CN115738747A - 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 - Google Patents

Abstract

本申请公开了一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法。所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管包括：陶瓷复合纤维管体以及形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。其制备方法中包括采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的浆料的下料参考值的确定。这样，可以根据浆料的实际参数精准地确定下料参考值，提高制备的效率。

Description

用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备 方法

技术领域

本申请涉及催化滤管技术领域，且更为具体地，涉及一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法。

背景技术

近年来随着国家环保要求日趋严格，烟气脱硫脱硝去除二噁英一体化工艺成为国内烟气治理的研发热点。经济方面，因陶瓷纤维耐高温性能好，在高温过滤过程中，省去降温成本且热能回收创造利益；运行平稳，节约大量的人力维护与运行成本；过滤方面，粉尘排放可控制在5mg/Nm³以下；脱硝脱硫效率高，200～450℃下二氧化硫、氮氧化物控制在10mg/Nm³以下；安全方面，陶瓷纤维管坚固、耐温不燃烧，避免布袋破损与意外烧毁的危险；长效方面，耐腐蚀、耐磨损，催化剂不易中毒，使用寿命长达八年以上；回收利用方面，可水洗再生。符合国家超净排放要求，对烟气治理领域具有重要的经济、环保和社会效益。

但是，目前在对于用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管制备过程中，难以根据浆料的实际参数确定下料参考值，进而难以对需要制备的陶瓷复合纤维滤管的制备参数进行调整，导致制备的效率较低。

因此，期望一种优化的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法。所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管包括：陶瓷复合纤维管体以及形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。其制备方法中包括采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的浆料的下料参考值的确定。这样，可以根据浆料的实际参数精准地确定下料参考值，提高制备的效率。

根据本申请的一个方面，提供了一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管，其包括：

陶瓷复合纤维管体；以及

形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管中，所述钒钛复合氧化物的组分为：铂0.5-1.5%，五氧化二钒2-5%，三氧化钨0.5%-3%，稀土1%-3%，钛白粉0.2%-0.5%，硫脲 0.2%-0.6%，吐温60 0.3%-0.5%，分散剂0.1%-0.5%以及纯水90-93.4%。

根据本申请的另一个方面，提供了一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其包括：

步骤S1：对纤维进行预处理以得到浆料；

步骤S2：将所述浆料通过模具上方的压力注浆口注入到陶瓷复合纤维滤管的长度、厚度自动调节模具中以得到陶瓷复合纤维滤管的坯管；

步骤S3：中控单元控制关闭所述压力注浆口上方设置的第一电磁阀，并通过所述中控单元控制真空泵对所述陶瓷复合纤维滤管的坯管进行抽吸，以得到定型陶瓷复合纤维滤管坯管；

步骤S4：将所述定型陶瓷复合纤维滤管坯管放置在催化剂溶胶中，并在真空条件下进行浸泡、晾干、干燥及烧结以得到有催化功能的陶瓷复合纤维滤管；以及

步骤S5：将所述有催化功能的陶瓷复合纤维滤管在烘房烘干后以得到陶瓷复合纤维催化滤管。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S2，包括：

S21：获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；

S22：将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；

S23：将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；

S24：获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；

S25：将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；

S26：以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；以及

S27：将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S22，包括：

将所述多组参考数据中各组参考数据分别通过所述上下文编码器的嵌入层以将所述多组参考数据中各组参考数据分别转化为嵌入向量以得到参考数据嵌入向量的序列；

将所述参考数据嵌入向量的序列输入所述包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量；以及

将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S23，包括：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：

对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图；

对所述多尺度卷积特征图进行沿局部通道维度的池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活处理以得到激活特征图；

其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述参考特征矩阵。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图，包括：

使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；

使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；

使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；

使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；

将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到所述多尺度卷积特征图。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S27，包括：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述浆料的下料参考值的解码值，其中，所述公式为：，其中是所述解码特征向量，是所述浆料的下料参考值的解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函数。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，还包括步骤S100：对所述包含嵌入层的上下文编码器和所述解码器进行训练；

其中，所述步骤S100，包括：

S110：获取多组训练参考数据，每组训练参考数据包括参考浆料的训练纤维长度、所述参考浆料的训练PH值、所述参考浆料的训练固相含量以及所述参考浆料的下料真实参考值；

S120：将所述多组训练参考数据中各组训练参考数据通过所述包含嵌入层的上下文编码器以得到多个训练上下文参考数据项特征向量，并将所述多个训练上下文参考数据项特征向量进行级联为训练参考特征向量以得到多个训练参考特征向量；

S130：将所述多个训练参考特征向量进行二维排列为训练参考特征矩阵后通过所述包含多个混合卷积层的卷积神经网络模型以得到训练参考特征矩阵；

S140：获取所述浆料的训练检测数据，所述浆料的训练检测数据包括浆料的训练纤维长度、浆料的训练PH值和浆料的训练固相含量，以及，所述浆料的下料参考值的真实值；

S150：将所述浆料的训练检测数据通过所述包含嵌入层的上下文编码器以得到训练检测特征向量；

S160：以所述训练检测特征向量作为查询特征向量与所述训练参考特征矩阵进行相乘以得到训练解码特征向量；

S170：将所述训练解码特征向量通过所述解码器以得到解码损失函数值；

S180：计算所述多个训练参考特征向量的多分布二元回归质量损失函数值；以及

S190：计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述包含嵌入层的上下文编码器和所述解码器进行训练。

在上述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S180，包括：

以如下公式计算所述多个训练参考特征向量的所述多分布二元回归质量损失函数值；

其中，所述公式为：

其中，到是所述多个训练参考特征向量中的各个训练参考特征向量，是基准特征向量，表示向量经由所述解码器的解码回归结果，表示向量的1范数，表示所述多分布二元回归质量损失函数值，表示以2为底的对数函数。

与现有技术相比，本申请提供的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法，所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管包括：陶瓷复合纤维管体以及形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。其制备方法中包括采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的浆料的下料参考值的确定。这样，可以根据浆料的实际参数精准地确定下料参考值，提高制备的效率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的结构示意图。

图2为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法的流程图。

图3为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的场景示意图。

图4为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的子步骤流程图。

图5为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的子步骤架构示意图。

图6为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S22的子步骤流程图。

图7为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中进一步包括的步骤S100的子步骤流程图。

图8为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，近年来随着国家环保要求日趋严格，烟气脱硫脱硝去除二噁英一体化工艺成为国内烟气治理的研发热点。经济方面，因陶瓷纤维耐高温性能好，在高温过滤过程中，省去降温成本且热能回收创造利益；运行平稳，节约大量的人力维护与运行成本；过滤方面，粉尘排放可控制在5mg/Nm³以下；脱硝脱硫效率高，200～450℃下二氧化硫、氮氧化物控制在10mg/Nm³以下；安全方面，陶瓷纤维管坚固、耐温不燃烧，避免布袋破损与意外烧毁的危险；长效方面，耐腐蚀、耐磨损，催化剂不易中毒，使用寿命长达八年以上；回收利用方面，可水洗再生。符合国家超净排放要求，对烟气治理领域具有重要的经济、环保和社会效益。

但是，目前在对于用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管制备过程中，难以根据浆料的实际参数确定下料参考值，进而难以对需要制备的陶瓷复合纤维滤管的制备参数进行调整，导致制备的效率较低。因此，期望一种优化的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方案。

具体地，图1为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的结构示意图，如图1所示，所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管10，包括：陶瓷复合纤维管体12；以及，形成于所述陶瓷复合纤维管体的表面的催化剂13，所述催化剂为钒钛复合氧化物，特别地，所述钒钛复合氧化物的组分为：铂 0.5-1.5%，五氧化二钒 2-5%，三氧化钨 0.5%-3%，稀土1%-3%，钛白粉0.2%-0.5%，硫脲 0.2%-0.6%，吐温600.3%-0.5%，分散剂0.1%-0.5%以及纯水90-93.4%。在一个示例中，所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管10还包括固定于所述陶瓷复合纤维管体12上的端体11，所述端体11的直径大于所述陶瓷复合纤维管体12的直径。

更具体地，图2为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法的流程图，如图2所示，在本申请的技术方案中，所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，包括：步骤S1：对纤维进行预处理以得到浆料；步骤S2：将所述浆料通过模具上方的压力注浆口注入到陶瓷复合纤维滤管的模具中以得到陶瓷复合纤维滤管的坯管，陶瓷复合纤维滤管的长度0.5~9m，厚度5~50mm，直径50~200mm；步骤S3：中控单元控制关闭所述压力注浆口上方设置的第一电磁阀，并通过所述中控单元控制真空泵对所述陶瓷复合纤维滤管的坯管进行抽吸，以得到定型陶瓷复合纤维滤管坯管；步骤S4：将所述定型陶瓷复合纤维滤管坯管放置在催化剂溶胶中，并在真空条件下进行浸泡、晾干、干燥及烧结以得到有催化功能的陶瓷复合纤维滤管；以及，步骤S5：将所述有催化功能的陶瓷复合纤维滤管在烘房烘干后以得到陶瓷复合纤维催化滤管。在本申请实施例中，上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管还具备除尘功能，具体地，该陶瓷复合纤维催化滤管的孔隙率高，气阻小，二噁英、粉尘颗粒物等被截留在陶瓷复合纤维催化滤管的表面，粉尘过滤效率可以达到99%以上，经过除尘后气体经过陶瓷复合纤维催化滤管的多孔元件，在催化剂的作用下排出，除尘效果显著。

相应地，在所述步骤S2中，在注浆之前，需要将获取到的浆料的纤维长度、浆料的PH值和浆料的固相含量预先输入至中控单元，所述中控单元根据浆料的纤维长度、浆料的PH值和浆料的固相含量确定浆料的下料参考值，所述中控单元再根据下料参考值对设置在模具左侧与压力注浆口连接的注浆单元的注浆压力和注浆压力保持时间，以及设置在模具下方的真空泵的抽吸压力和抽吸时间，进而再进行注浆。

基于此，考虑到在中控单元根据浆料的纤维长度、浆料的PH值和浆料的固相含量确定浆料的下料参考值的过程中，由于浆料的各个参数之间具有着关联性的关系，因此，在实际的操作过程中难以根据浆料的实际参数确定下料参考值，进而难以对需要制备的陶瓷复合纤维滤管的制备参数进行调整，导致制备的效率较低。因此，在本申请的技术方案中，采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行浆料的下料参考值的确定。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

具体地，在本申请的技术方案中，首先，获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值。然后，考虑到在所述多组参考数据中的各组参考数据的各个数据项之间都具有着关联性关系，为了能够充分提取出所述各组参考数据中的各个数据项与所述参考浆料的下料真实参考值间的隐含关联特征，以此来准确地进行浆料的下料参考值确定，在本申请的技术方案中，进一步将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器中进行编码，以提取出所述各组参考数据中各个数据项间的基于全局的上下文关联特征以更适于表征所述浆料的隐含特征信息，从而得到多个上下文参考数据项特征向量。接着，进一步再将所述多个上下文参考数据项特征向量进行级联为参考特征向量，以整合所述多组参考数据中的各组参考数据的各个数据项的全局特征信息以得到多个参考特征向量。

进一步地，将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述参考特征矩阵中关于所述各组参考数据的各个数据项的全局特征的多尺度隐含关联特征，从而得到多个多尺度时频特征向量。也就是，在本申请的一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对所述参考特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将 4 个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。这样，能够以此来构建所述参考浆料的数据关联特征库以便于后续的特征查询。

然后，在对于实际浆料的下料参考值进行确定时，可以基于所述浆料的实际检测数据的各个数据项间的全局特征关联信息来在构建的所述参考浆料的数据关联特征库中进行特征查询，以此来进行实际浆料的下料参考值确定。也就是，具体地，首先，获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量。然后，将所述浆料的检测数据通过所述包含嵌入层的上下文编码器中进行编码，以提取出所述浆料的检测数据的各个数据项间的基于全局的隐含关联特征，从而得到检测特征向量。

进一步地，再以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘，以查询出对应于所述浆料的实际检测数据下的各个数据项的关联特征信息的浆料的下料参考值特征，并以此来进行解码回归来得到用于表示所述浆料的下料参考值的解码值。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

特别地，在本申请的技术方案中，将所述多个参考特征向量进行二维排列后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵时，所述包含多个混合卷积层的卷积神经网络模型可以提取所述多个参考特征向量之间的多尺度局域的关联特征，但是，仍然期望提高所述参考特征矩阵对于所述多个参考特征向量的全局关联特征的表达效果。

也就是，考虑到所述多个参考特征向量在进行二维排列后，是通过其各自的局部特征分布来得到所述参考特征矩阵的全局特征分布，因此，需要提升所述局部特征分布在解码目标域下与所述全局特征分布的相关性。

这通常可以通过对每个参考特征向量引入作为超参数的加权因数来解决，但另一方面，超参数的设置将会增大模型的训练负担。因此，本申请的申请人考虑引入多分布二元回归质量损失函数，表示为：

其中，到是各个参考特征向量，是基准特征向量，例如可以设置为所有参考特征向量的均值向量，表示向量经由解码器的解码回归结果，表示向量的1范数。

这里，为了避免所述参考特征矩阵在多分布解码回归时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标解码回归域的收敛困难，通过对于每个局部特征分布的基于解码器的全局偏移解码结果信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多解码回归的回归问题，并改进所述参考特征矩阵对于所述多个参考特征向量的全局关联特征的表达效果，从而提升所述解码特征向量通过解码器解码的训练速度和解码结果的准确性。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

基于此，本申请提供了一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，将所述浆料通过模具上方的压力注浆口注入到陶瓷复合纤维滤管的模具中以得到陶瓷复合纤维滤管的坯管，陶瓷复合纤维滤管的长度0.5~9m，厚度5~50mm，直径50~200mm，其包括：获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；以及，将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

图3为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的场景示意图。如图3所示，在该应用场景中，先分别获取多组参考数据（例如，如图3中所示意的D1）和浆料的检测数据（例如，如图3中所示意的D2），其中，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量。然后，将所述多组参考数据和所述浆料的检测数据输入至中控单元（例如，如图3中所示意的S）中，其中，所述中控单元能够生成用于表示所述浆料的下料参考值的解码值。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图4为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的子步骤流程图。如图4所示，根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法的步骤S2，包括步骤：S21：获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；S22：将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；S23：将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；S24：获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；S25：将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；S26：以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；以及，S27：将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

图5为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中步骤S2的子步骤架构示意图。如图5所示，在该网络架构中，首先，获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；接着，将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；然后，将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；接着，获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；然后，将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；接着，以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；最后，将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

更具体地，在步骤S21中，获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值。考虑到在中控单元根据浆料的纤维长度、浆料的PH值和浆料的固相含量确定浆料的下料参考值的过程中，由于浆料的各个参数之间具有着关联性的关系，因此，在实际的操作过程中难以根据浆料的实际参数确定下料参考值，进而难以对需要制备的陶瓷复合纤维滤管的制备参数进行调整，导致制备的效率较低。因此，在本申请的技术方案中，采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行浆料的下料参考值的确定。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

更具体地，在步骤S22中，将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量。考虑到在所述多组参考数据中的各组参考数据的各个数据项之间都具有着关联性关系，为了能够充分提取出所述各组参考数据中的各个数据项与所述参考浆料的下料真实参考值间的隐含关联特征，以此来准确地进行浆料的下料参考值确定，在本申请的技术方案中，进一步将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器中进行编码，以提取出所述各组参考数据中各个数据项间的基于全局的上下文关联特征以更适于表征所述浆料的隐含特征信息，从而得到多个上下文参考数据项特征向量。接着，进一步再将所述多个上下文参考数据项特征向量进行级联为参考特征向量，以整合所述多组参考数据中的各组参考数据的各个数据项的全局特征信息以得到多个参考特征向量。

相应地，在一个具体示例中，如图6所示，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S22，包括：S221，将所述多组参考数据中各组参考数据分别通过所述上下文编码器的嵌入层以将所述多组参考数据中各组参考数据分别转化为嵌入向量以得到参考数据嵌入向量的序列；S222，将所述参考数据嵌入向量的序列输入所述包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量；以及，S223，将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量。

更具体地，在步骤S23中，将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵。将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述参考特征矩阵中关于所述各组参考数据的各个数据项的全局特征的多尺度隐含关联特征，从而得到多个多尺度时频特征向量。

相应地，在一个具体示例中，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S23，包括：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图；对所述多尺度卷积特征图进行沿局部通道维度的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述参考特征矩阵。

相应地，在一个具体示例中，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图，包括：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到所述多尺度卷积特征图。

也就是，在本申请的一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对所述参考特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将 4 个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。这样，能够以此来构建所述参考浆料的数据关联特征库以便于后续的特征查询。

更具体地，在步骤S24中，获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量。

更具体地，在步骤S25中，将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量。在对于实际浆料的下料参考值进行确定时，可以基于所述浆料的实际检测数据的各个数据项间的全局特征关联信息来在构建的所述参考浆料的数据关联特征库中进行特征查询，以此来进行实际浆料的下料参考值确定。也就是，具体地，首先，获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量。然后，将所述浆料的检测数据通过所述包含嵌入层的上下文编码器中进行编码，以提取出所述浆料的检测数据的各个数据项间的基于全局的隐含关联特征，从而得到检测特征向量。

更具体地，在步骤S26中，以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量。再以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘，以查询出对应于所述浆料的实际检测数据下的各个数据项的关联特征信息的浆料的下料参考值特征，并以此来进行解码回归来得到用于表示所述浆料的下料参考值的解码值。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

更具体地，在步骤S27中，将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

相应地，在一个具体示例中，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S27，包括：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述浆料的下料参考值的解码值，其中，所述公式为：，其中是所述解码特征向量，是所述浆料的下料参考值的解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函数。

相应地，在一个具体示例中，如图7所示，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，还包括步骤S100：对所述包含嵌入层的上下文编码器和所述解码器进行训练；其中，所述步骤S100，包括：S110：获取多组训练参考数据，每组训练参考数据包括参考浆料的训练纤维长度、所述参考浆料的训练PH值、所述参考浆料的训练固相含量以及所述参考浆料的下料真实参考值；S120：将所述多组训练参考数据中各组训练参考数据通过所述包含嵌入层的上下文编码器以得到多个训练上下文参考数据项特征向量，并将所述多个训练上下文参考数据项特征向量进行级联为训练参考特征向量以得到多个训练参考特征向量；S130：将所述多个训练参考特征向量进行二维排列为训练参考特征矩阵后通过所述包含多个混合卷积层的卷积神经网络模型以得到训练参考特征矩阵；S140：获取所述浆料的训练检测数据，所述浆料的训练检测数据包括浆料的训练纤维长度、浆料的训练PH值和浆料的训练固相含量，以及，所述浆料的下料参考值的真实值；S150：将所述浆料的训练检测数据通过所述包含嵌入层的上下文编码器以得到训练检测特征向量；S160：以所述训练检测特征向量作为查询特征向量与所述训练参考特征矩阵进行相乘以得到训练解码特征向量；S170：将所述训练解码特征向量通过所述解码器以得到解码损失函数值；S180：计算所述多个训练参考特征向量的多分布二元回归质量损失函数值；以及，S190：计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述包含嵌入层的上下文编码器和所述解码器进行训练。

特别地，在本申请的技术方案中，将所述多个参考特征向量进行二维排列后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵时，所述包含多个混合卷积层的卷积神经网络模型可以提取所述多个参考特征向量之间的多尺度局域的关联特征，但是，仍然期望提高所述参考特征矩阵对于所述多个参考特征向量的全局关联特征的表达效果。也就是，考虑到所述多个参考特征向量在进行二维排列后，是通过其各自的局部特征分布来得到所述参考特征矩阵的全局特征分布，因此，需要提升所述局部特征分布在解码目标域下与所述全局特征分布的相关性。这通常可以通过对每个参考特征向量引入作为超参数的加权因数来解决，但另一方面，超参数的设置将会增大模型的训练负担。因此，本申请的申请人考虑引入多分布二元回归质量损失函数。

相应地，在一个具体示例中，在所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法中，所述步骤S180，包括：以如下公式计算所述多个训练参考特征向量的所述多分布二元回归质量损失函数值；其中，所述公式为：

其中，到是所述多个训练参考特征向量中的各个训练参考特征向量，是基准特征向量，表示向量经由所述解码器的解码回归结果，表示向量的1范数，表示所述多分布二元回归质量损失函数值，表示以2为底的对数函数。

这里，为了避免所述参考特征矩阵在多分布解码回归时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标解码回归域的收敛困难，通过对于每个局部特征分布的基于解码器的全局偏移解码结果信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多解码回归的回归问题，并改进所述参考特征矩阵对于所述多个参考特征向量的全局关联特征的表达效果，从而提升所述解码特征向量通过解码器解码的训练速度和解码结果的准确性。这样，能够根据浆料的实际参数精准地确定下料参考值，以提高制备的效率。

综上，基于本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法。所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管包括：陶瓷复合纤维管体以及形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。其制备方法中包括采用基于深度学习的人工智能控制算法来提取出浆料的多组参考数据的基于全局的多尺度隐含关联特征作为参考特征矩阵，并基于浆料实际检测数据的全局隐含关联特征来从所述参考特征矩阵中进行特征查询，以此来进行所述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的浆料的下料参考值的确定。这样，可以根据浆料的实际参数精准地确定下料参考值，提高制备的效率。

示例性系统

图8为根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统的框图。如图8所示，根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20，其包括：参考数据获取模块21，用于获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；参考上下文编码模块22，用于将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；混合卷积模块23，用于将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；检测数据获取模块24，用于获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；检测上下文编码模块25，用于将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；解码特征向量计算模块26，用于以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；以及，解码回归模块27，用于将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，所述参考上下文编码模块22，进一步用于：将所述多组参考数据中各组参考数据分别通过所述上下文编码器的嵌入层以将所述多组参考数据中各组参考数据分别转化为嵌入向量以得到参考数据嵌入向量的序列；将所述参考数据嵌入向量的序列输入所述包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量；以及，将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，所述混合卷积模块23，进一步用于：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图；对所述多尺度卷积特征图进行沿局部通道维度的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述参考特征矩阵。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，所述对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图，包括：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到所述多尺度卷积特征图。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，所述解码回归模块27，进一步用于：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述浆料的下料参考值的解码值，其中，所述公式为：，其中是所述解码特征向量，是所述浆料的下料参考值的解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函数。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，还包括：对所述包含嵌入层的上下文编码器和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练参考数据获取模块，用于获取多组训练参考数据，每组训练参考数据包括参考浆料的训练纤维长度、所述参考浆料的训练PH值、所述参考浆料的训练固相含量以及所述参考浆料的下料真实参考值；训练参考上下文编码模块，用于将所述多组训练参考数据中各组训练参考数据通过所述包含嵌入层的上下文编码器以得到多个训练上下文参考数据项特征向量，并将所述多个训练上下文参考数据项特征向量进行级联为训练参考特征向量以得到多个训练参考特征向量；训练混合卷积模块，用于将所述多个训练参考特征向量进行二维排列为训练参考特征矩阵后通过所述包含多个混合卷积层的卷积神经网络模型以得到训练参考特征矩阵；训练检测数据获取模块，用于获取所述浆料的训练检测数据，所述浆料的训练检测数据包括浆料的训练纤维长度、浆料的训练PH值和浆料的训练固相含量，以及，所述浆料的下料参考值的真实值；训练检测上下文编码模块，用于将所述浆料的训练检测数据通过所述包含嵌入层的上下文编码器以得到训练检测特征向量；训练解码特征向量计算模块，用于以所述训练检测特征向量作为查询特征向量与所述训练参考特征矩阵进行相乘以得到训练解码特征向量；训练解码损失计算模块，用于将所述训练解码特征向量通过所述解码器以得到解码损失函数值；多分布二元回归质量损失计算模块，用于计算所述多个训练参考特征向量的多分布二元回归质量损失函数值；以及，上下文编码器和解码器训练模块，用于计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述包含嵌入层的上下文编码器和所述解码器进行训练。

在一个示例中，在上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中，所述多分布二元回归质量损失计算模块，进一步用于：以如下公式计算所述多个训练参考特征向量的所述多分布二元回归质量损失函数值；其中，所述公式为：

其中，到是所述多个训练参考特征向量中的各个训练参考特征向量，是基准特征向量，表示向量经由所述解码器的解码回归结果，表示向量的1范数，表示所述多分布二元回归质量损失函数值，表示以2为底的对数函数。

这里，本领域技术人员可以理解，上述用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20中的各个单元和模块的具体功能和操作已经在上面参考图3到图7的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法的步骤S2的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20可以实现在各种无线终端中，例如用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备算法的服务器等。在一个示例中，根据本申请实施例的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20与该无线终端也可以是分立的设备，并且该用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的坯管的制备系统20可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管，其特征在于，包括：

陶瓷复合纤维管体；以及

形成于所述陶瓷复合纤维管体的表面的催化剂，所述催化剂为钒钛复合氧化物。

2.根据权利要求1所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管，其特征在于，所述钒钛复合氧化物的组分为：铂0.5-1.5%，五氧化二钒2-5%，三氧化钨0.5%-3%，稀土1%-3%，钛白粉0.2%-0.5%，硫脲 0.2%-0.6%，吐温60 0.3%-0.5%，分散剂0.1%-0.5%以及纯水90-93.4%。

3.一种用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，包括：

步骤S1：对纤维进行预处理以得到浆料；

步骤S2：将所述浆料通过模具上方的压力注浆口注入到陶瓷复合纤维滤管的模具中以得到陶瓷复合纤维滤管的坯管，其中陶瓷复合纤维滤管的长度0.5~9m，厚度5~50mm，直径50~200mm；

步骤S3：中控单元控制关闭所述压力注浆口上方设置的第一电磁阀，并通过所述中控单元控制真空泵对所述陶瓷复合纤维滤管的坯管进行抽吸，以得到定型陶瓷复合纤维滤管坯管；

步骤S4：将所述定型陶瓷复合纤维滤管坯管放置在催化剂溶胶中，并在真空条件下进行浸泡、晾干、干燥及烧结以得到有催化功能的陶瓷复合纤维滤管；以及

步骤S5：将所述有催化功能的陶瓷复合纤维滤管在烘房烘干后以得到陶瓷复合纤维催化滤管。

4.根据权利要求3所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述步骤S2，包括：

S21：获取多组参考数据，每组参考数据包括参考浆料的纤维长度、所述参考浆料的PH值、所述参考浆料的固相含量以及所述参考浆料的下料真实参考值；

S22：将所述多组参考数据中各组参考数据通过包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量，并将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量；

S23：将所述多个参考特征向量进行二维排列为参考特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到参考特征矩阵；

S24：获取所述浆料的检测数据，所述浆料的检测数据包括浆料的纤维长度、浆料的PH值和浆料的固相含量；

S25：将所述浆料的检测数据通过所述包含嵌入层的上下文编码器以得到检测特征向量；

S26：以所述检测特征向量作为查询特征向量与所述参考特征矩阵进行相乘以得到解码特征向量；以及

S27：将所述解码特征向量通过解码器进行解码回归以得到用于表示所述浆料的下料参考值的解码值。

5.根据权利要求4所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述步骤S22，包括：

将所述多组参考数据中各组参考数据分别通过所述上下文编码器的嵌入层以将所述多组参考数据中各组参考数据分别转化为嵌入向量以得到参考数据嵌入向量的序列；

将所述参考数据嵌入向量的序列输入所述包含嵌入层的上下文编码器以得到多个上下文参考数据项特征向量；以及

将所述多个上下文参考数据项特征向量进行级联为参考特征向量以得到多个参考特征向量。

6.根据权利要求5所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述步骤S23，包括：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：

对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图；

对所述多尺度卷积特征图进行沿局部通道维度的池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活处理以得到激活特征图；

其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述参考特征矩阵。

7.根据权利要求6所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述对所述输入数据进行多尺度卷积处理以得到多尺度卷积特征图，包括：

使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；

使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；

使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；

使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；

将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到所述多尺度卷积特征图。

8.根据权利要求7所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述步骤S27，包括：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述浆料的下料参考值的解码值，其中，所述公式为：，其中是所述解码特征向量，是所述浆料的下料参考值的解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函数。

9.根据权利要求8所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，还包括步骤S100：对所述包含嵌入层的上下文编码器和所述解码器进行训练；

其中，所述步骤S100，包括：

S110：获取多组训练参考数据，每组训练参考数据包括参考浆料的训练纤维长度、所述参考浆料的训练PH值、所述参考浆料的训练固相含量以及所述参考浆料的下料真实参考值；

S120：将所述多组训练参考数据中各组训练参考数据通过所述包含嵌入层的上下文编码器以得到多个训练上下文参考数据项特征向量，并将所述多个训练上下文参考数据项特征向量进行级联为训练参考特征向量以得到多个训练参考特征向量；

S130：将所述多个训练参考特征向量进行二维排列为训练参考特征矩阵后通过所述包含多个混合卷积层的卷积神经网络模型以得到训练参考特征矩阵；

S140：获取所述浆料的训练检测数据，所述浆料的训练检测数据包括浆料的训练纤维长度、浆料的训练PH值和浆料的训练固相含量，以及，所述浆料的下料参考值的真实值；

S150：将所述浆料的训练检测数据通过所述包含嵌入层的上下文编码器以得到训练检测特征向量；

S160：以所述训练检测特征向量作为查询特征向量与所述训练参考特征矩阵进行相乘以得到训练解码特征向量；

S170：将所述训练解码特征向量通过所述解码器以得到解码损失函数值；

S180：计算所述多个训练参考特征向量的多分布二元回归质量损失函数值；以及

S190：计算所述解码损失函数值和所述多分布二元回归质量损失函数值的加权和作为损失函数值来对所述包含嵌入层的上下文编码器和所述解码器进行训练。

10.根据权利要求9所述的用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管的制备方法，其特征在于，所述步骤S180，包括：

以如下公式计算所述多个训练参考特征向量的所述多分布二元回归质量损失函数值；

其中，所述公式为：

其中，到是所述多个训练参考特征向量中的各个训练参考特征向量，是基准特征向量，表示向量经由所述解码器的解码回归结果，表示向量的1范数，表示所述多分布二元回归质量损失函数值，表示以2为底的对数函数。

Images