产工艺不变的厂家的不同或者同一批次不同样品。步骤二，数据收集：所述数据，是以《蜂窝式烟气脱硝催化剂》(GB/T31587-2015)、《烟气脱硝催化剂化学成分分析方法》(GB/T31590-2015)、《化学试剂电感耦合等离子体原子发射光谱法通则》(GB/T23942-2009)、《压汞法和气体吸附法测定固体裁量孔径分布和孔隙度第1部分：压汞法》(GB/T21650.1-2008)、《气体吸附BET法测定固态物质比表面积》(GB/T19587-2004)等行业或者国家标准为检测依据，在相应的专用设备进行检测得出的。具体的，测量得出的数据包括催化剂的孔径d、内壁厚d1、外壁厚d2、截面边长a、主要化学成分(TiO2、V2O5、Al2O3、WO3、SiO2、CaO等)、微量化学成分(K、Fe、Na、Mg、P、As等)、比孔容及最可几孔径、比表面积、活性、脱硝效率等。所述测量数据构造成的样本集矩阵中每一行构成一个样本，每个样本包含对应单个样品的所有测量信息，若干个样本构成样本集矩阵。步骤三，数据处理：所述样本集矩阵，划分为子矩阵X和子矩阵Y1和Y’，子矩阵X由几何参数、理化参数构成，子矩阵Y1由催化剂的脱硝效率构成,子矩阵Y’由催化剂的活性构成，三者的矩阵构成可以写为这样的形式：式中，j表示样本的数量，i表示催化剂几何参数、理化参数个数之和，Xij表示第j个催化剂样本的第i个元素。Yj表示第j个催化剂样本的脱硝效率。需要说明的是，样本集矩阵为M，即[样本集]＝M.进一步的，对M进行标准化(也叫作归一化)，其子矩阵也同时被归一化，采用的方式是零-均值规范化(也称作标准差标准化)，X归一化后的矩阵为X_MZ，Y1归一化后的矩阵为Y_MZ。进一步的，对矩阵X_MZ进行pearson相关系数分析，依据的公式是：得出相关系数矩阵CORR，对相关系数矩阵每一列的求最大值(自相关系数为1的值置0)，所有最大值构成行向量R_ROW，若R_ROW中有值落在(-0.3，+0.3)范围之外，则表明子矩阵X中的元素存在部分重叠信息，需对子矩阵X_MZ进行主成分分析，并选取累计贡献率>0.85的主成分，按照公式(NEW＝ZX*主成分系数)计算并还原得出主成分矩阵X_RZ；若R_ROW中所有值均落在(-0.3，+0.3)范围之内，表明子矩阵X中的相关元素微相关或本文档来自技高网...

【技术保护点】
1.一种基于实测数据的新鲜蜂窝式脱硝催化剂工艺特性指标预测方法，其特征在于，包括以下步骤：(1)样品收集：收集待预测的催化剂，为同一厂家生产的新鲜蜂窝式脱硝催化剂；(2)数据收集：对收集的样品进行几何特性测量、理化特性测量、工艺特性测量，获得几何特性参数、理化特性参数、工艺特性参数；(3)数据处理：将步骤(2)收集数据构成的样本集矩阵M进行归一化处理，并对M矩阵归一化后的几何特性参数、理化特性参数构成的子矩阵进行相关系数分析和主成分分析；(4)建立LMBP神经网络模型；(5)模型预测：对于待预测的催化剂样品，重复步骤(1)～(3)，使用步骤(4)所建立的神经网络模型得出的预测值反归一化得到催化剂的工艺特性参数。

【技术特征摘要】
1.一种基于实测数据的新鲜蜂窝式脱硝催化剂工艺特性指标预测方法，其特征在于，包括以下步骤：(1)样品收集：收集待预测的催化剂，为同一厂家生产的新鲜蜂窝式脱硝催化剂；(2)数据收集：对收集的样品进行几何特性测量、理化特性测量、工艺特性测量，获得几何特性参数、理化特性参数、工艺特性参数；(3)数据处理：将步骤(2)收集数据构成的样本集矩阵M进行归一化处理，并对M矩阵归一化后的几何特性参数、理化特性参数构成的子矩阵进行相关系数分析和主成分分析；(4)建立LMBP神经网络模型；(5)模型预测：对于待预测的催化剂样品，重复步骤(1)～(3)，使用步骤(4)所建立的神经网络模型得出的预测值反归一化得到催化剂的工艺特性参数。2.根据权利要求1所述的预测方法，其特征在于，所述步骤(3)数据处理的具体方法如下：a、步骤(2)收集数据构成样本集矩阵M，矩阵M归一化为矩阵MZ，MZ划分为两个子矩阵X_MZ，Y_MZ；所述矩阵M的每一行称为一个样本，每个样本均由催化剂几何特性参数、理化特性参数、工艺特性参数组成；所述子矩阵X_MZ由M矩阵归一化后的几何特性参数、理化特性参数构成，子矩阵Y_MZ由M矩阵归一化后的工艺特性参数构成；b、对X_MZ进行Pearson相关系数分析，并对得出的相关系数矩阵的每一列取绝对值，并判断每列元素绝对值的最大值，若最大值均小于0.3，则数据处理结束，否则进行步骤c中主成分分析；c、进行主成分分析，根据累计贡献率选取主成分数，提取主成分得分系数矩阵，还原主成分矩阵X_RZ。3.根据权利要求2所述的预测方法，其特征在于，所述步骤b中对每列元素绝对值的最大值进行判断时，当该值为1时重新...

【专利技术属性】
技术研发人员：庄柯，林正根，姚杰，金定强，吴碧君，
申请(专利权)人：国电环境保护研究院有限公司，
类型：发明
国别省市：江苏,32