[发明专利]基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法

摘要

本发明公开了一种基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法，包括以下步骤：(1)数据的归一化和输入；(2)确定Elman神经网络模型训练结构；(3)确定训练函数和训练次数；(4)训练Elman神经网络模型；(5)输出Elman神经网络模型的预测值对比和分析误差，将待预测的SCR工作时间带入到Elman神经网络模型中即可得到SCR催化剂在该工作时间内的相对活性。该方法在基于已有数据的基础上，能够精确地预测SCR催化剂工作一段时间后的相对活性。通过该方法的预测结构，能描绘催化剂的相对活性随着工作时间增加的变化趋势，对于SCR催化剂的寿命管理具有指导作用。

主权项

1.基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法，其特征在于，包括以下步骤：(1)数据的归一化和输入；将SCR催化剂的工作时间和对应的相对活性定义为一组数据，其中，SCR催化剂的工作时间为输入参数，工作时间对应的催化剂的相对活性为输出参数；将输入参数和输出参数都进行归一化处理，使所有的数据都在(0,1)之间；具体做法如下：其中数据X代表输入参数或输出参数，X_min和X_max是数据X中的最小值和最大值，X_i是数据X中的任意一个值，Y_i是X_i经过归一化处理之后的结果；而样本通过训练得到的预测结果Y_i根据式(2)还原得到热值的预测结果；X_i＝(X_max‑X_min)×Y_i+X_min    (2)(2)确定Elman神经网络模型训练结构；Elman神经网络模型的输入参数是催化剂的工作时间，输出参数是催化剂的相对活性，所以得到Elman神经网络模型的输入层神经元为1个，输出层神经元为1个；Elman神经网络模型采用单隐含层结构；隐含层神经元的数目根据公式(3)确定隐含层神经元数目的取值范围：式中：R¹为输入层神经元的个数；S²为输出层神经元的个数；S¹为隐含层神经元的个数，m是调节系数，取值为1到10；确定隐含层神经的数目范围后，分别带入到Elman神经网络模型中，利用训练样本中的数据对模型进行训练，确定催化剂的工作时间和相对活性之间的非线性关系，并以训练结果的均方误差作为评估指标，从隐含层神经元数目的取值范围中确定最适合的神经元数目；(3)确定训练函数和训练次数；在Elman神经网络模型中，输出层和隐含层传递函数选用对数sigmoid函数；将训练样本带入，得到训练样本网络的训练次数和均方误差(Mean square error，MSE)之间的关系，根据所需精度确定训练次数；(4)训练Elman神经网络模型根据步骤(2)和步骤(3)得到了Elman神经网络模型的结构、训练函数和训练次数，将步骤(1)得到的归一化的数据带入到Elman神经网络模型中对Elman神经网络模型进行训练；Elman神经网络模型的非线性表达式为：y(k)＝g(w¹x(k))                               (4)x(k)＝f{w²[u(k‑1)]+w³x_c(k)]                   (5)x_c(k)＝x(k‑1)                                (6)式中，x,y,u,x_c分别表示n维隐含层节点单位向量，m维输出节点向量，r维输入向量和n维反馈状态向量；k‑1、k分别表示第k‑1次训练的值和第k次训练的值；w¹、w²和w³分别是隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值；g(·)为输出层的传递函数；f(·)为隐含层的传递函数；Elman神经网络模型通过不断学习调整各层权值得到优化，使得实际输出与期望输出的误差平方和函数最小，从而确定催化剂的工作时间和相对活性之间的非线性关系；(5)输出Elman神经网络模型的预测值对比和分析误差，将待预测的SCR工作时间带入到Elman神经网络模型中即可得到SCR催化剂在该工作时间内的相对活性。