[发明专利]一种基于实测数据的脱硝催化剂工艺特性指标预测方法

权利要求书

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；

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。

2.根据权利要求1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时重新置为0。

3.根据权利要求2所述的预测方法，其特征在于，所述步骤（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；该条件指：训练集、验证集、测试集的相关系数R均大于0.995。

4.根据权利要求3所述的预测方法，其特征在于，所述步骤（2）中几何特性参数、理化特性参数包括催化剂孔径、内壁厚、外壁厚、截面边长、主要化学成分相对百分含量、微量化学成分相对百分含量、比孔容及最可几孔径、比表面积。

5.根据权利要求4所述的预测方法，其特征在于，所述步骤（2）中工艺特性参数包括催化剂脱硝效率。

6.根据权利要求5所述的预测方法，其特征在于，所述步骤（5）中通过反归一化得到的催化剂工艺特性参数为脱硝效率，然后根据脱硝效率计算催化剂活性。

7.根据权利要求6所述的预测方法，其特征在于，所述步骤c中主成分数的选取，依据对子矩阵X_MZ进行主成分分析后的主成分累计贡献率大于0.85进行。

8.根据权利要求7所述的预测方法，其特征在于，所述步骤d中划分训练集、验证集、测试集的比例满足条件（60~70）：（15~20）：（15~20）。

9.根据权利要求8所述的预测方法，其特征在于，所述步骤（1）中收集的样品数大于单个催化剂样品的几何特性参数、理化特性参数的个数加和。