CN116964304A - 用于提供催化剂的维护建议的系统、方法和计算机可读介质 - Google Patents

用于提供催化剂的维护建议的系统、方法和计算机可读介质 Download PDF

Info

Publication number
CN116964304A
CN116964304A CN202180095365.5A CN202180095365A CN116964304A CN 116964304 A CN116964304 A CN 116964304A CN 202180095365 A CN202180095365 A CN 202180095365A CN 116964304 A CN116964304 A CN 116964304A
Authority
CN
China
Prior art keywords
catalyst
distribution
training data
readable medium
gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180095365.5A
Other languages
English (en)
Inventor
Y·刘
W·希兹尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BASF Corp
Original Assignee
BASF Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BASF Corp filed Critical BASF Corp
Publication of CN116964304A publication Critical patent/CN116964304A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/864—Removing carbon monoxide or hydrocarbons
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/8696—Controlling the catalytic process
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2438—Active learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2255/00—Catalysts
    • B01D2255/10—Noble metals or compounds thereof
    • B01D2255/102—Platinum group metals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2257/00—Components to be removed
    • B01D2257/50—Carbon oxides
    • B01D2257/502—Carbon monoxide
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2257/00—Components to be removed
    • B01D2257/70—Organic compounds not provided for in groups B01D2257/00 - B01D2257/602
    • B01D2257/708—Volatile organic compounds V.O.C.'s
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2258/00—Sources of waste gases
    • B01D2258/02—Other waste gases
    • B01D2258/0283—Flue gases
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2550/00—Monitoring or diagnosing the deterioration of exhaust systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Catalysts (AREA)
  • Exhaust Gas After Treatment (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

公开了用于基于经训练的机器学习模型提供催化剂的维护建议的方法、系统和计算机可读介质。该方法包括：从多个催化剂中的每个催化剂提取包括一个或多个参数的训练数据；根据至少一种催化剂特征、催化剂的污染中的至少一种对训练数据进行分类；基于从多个催化剂中的催化剂中提取的一个或多个参数，从分类的训练数据中确定特征向量；根据气体的破坏去除效率(DRE)，从训练数据生成性能基线曲线；以及基于经训练的机器学习模型提供催化剂的维护建议。

Description

用于提供催化剂的维护建议的系统、方法和计算机可读介质
技术领域
本公开涉及用于使用经训练的机器学习模型来提供催化剂的维护建议的系统、方法和计算机可读介质。
背景技术
全世界家庭和企业使用的大部分电力是在燃烧化石燃料(例如煤、石油、天然气)的发电厂中产生的。由此产生的热废气(烟道气)驱动燃气轮机或使水沸腾以产生转动涡轮机以产生电力的蒸汽。烟道气流随后被排放到大气中。
在其它气体中，烟道气可含有挥发性有机化合物(VOC)和一氧化碳(CO)。大气中的CO和VOC可导致多种健康和环境问题。VOC也是地面臭氧(O3)的前体，而臭氧(O3)可导致烟雾的形成。因此，联邦、州和地方环境法规要求烟气在排放到大气中之前必须经过处理以降低VOC和一氧化碳的水平。
通常，充满VOC和一氧化碳的烟道气在含有催化剂的催化氧化器中进行处理，催化剂将通过将污染物氧化转化成水和二氧化碳来降低这些污染物的水平。这种催化剂通常包括贵金属成分，诸如铂、钯、铑、铱、锇和钌；诸如钒、铜、锰、铈、铬的金属成分；以及金属氧化物催化剂，诸如氧化锰或氧化铬，以及这种金属和/或金属氧化物催化剂的组合。这些催化剂材料的费用要求优化催化剂的有效寿命。此外，更换催化剂并不是简单的操作，并且通常需要关闭全部或部分排放烟气的工厂，从而将未实现的产出添加到更换的总成本中。
因此，工厂操作员有必要预测催化剂何时将达到其有效寿命的终点，并基于他们的预测更换催化剂。然而，给定催化剂的运行条件(例如发电厂的燃料质量和工作循环)不断变化，并且很难将从一个工厂或涡轮机组收集的数据应用于另一工厂或涡轮机组。此外，影响给定催化剂的性能和老化的现场过程尚未完全了解。因此，以任何准确度预测给定工业或发电应用中催化剂的寿命终止都是困难且耗时的。这使得操作员很难在设备允许的短暂停机时间内就是否保留或更换给定的催化剂提出足够准确的建议。
发明内容
本公开通过提供使用机器学习技术来定量定义特定反应中催化剂的性能基线曲线的方法、系统和计算机可读介质，使机器学习技术承担关于何时更换给定催化剂的决定，以便根据客观标准提出催化剂维护建议。在示例性过程中，然后可以确定现场使用的催化剂的性能和污染水平并与性能基线曲线进行比较。如果催化剂的性能高于基线曲线，则可以维持催化剂的使用。如果样品性能处于或低于基线曲线，则可以更换催化剂。
特别地，本公开提出了一种执行方法的催化剂性能工具(CPT)，该方法包括：(a)使用计算机系统从多个催化剂中的每个催化剂中提取包括一个或多个参数的训练数据，其中，每个参数从多个催化剂中的相应催化剂收集；(b)根据至少一种催化剂特征、催化剂的污染和催化剂的老化时间中的至少一种对训练数据进行分类；(c)基于从多个催化剂中的催化剂中提取的一个或多个参数，从分类的训练数据中确定特征向量，其中，特征向量指示催化剂是正常还是异常运行；(d)使用计算机系统生成机器学习模型，其中，机器学习模型基于特征向量进行训练，以预测催化剂的功能和性能；(e)使用计算机系统根据气体的破坏去除效率(DRE)从训练数据生成性能基线曲线；以及(f)由计算机系统基于经训练的机器学习模型提供催化剂的维护建议。本公开的方法还通过计算机系统基于经训练的机器学习模型提供对催化剂的维护建议，包括提供以下至少一项：(i)维持(或不维持)催化剂的建议；(ii)在当前时间更换(或不更换)催化剂的建议；以及(iii)在未来时间更换(或不更换)催化剂的建议。本公开还呈现了用于执行所公开的方法的系统和计算机可读介质。
附图说明
图1示出用于执行符合本公开的方法的示例性系统1000。
图2是示出用于生成催化剂的维护建议的方法2000的流程图。
图3是示出图2的方法2000的进一步细节的流程图。
图4示出从BASF金属箔CO氧化催化剂服务案例的样品收集的数据湖的示例性部分。
图5示出从安装在图4中所示的示例性燃气轮机单元A-E中的BASF金属箔CO氧化催化剂服务案例的采样收集的数据湖的另一部分。
图6是示出用于生成催化剂的维护建议的另一种方法4000的流程图。
图7示出关于本公开的第一测试示例生成的候选性能分布函数(PDF)。
图8示出关于第一示例生成的Pareto-Levy稳定分布PDF。
图9示出关于第一示例生成的CO DRE曲线。
图10示出第一示例中发现的污染物的水平。
图11示出关于本公开的第二测试示例生成的CO DRE曲线。
图12示出第二示例中发现的污染物的水平。
具体实施方式
本公开的催化剂性能工具(CPT)提供用于数据分析和挖掘以及预测模型的开发和选择的工具和方法。对给定催化剂性能的评估分为四个主要阶段：(1)使用从先前服务案例收集的数据湖来训练机器学习模型；(2)从请求催化剂使用建议的新的服务案例中收集数据；(3)使用经训练的机器学习模型给出催化剂使用建议；以及(4)来自新的服务案例的数据被添加到数据湖中。
概括地说，CPT可以基于数据湖中收集的信息生成催化剂的维护建议。除其它数据点外，数据可包括不同入口温度处的CO DRE。可以使用探索性数据分析技术对数据进行预处理，诸如主成分分析和自组织映射。可以基于变量之间的相关性来识别关键输入变量。然后可以使用初步数据集来筛选各种机器学习技术。基于筛选结果，可以使用完整数据集选择和细化特定的机器学习技术。然后可以使用细化的机器学习技术来生成性能基线曲线。
然后可以将从新的服务案例获得的数据与性能基线曲线进行比较，并且可以通过将观察到的差异与相关输入变量连接来识别基线与新的服务案例之间的差异。基于该比较，可以关于新的服务案例生成维护建议。从每个新的服务案例导出的数据可以迭代地添加到数据湖中，并用于进一步细化性能基线曲线。
维护建议可以识别催化剂对于给定工厂或应用是否可以按预期运行，并且如果催化剂没有按预期运行，则维护建议可以进一步识别催化剂没有按预期运行的原因。
图1示出用于执行符合本公开的方法的示例性系统1000。
如图1中所示，系统1000可以使用客户端/服务器架构来实现，包括执行用户应用的一个或多个客户端处理设备11001-N，以及执行服务器应用的一个或多个服务器端处理设备12001-N。客户端处理设备1100可以经由电子接口1300(例如有线和/或无线通信接口，诸如广域网(WAN)接口、局域网(LAN)接口或互联网)与服务器端处理设备1200通信。可替代地，系统1000可以被实现为独立的处理设备，例如处理设备11001。
客户端处理设备1100可以被实现为瘦客户端或胖客户端，例如使用个人计算机、服务器终端、移动设备等，并且可以采取例如台式机、膝上型计算机或手持设备的形式。如图1中所示，客户端处理设备1100可以各自包括通过总线1130可操作地耦合的一个或多个处理单元1110和存储器1120。
处理单元1110可以包括被编程为执行符合本公开的方法的一个或多个处理器(例如，微处理器)以及相关联的硬件、软件和/或硬连线逻辑电路。处理器可以单独或并行操作。存储器1120可以包括非暂态计算机可读介质，例如只读存储器(ROM)和随机存取存储器(RAM)。在不同时间，执行在此公开的方法所需的计算机可读指令、数据结构、程序模块和数据可以存储在存储器1120的ROM和/或RAM部分中。特别地，存储器1120可以存储操作系统、一个或多个客户端应用程序(例如，计算机或移动应用程序)和/或程序模块以及程序数据。总线1130可以包括存储器总线或存储器控制器、外围总线和本地总线，每个总线使用多种总线架构中的任何一种来实现。
客户端处理设备1100还可各自包括一个或多个用户输入设备1140和输出设备1150。输出设备可包括例如监视器、显示器、扬声器和/或打印机，用于向用户输出信息。用户输入设备1140可以包括例如键盘、麦克风、扫描仪和/或诸如鼠标或触摸屏的定点设备，用于与显示器或监视器上显示的图形用户界面协作来输入命令或数据。
服务器端处理设备1200可以使用个人计算机、网络服务器、网页服务器、文件服务器等来实现。如图1中所示，服务器端处理设备1200可以各自包括通过总线1230可操作地耦合的一个或多个处理单元1210和存储器1220。
处理单元1210可以包括被编程为执行符合本公开的方法的一个或多个处理器(例如，微处理器)以及相关联的硬件、软件和/或硬连线逻辑电路。处理器可以单独或并行操作。存储器1220可以包括非暂态计算机可读介质，例如只读存储器(ROM)和随机存取存储器(RAM)二者。在不同时间，执行在此公开的方法所需的计算机可读指令、数据结构、程序模块和数据可以存储在存储器1220的ROM和/或RAM部分中。特别地，存储器1220可以存储操作系统、一个或多个服务器端应用程序和/或程序模块以及程序数据。总线1230可以包括存储器总线或存储器控制器、外围总线和本地总线，每个总线使用多种总线架构中的任何一种来实现。
在一些实现方式中，系统1000可以进一步包括一个或多个传感器输入1400，用于提供执行符合本公开的方法所需的数据。传感器输入可包括用于收集这种数据的实验室和/或测试设备，诸如高分辨率透射电子显微镜(TEM)1410、X射线衍射仪(XRD)1420、X射线光电子能谱仪(XPS)1430、电感耦合等离子体质谱仪(ICP-MS)1440、傅里叶变换红外(FTIR)光谱仪1450、能量色散光谱仪(EDS)1460、CCD相机1470、性能评估反应器(PER)系统1480，和/或气体过滤相关CO分析仪(GFC)1490。
图2是概括地示出用于生成催化剂的维护建议的方法2000的流程图。方法2000可以通过执行存储在存储器1120和/或1220中的计算机可读指令、数据结构和/或程序模块来实现。
在步骤2100中，可以使用从先前服务案例收集的数据湖来训练机器学习模型。数据湖可以存储在存储器1120和/或1220中的一个或多个中，并且可以进一步分布在多个这种存储器上。机器学习模块可以使用一个或多个服务器端处理设备1200、通过一个或多个客户端处理设备1100，或者串行和/或并行操作的这种设备的组合来训练和执行。
在步骤2200中，可以从可以请求催化剂使用建议的新的服务案例收集数据。例如，可以使用一个或多个传感器输入来收集数据，诸如TEM 1410、XRD 1420、XPS1430、ICP-MS1440、FTIR 1450、EDS1460、CCD相机1470、PER 1480和/或GFC 1490。
在步骤2300中，可以使用经训练的机器学习模型和从新的服务案例收集的数据来做出催化剂使用建议。例如，催化剂使用建议可以由在一个或多个服务器端处理设备1200、在一个或多个客户端处理设备1100或串行和/或并行操作的这种设备的组合上操作的经训练的机器学习模型来确定，并使用诸如显示器或打印机的输出设备1150输出给用户。
在步骤2400中，来自新的服务案例的数据可以被添加到可用数据湖中，其中它可以被用来进一步训练和细化机器学习模型。例如，来自新的服务案例的数据可以被添加到存储在存储器1120和/或1220中的一个或多个存储器中的数据湖。
图3是更详细地示出图2的方法2000的流程图。特别地，图3示出可以在步骤2100至2300内执行的某些子步骤。
如图3中所示，在使用从先前服务案例收集的数据湖来训练机器学习模型时(步骤2100)，可以从先前服务案例的数据湖中提取数据(子步骤2110)。可以基于预处理数据之间的相关性来识别关键输入变量(子步骤2120)。然后可以通过探索性数据分析技术来预处理数据(子步骤2130)。
然后可以使用包括完整数据集的子集的初步数据集来筛选各种机器学习技术(子步骤2140)。然后可以使用完整数据集来选择和细化最适合的机器学习技术(子步骤2150)。
在从可以请求催化剂使用建议的新的服务案例收集数据时(步骤2200)，可以从新的服务案例中提取可用数据(子步骤2210)。来自新的服务案例的数据然后可以通过探索性数据分析技术进行预处理(子步骤2220)，并且然后可以从新的服务案例中提取关键输入变量(子步骤2230)。
在使用经训练的机器学习模型做出催化剂使用建议时(步骤2300)，可以使用先前细化的机器学习技术来创建基线案例，并且可以使用新的服务案例来识别机器学习技术的关键输入变量(子步骤2310)。然后可以识别基线和新的服务案例之间的性能和污染曲线之间的任何差异(子步骤2320)。然后可以将观察到的基线和新的服务案例之间的差异与相关的关键输入变量进行关联(子步骤2330)。然后，维护建议可以基于基线和新的服务案例之间的比较(子步骤2340)。
如前所述，从新的服务案例收集的数据然后可以被添加到来自先前服务案例的数据湖中(步骤2400)。
在此描述的系统和方法可以关于多种催化剂来实现。在一些实现方式中，例如，催化剂可以是多相催化剂。催化剂还可以是固体负载催化剂。催化剂可包括一种或多种铂族金属，诸如钌、铑、钯、锇、铱和铂。
图4示出从安装在示例性燃气轮机单元A-C中的BASF金属箔CO氧化催化剂服务案例的样品收集的数据湖的示例性部分。尽管该数据是代表性的，但它绝不是限制性的，并且在此描述的数据湖可以从其它类型的催化剂中提取，并且可以包括图4中所示的参数的全部、一些或不包括。
在图4中，单元标识符(第1行)可以是唯一地识别特定涡轮机单元的字母数字文本串。单元标识符可以被交叉引用以识别单元可以安装的位置，例如通过工厂名称、单元编号和/或地理坐标。
工厂配置(第2行)指示工厂配置的类型，诸如用于峰值负载供电的简单循环燃气轮机和用于基于负载发电的联合循环燃气轮机。涡轮机模型(第3行)可以是指示主题涡轮机的商业模型的型号或其它标识符，例如通用电气LM6000涡轮轴航改燃气涡轮发动机、阿尔斯通GT 24燃气涡轮机或其它涡轮机模型。
涡轮机类型(第4行)指示涡轮机的类型，例如航改型或重型框架型。
起始年份(第5行)识别涡轮机单元的设计或制造年份。
安装日期(第6行)识别涡轮机单元的安装日期。
箔p(第7行)识别/>箔的定制设计。
PGM负载量(第8行)指示铂族金属的负载量，例如以克/立方英尺为单位。
Pt和Pd比率#(第9行)指示催化剂的铂和钯比率数。
单元密度(第10行)指示催化剂单元的密度，例如以单元/平方英寸为单位。
箔长度(第11行)指示催化剂箔长度，例如以英寸为单位。
几何表面积(第12行)指示催化剂的表面积与体积之比，例如以平方英尺比立方英尺为单位。
运行小时数(第13行)指示催化剂已经处于涡轮机的有效排气流中的小时数。
新鲜Al(第14行)指示新鲜催化剂上铝的原子百分比，如通过XPS光谱分析确定。
第15-24行中的数据分别表示如通过XPS光谱分析确定的老化催化剂中的铁(Fe)、镍(Ni)、磷(P)、锌(Zn)、钙(Ca)、钡(Ba)、硅(Si)、钠(Na)、钾(K)、硫(S)的原子百分比。该元素列表并非详尽无遗，并且在一些实施例中，XPS光谱可以量化附加元素，诸如铝(Al)、碳(C)、锡(Sn)、铬(Cr)、铅(Pb)、锰(Mn)、镁(Mg)、砷(Ar)、钼(Mo)、锑(Sb)和钛(Ti)。在一些实现方式中，XPS光谱可以通过定量或半定量表面分析来描述。
最后，TSR按钮VHSV(第25行)是在技术服务请求时测试的催化剂样品在标准条件(倒数小时)下的体积每小时空速。
图5示出从安装在图4中所示的示例性燃气轮机单元AC中的BASF金属箔CO氧化催化剂服务案例的采样收集的数据湖的另一部分。具体地，图5示出在325、400、500、600和800°F的入口温度下在给定VHSV处测量的CO DRE。
图6是示出用于生成催化剂的维护建议的另一种方法6000的流程图。
在步骤6100中，系统1000可以从多个催化剂中的每个催化剂提取包括一个或多个参数的训练数据，使得从多个催化剂中的每个相应的催化剂收集每个参数。例如，系统可以提取一组训练数据，如上面结合图4-5所述。
在步骤6200中，可以根据训练数据中描述的至少一种催化剂特征对训练数据进行分类。例如，该至少一种催化剂特征可包括铂族金属的负载、铂与钯(Pt:Pd)比率和单元密度。在一些实现方式中，训练数据可以根据催化剂的污染和催化剂的老化时间中的至少一种来分类。可替代地，可以根据催化剂的污染和催化剂的老化时间二者对训练数据进行分类。在这方面，污染物可包括Fe、Ni、Sn、Cr、Pb、Ti、Mn、Sb、P、Zn、Ca、Mg、Ba、Mo、Si、Na、K、S和As中的一种或多种。污染物的浓度可以通过XPS或ICP-MS确定。
在步骤6300中，可以基于从多个催化剂中的每个催化剂提取的一个或多个参数，从分类的训练数据中确定特征向量。可以选择特征向量以便指示催化剂是正常还是异常运行。在一些实现方式中，特征向量可以指示给定入口温度下气体的转化水平。例如，特征向量可以指示在325°F和800°F之间的入口温度下CO的转化水平。在一些实现方式中，特征向量可以指示给定空速下气体的转化水平。例如，特征向量可以指示在100000h-1和500000h-1之间的空速下CO的转化水平。
在一些实现方式中，特征向量的确定包括：使用计算机系统检测催化剂的性能和污染的两个或更多个概率密度函数(PDF)中的最优PDF。在一些实现方式中，在选择最优PDF之前，可以生成并评估数十个候选PDF。
PDF可包括以下分布中的两个或更多个：Alpha分布、Anglit分布、反正弦分布、Beta分布、Beta Prime分布、Bradford分布、Burr分布、Cauchy分布、折叠Cauchy分布、半Cauchy分布、包裹Cauchy分布、Chi分布、卡方分布、非中心卡方分布、余弦分布、Gamma分布、双Gamma分布、广义Gamma分布、倒Gamma分布、对数Gamma分布、皮尔逊III型分布、威布尔分布、威布尔最小分布、威布尔最大分布、双威布尔分布、指数威布尔分布、逆威布尔分布、Erlang分布、指数分布、广义指数分布、截断指数分布、指数修正正态分布、正态分布、折叠正态分布、广义正态分布、半正态分布、对数正态分布、功率正态分布、功率对数正态分布、R正态分布、截断正态分布、半指数功率分布、F分布、非中心F分布、疲劳寿命(Birnbaum-Saunders)分布、逻辑分布、对数逻辑分布、广义逻辑分布、半逻辑分布、广义半逻辑分布、帕累托分布、广义帕累托分布、广义极值分布、高斯超几何分布、逆高斯分布、倒数逆高斯分布、吉尔布拉特分布、Gompertz分布、Gumbel分布、右偏Gumbel分布、左偏Gumbel分布、双曲正割分布、Johnson SB分布、Johnson SU分布、Yeo Johnson分布、Kolmogorov-Smirnov单侧测试分布、Kolmogorov-Smirnov双侧测试分布、拉普拉斯分布、对数Laplace分布、Levy分布、左偏Levy分布、Pareto-Levy稳定分布、Lomax分布、Maxwell-Boltzmann分布、MielkeBeta-Kappa分布、Nakagami分布、T分布、非中心T分布、幂律分布、倒数分布、瑞利分布、莱斯分布、半圆分布、三角分布、Tukey Lambda分布、均匀分布、广义T分布和Wald分布。
在步骤6400中，系统可以生成机器学习模型，该机器学习模型可以基于所选的特征向量进行训练，以预测催化剂的功能和性能。可以使用监督或无监督训练技术来训练机器学习模型。
监督学习允许基于可以从训练集生成的数据模型进行预测。合适的监督学习技术可以包括例如决策树、K最近邻和高斯朴素贝叶斯技术。无监督学习方法从训练数据本身生成数据模型。合适的监督学习技术可以包括例如人工神经网络、支持向量机、线性判别分析和逻辑回归技术。可以使用其它合适的监督和无监督学习技术，诸如贝叶斯网络遗传算法/遗传编程、模拟退火、集合的缠结层次结构、递归分区、聚类、隐马尔可夫模型、模糊方法、语义网络、朴素贝叶斯相似性映射、支持向量机、自组织映射和高斯过程技术。
在步骤6500中，系统可以根据气体(例如，在325°F和800°F之间入口温度的CO气体)的DRE从训练数据生成性能基线曲线。例如，可以使用模式识别技术来生成性能基线曲线。
在步骤6600中，系统基于所训练的机器学习模型提供催化剂的维护建议。催化剂的维护建议可替代地或其某种组合指示：催化剂应该(或不应该)在使用中维持、催化剂当前时间应该(或不应该)被更换，或者催化剂应该(或不应该)在未来日期更换。
示例
以下非限制性示例示出所公开的系统和方法以及计算机可读介质的各个方面和特征。
在第一测试示例中，使用流通式反应器使用整体式样品在500,000h-1的空速下测量催化剂活性和性能。CO和H2O的起始浓度分别为约100ppm和1.5％。气态反应物(来自与氮气(N2)混合的储气罐或通过将N2鼓泡通过有机液体)在进入反应器之前与空气混合。反应器中典型的氧气(O2)浓度约为10％。通过Teledyne T300型气体过滤相关CO分析仪对反应产物进行识别和定量。
贵金属形态和微晶尺寸通过高分辨率TEM和XRD来表征。通过XPS确定贵金属的氧化态和形态。
使用Spirit软件在具有Bruker Ge EDS系统的JEOL JEM2011 200KeV LaB6源显微镜上收集TEM数据。采用底部安装的Gatan 2K CCD相机和数字显微图像采集软件捕获数字图像。所有粉末样品均作为干分散体在200目花边碳涂层Cu网格上制备和分析。
使用具有45kV和40mA的CuK-α辐射发生器设置的PANalytical MPD X'Pert Pro衍射系统收集XRD数据。光路由1/4°发散狭缝、0.04弧度索勒狭缝、15mm掩模、1/2°防散射狭缝、样品、0.04弧度索勒狭缝、Ni滤光片和PIXCEL位置敏感检测器组成。首先通过在研钵和研杵中研磨，并且然后将样品(约2克)装入圆形底座中来制备样品。使用步长为0.026°2θ的步进扫描和每步600秒的计数时间，从圆形安装座收集的数据覆盖了从10°到90°2θ的范围。使用Jade Plus 9分析XRD软件对XRD粉末图谱进行了仔细的峰拟合。通过搜索/匹配来自国际衍射数据中心(ICDD)的PDF-4/完整文件数据库来识别每个样品中存在的相。PdO的微晶大小通过观察的数据的全模式拟合(WPF)和晶体结构的Rietveld细化来估计。
XPS光谱是在Thermo-Fisher K-Alpha XPS系统上获取的，该系统具有使用40eV通过能量(高分辨率)的铝KAlpha单色源。在低于5×10-8托的真空下将样品安装在双面胶带上。使用Scofield敏感性因子和Avantage软件进行定量。
参考图2的方法2000，系统1000首先从存储在数据湖中的先前催化剂案例中提取CO DRE和污染数据(步骤2100)。
接下来(步骤2200)，使用模式识别算法来创建性能和污染的PDF。如图7中所示，90种不同类型的候选PDF在600°F下进行了CO DRE筛选。如图8中所示，基于指示数据符合Pareto-Levy稳定曲线的置信度为86％的概率值(p值)，Pareto-Levy稳定分布被确定为最优分布。600°F下的CO DRE分布定量预测：(1)总群体中的50％具有CO DRE>89.6％；以及(2)60％CO DRE为4.2％。然后，通过确定不同入口温度(具体地，325、400、500、600和800°F)下总群体的50％的CO DRE来生成基线CO DRE曲线。基线污染曲线通过类似的方式获得。
在步骤2300中，在与数据湖中表示的其它催化剂案例相同的条件下测试新的催化剂案例。结果被馈入基于神经网络算法的异常检测器，以通过将新案例的性能和污染曲线与图8中所示的Pareto-Levy稳定基线进行比较，将新案例分类为“正常”或“异常”。
如图9中所示，新催化剂案例具有高于基线CO DRE曲线的CO DRE曲线。因此，从性能角度来看，该案例被分类为“正常”。然而，如图10中所示，如半定量XPS表面分析所确定的，新案例也具有比基线污染曲线更高水平的表面污染物，包括Si、Ca、Na、As、Fe、P、S和Ba。因此，从污染物的角度来看，该案例被分类为“异常”。
因此，催化剂使用建议是维持当前操作并识别污染源以使催化剂使用寿命最大化。
作为最后步骤(步骤2400)，来自该新案例的数据被添加到数据湖并用于进一步训练和细化机器学习模型。
在第二测试示例中，如上面关于第一示例所解释的那样进行图2的方法的步骤2100和2200。
在步骤2300中，在与步骤2100中的其它催化剂案例相同的条件下测试第二新催化剂。如图11中所示，发现该第二案例具有部分低于基线的CO DRE曲线。因此，从性能角度来看，该案例被分类为“异常”。
如图12中所示，第二示例的污染曲线与基线污染曲线的比较表明不存在污染物的过度表面积累。从污染物的角度来看，该案例是“正常的”。执行酸洗以验证该污染评估。酸洗并没有改善CO DRE性能。因此，由于系统排放接近合规限值，催化剂使用建议是更换催化剂。
作为最后步骤(步骤2400)，来自该新案例的数据被添加到数据湖并用于进一步训练和细化机器学习模型。
前述描述是为了说明的目的而呈现的。它不是详尽的并且不限于所公开的精确形式或实施例。通过考虑说明书和所公开的实施方式的实践，实施例的修改和适应将是显而易见的。例如，虽然系统1000的某些组件已被描述为彼此耦合，但这些组件可以彼此集成或以任何合适的方式分布。
此外，虽然在此已经描述了示例性实施例，但是范围包括具有基于本公开的等同元件、修改、省略、组合(例如，跨各种实现的方面)、改编或变更的任何和所有实施例。权利要求的要素应基于权利要求中使用的语言来广义地解释，并且不限于本说明书中或在本申请的审查期间描述的示例，这些示例应被解释为非排他性的。此外，所公开的方法的步骤可以以任何方式修改，包括重新排序步骤或者插入或删除步骤。特别地，非相关步骤可以以任何顺序或并行地执行。
通过考虑在此公开的实施例的说明书和实践，其它实施例将是显而易见的。说明书和示例旨在仅被视为示例，所公开的实施例的真实范围和精神由所附权利要求指示。

Claims (57)

1.一种方法，包括：
使用计算机系统从多个催化剂中的每个催化剂提取包括一个或多个参数的训练数据，其中，每个参数从所述多个催化剂中的相应催化剂收集；
根据至少一种催化剂特征、所述催化剂的污染和所述催化剂的老化时间中的至少一种对所述训练数据进行分类；
基于从所述多个催化剂中的催化剂中提取的所述一个或多个参数，从所分类的训练数据中确定特征向量，其中，所述特征向量指示所述催化剂是正常还是异常运行；
使用所述计算机系统生成机器学习模型以预测催化剂的功能和性能，其中，基于所述特征向量训练所述机器学习模型；
使用所述计算机系统根据气体的破坏去除效率(DRE)从所述训练数据生成性能基线曲线；以及由所述计算机系统基于所训练的机器学习模型提供所述催化剂的维护建议。
2.根据权利要求1所述的方法，其中，由所述计算机系统基于经训练的机器学习模型提供对所述催化剂的维护建议包括提供以下至少一项：
维持(或不维持)所述催化剂的建议；
在当前时间更换(或不更换)所述催化剂的建议；以及
在未来日期更换(或不更换)所述催化剂的建议。
3.根据权利要求1所述的方法，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
4.根据权利要求1所述的方法，其中，所述DRE包括在所述入口的给定温度下气体的转化百分比。
5.根据权利要求4所述的方法，其中，所述特征向量指示在325°F与800°F之间选择的温度下气体的转化水平。
6.根据权利要求4所述的方法，其中，所述特征向量指示在100000h-1与500000h-1之间的空速下气体的转化水平。
7.根据权利要求1所述的方法，其中，确定所述特征向量包括：
使用所述计算机系统检测所述催化剂的性能和污染的两个或更多个概率分布函数；
确定所述催化剂的所述性能和污染的所述两个或更多个概率分布函数中的最优概率分布函数。
8.根据权利要求7所述的方法，其中，概率分布函数选自正态分布、Weibull分布、Johnson SU分布、Cauchy分布、逻辑分布、对数逻辑分布、对数Gamma分布、Levy分布、Maxwell-Boltzmann分布、Gumbel分布、广义Pareto分布、非中心T分布、Pareto-Levy稳定分布和Gamma分布。
9.根据权利要求7所述的方法，其中，概率分布函数选自正态分布、逻辑分布、Weibull分布、Johnson SU分布和Pareto-Levy稳定分布。
10.根据权利要求1所述的方法，其中，所述气体选自一氧化碳(CO)、挥发性有机化学品(VOC)和臭氧(O3)。
11.根据权利要求1所述的方法，其中，所述污染物选自Fe、Ni、Sn、Cr、Pb、Ti、Mn、Sb、P、Zn、Ca、Mg、Ba、Mo、Si、Na、K、S以及As。
12.根据权利要求11所述的方法，其中，所述污染物通过X射线光电子能谱法或电感耦合等离子体质谱法确定。
13.根据权利要求1所述的方法，其中，所述催化剂是多相催化剂。
14.根据权利要求1所述的方法，其中，所述催化剂是固体负载催化剂。
15.根据权利要求1所述的方法，其中，所述催化剂包括铂族金属。
16.根据权利要求15所述的方法，其中，所述铂族金属选自钌、铑、钯、锇、铱和铂。
17.根据权利要求1所述的方法，其中，根据所述催化剂的所述污染和所述催化剂的所述老化时间中的至少一种对来自所述训练数据的所述性能基线曲线进行分类包括根据至少一种催化剂特征、所述催化剂的所述污染以及所述催化剂的所述老化时间对来自所述训练数据的所述性能基线曲线进行分类。
18.根据权利要求17所述的方法，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
19.根据权利要求1所述的方法，其中，使用所述计算机系统根据气体的DRE从所述训练数据生成所述性能基线曲线包括使用模式识别技术生成所述性能基线曲线。
20.一种系统，包括：
至少一个系统，其被配置为：
从多个催化剂中的每个催化剂提取包括一个或多个参数的训练数据，其中，每个参数从所述多个催化剂中的相应催化剂收集；
根据至少一种催化剂特征、所述催化剂的污染和所述催化剂的老化时间中的至少一种对所述训练数据进行分类；
基于从所述多个催化剂中的催化剂中提取的所述一个或多个参数，从所分类的训练数据中确定特征向量，其中，所述特征向量指示所述催化剂是正常还是异常运行；
生成机器学习模型以预测催化剂的功能和性能，其中，基于所述特征向量训练所述机器学习模型；
根据气体的破坏或去除效率(DRE)，从所述训练数据生成性能基线曲线；以及
基于经训练的机器学习模型提供所述催化剂的维护建议。
21.根据权利要求20所述的系统，其中，所述系统提供所述催化剂的维护建议，包括以下至少一项：
维持(或不维持)所述催化剂的建议；
在当前时间更换(或不更换)所述催化剂的建议；以及
在未来日期更换(或不更换)所述催化剂的建议。
22.根据权利要求20所述的系统，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
23.根据权利要求20所述的系统，其中，所述DRE包括在所述入口的给定温度下气体的转化百分比。
24.根据权利要求23所述的系统，其中，所述特征向量指示在325°F与800°F之间选择的温度下气体的转化水平。
25.根据权利要求23所述的系统，其中，所述特征向量指示在100000h-1与500000h-1之间的空速下气体的转化水平。
26.根据权利要求20所述的系统，其中，所述系统确定所述特征向量包括：
检测所述催化剂的所述性能和污染的两个或更多个概率分布函数；
确定所述催化剂的所述性能和污染的所述两个或更多个概率分布函数中的最优概率分布函数。
27.根据权利要求26所述的系统，其中，概率分布函数选自正态分布、Weibull分布、Johnson SU分布、Cauchy分布、逻辑分布、对数逻辑分布、对数Gamma分布、Levy分布、Maxwell-Boltzmann分布、Gumbel分布、广义Pareto分布、非中心T分布、Pareto-Levy稳定分布和Gamma分布。
28.根据权利要求26所述的系统，其中，概率分布函数选自正态分布、逻辑分布、Weibull分布、Johnson SU分布和Pareto-Levy稳定分布。
29.根据权利要求20所述的系统，其中，所述气体选自一氧化碳(CO)、挥发性有机化学品(VOC)和臭氧(O3)。
30.根据权利要求20所述的系统，其中，所述污染物选自Fe、Ni、Sn、Cr、Pb、Ti、Mn、Sb、P、Zn、Ca、Mg、Ba、Mo、Si、Na、K、S以及As。
31.根据权利要求30所述的系统，其中，所述污染物通过X射线光电子能谱法或电感耦合等离子体质谱法来确定。
32.根据权利要求20所述的系统，其中，所述催化剂是多相催化剂。
33.根据权利要求20所述的系统，其中，所述催化剂是固体负载催化剂。
34.根据权利要求20所述的系统，其中，所述催化剂包括铂族金属。
35.根据权利要求34所述的系统，其中，所述铂族金属选自钌、铑、钯、锇、铱和铂。
36.根据权利要求20所述的系统，其中，根据所述催化剂的所述污染和所述催化剂的所述老化时间中的至少一种对来自所述训练数据的所述性能基线曲线进行分类包括根据至少一种催化剂特征、所述催化剂的所述污染以及所述催化剂的所述老化时间对来自所述训练数据的所述性能基线曲线进行分类。
37.根据权利要求36所述的系统，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
38.根据权利要求20所述的系统，其中，使用所述计算机系统根据气体的所述DRE从所述训练数据生成所述性能基线曲线包括使用模式识别技术生成所述性能基线曲线。
39.一种非暂态计算机可读介质，包括：
用于从多个催化剂中的每个催化剂中提取包括一个或多个参数的训练数据的计算机程序代码段，其中，每个参数从所述多个催化剂中的相应催化剂收集；
用于根据至少一个催化剂特征、所述催化剂的污染和所述催化剂的老化时间中的至少一种对所述训练数据进行分类的计算机程序代码段；
基于从所述多个催化剂中的催化剂中提取的所述一个或多个参数，从所分类的训练数据中确定特征向量，其中，所述特征向量指示所述催化剂是正常还是异常运行；
用于生成机器学习模型以预测催化剂的功能和性能的计算机程序代码段，其中，基于所述特征向量训练所述机器学习模型；
用于根据气体的破坏或去除效率(DRE)从所述训练数据生成性能基线曲线的计算机程序代码段；以及
用于基于经训练的机器学习模型提供所述催化剂的维护建议的计算机程序代码段。
40.根据权利要求39所述的非暂态计算机可读介质，其中，用于生成系统的计算机程序代码段提供对所述催化剂的维护建议包括以下至少一项：
维持(或不维持)所述催化剂的建议；
在当前时间更换(或不更换)所述催化剂的建议；以及
在未来日期更换(或不更换)所述催化剂的建议。
41.根据权利要求39所述的非暂态计算机可读介质，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
42.根据权利要求39所述的非暂态计算机可读介质，其中，所述DRE包括在所述入口的给定温度下气体的转化百分比。
43.根据权利要求39所述的非暂态计算机可读介质，其中，所述特征向量指示在325°F与800°F之间选择的温度下气体的转化水平。
44.根据权利要求43所述的非暂态计算机可读介质，其中，所述特征向量指示在100000h-1与500000h-1之间的空速下气体的转化水平。
45.根据权利要求39所述的非暂态计算机可读介质，其中，用于确定所述特征向量的所述计算机程序代码段包括：
检测所述催化剂的所述性能和污染的两个或更多个概率分布函数；
确定所述催化剂的所述性能和污染的两个或更多个概率分布函数中的最优概率分布函数。
46.根据权利要求45所述的非暂态计算机可读介质，其中，概率分布函数选自正态分布、Weibull分布、Johnson SU分布、Cauchy分布、逻辑分布、对数逻辑分布、对数Gamma分布、Levy分布、Maxwell-Boltzmann分布、Gumbel分布、广义Pareto分布、非中心T分布、Pareto-Levy稳定分布和Gamma分布。
47.根据权利要求45所述的非暂态计算机可读介质，其中，概率分布函数选自正态分布、逻辑分布、Weibull分布、Johnson SU分布和Pareto-Levy稳定分布。
48.根据权利要求39所述的非暂态计算机可读介质，其中，所述气体选自一氧化碳(CO)、挥发性有机化学品(VOC)和臭氧(O3)。
49.根据权利要求39所述的非暂态计算机可读介质，其中，所述污染物选自Fe、Ni、Sn、Cr、Pb、Ti、Mn、Sb、P、Zn、Ca、Mg、Ba、Mo、Si、Na、K、S以及As。
50.根据权利要求49所述的非暂态计算机可读介质，其中，所述污染物通过X射线光电子能谱法或电感耦合等离子体质谱法来确定。
51.根据权利要求39所述的非暂态计算机可读介质，其中，所述催化剂是多相催化剂。
52.根据权利要求39所述的非暂态计算机可读介质，其中，所述催化剂是固体负载催化剂。
53.根据权利要求39所述的非暂态计算机可读介质，其中，所述催化剂包括铂族金属。
54.根据权利要求53所述的非暂态计算机可读介质，其中，所述铂族金属选自钌、铑、钯、锇、铱和铂。
55.根据权利要求54所述的非暂态计算机可读介质，其中，用于根据所述催化剂的所述污染和所述催化剂的所述老化时间中的至少一种对来自所述训练数据的所述性能基线曲线进行分类的所述计算机程序代码段包括根据至少一种催化剂特征、所述催化剂的所述污染以及所述催化剂的所述老化时间对来自所述训练数据的所述性能基线曲线进行分类。
56.根据权利要求55所述的非暂态计算机可读介质，其中，所述至少一种催化剂特征包括铂族金属的负载、铂族金属之间的比率和单元密度。
57.根据权利要求39所述的非暂态计算机可读介质，其中，使用所述计算机系统根据气体的所述DRE从所述训练数据生成所述性能基线曲线包括使用模式识别技术生成所述性能基线曲线。
CN202180095365.5A 2021-03-08 2021-11-30 用于提供催化剂的维护建议的系统、方法和计算机可读介质 Pending CN116964304A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163158343P 2021-03-08 2021-03-08
US63/158,343 2021-03-08
PCT/US2021/072626 WO2022191905A1 (en) 2021-03-08 2021-11-30 Systems, methods, and computer-readable media for providing a maintenance recommendation for a catalyst

Publications (1)

Publication Number Publication Date
CN116964304A true CN116964304A (zh) 2023-10-27

Family

ID=83228272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180095365.5A Pending CN116964304A (zh) 2021-03-08 2021-11-30 用于提供催化剂的维护建议的系统、方法和计算机可读介质

Country Status (8)

Country Link
US (1) US20240157296A1 (zh)
EP (1) EP4305283A1 (zh)
JP (1) JP2024510185A (zh)
KR (1) KR20230154429A (zh)
CN (1) CN116964304A (zh)
BR (1) BR112023017894A2 (zh)
CA (1) CA3210118A1 (zh)
WO (1) WO2022191905A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5896743A (en) * 1997-06-24 1999-04-27 Heraeus Electro-Nite International N.V. Catalyst monitor utilizing a lifetime temperature profile for determining efficiency
US8186151B2 (en) * 2009-06-09 2012-05-29 GM Global Technology Operations LLC Method to monitor HC-SCR catalyst NOx reduction performance for lean exhaust applications
EP2543840B1 (en) * 2011-07-06 2015-01-28 Ford Global Technologies, LLC Method for estimating the actual efficiency of catalysts placed in an exhaust path of a combustion engine during the operation time
JP6477951B1 (ja) * 2018-04-05 2019-03-06 トヨタ自動車株式会社 車載電子制御ユニット
US20200398859A1 (en) * 2019-06-20 2020-12-24 Cummins Inc. Reinforcement learning control of vehicle systems

Also Published As

Publication number Publication date
BR112023017894A2 (pt) 2023-10-10
CA3210118A1 (en) 2022-09-15
JP2024510185A (ja) 2024-03-06
WO2022191905A1 (en) 2022-09-15
EP4305283A1 (en) 2024-01-17
US20240157296A1 (en) 2024-05-16
KR20230154429A (ko) 2023-11-08

Similar Documents

Publication Publication Date Title
Wang et al. Exposure to ambient black carbon derived from a unique inventory and high-resolution model
CN107356710A (zh) 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统
US11971399B2 (en) Resonant sensor probe assembly
CN116204794A (zh) 一种考虑多维数据的变压器油中溶解气体预测方法及系统
Rivera et al. A design of experiments (DOE) approach to data uncertainty in LCA: application to nanotechnology evaluation
Rezazadeh Environmental pollution prediction of NOx by predictive modelling and process analysis in natural gas turbine power plants
CN116964304A (zh) 用于提供催化剂的维护建议的系统、方法和计算机可读介质
Kurniawan et al. Soft sensor for the prediction of oxygen content in boiler flue gas using neural networks and extreme gradient boosting
Chen et al. Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method
Kim et al. Machine learning‐based high‐throughput screening, strategical design and knowledge extraction of Pt/CexZr1− xO2 catalysts for water gas shift reaction
Liu et al. Accuracy improvement of fuel cell prognostics based on voltage prediction
Suyuti et al. Microcontroller ATMEGA8535 Based Design of Carbon Monoxide (CO) Gas Detector
Varghese et al. Robust Air Quality Prediction Based on Regression and XGBoost
Belu et al. Risk-cost model for FMEA approach through Genetic algorithms–A case study in automotive industry
Boger Who is afraid of the BIG bad ANN?
Liu et al. Multi-level air quality classification in China using information gain and support vector machine hybrid model
Raymand et al. Machine learning-based estimation of buildings' characteristics employing electrical and chilled water consumption data: Pipeline optimization
Lotesoriere et al. Electronic nose for odor monitoring at a landfill fenceline: Training and validation of a model for real-time odor concentration measurement
Chu et al. Pattern recognition of control charts based on data feature enhancement and ensemble learning of classifiers for dimensional accuracy of products
CN118329975B (zh) 一种大气污染在线识别评价方法及系统
CN118228089B (zh) 一种改进的变压器油中溶解气体故障诊断方法
CN118246705B (zh) 一种能源需求预测方法、系统、设备及介质
Trappey et al. Integrating real-time monitoring and asset health prediction for power transformer intelligent maintenance and decision support
Liang et al. Data-Driven Approaches for Predicting Catalyst Performance in CO2 Hydrogenation
Laayouj et al. Photovoltaic module health monitoring and degradation assessment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination