买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东圣文环保科技有限公司申请的专利一种稀释法烟气监测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116519555B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310483766.9，技术领域涉及：G01N15/06；该发明授权一种稀释法烟气监测系统是由冯昌凤;张美根;刘厚凤;韩霄;孙杨;王德义;梁玉杭设计研发完成，并于2023-04-25向国家知识产权局提交的专利申请。

本一种稀释法烟气监测系统在说明书摘要公布了：本发明公开了一种稀释法烟气监测系统，用于废气污染源排放过程中的连续监测，包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元，所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备，所述数据采集与处理单元还包括分析模块和执行模块，分析模块用于获取烟气压力变化值，通过构建以烟气压力变化值为输入，以探头稀释比修正数值为输出的BP神经网络预测模型，并通过模型预测探头稀释比修正数值，执行模块与分析模块通信连接，用于获取预测的探头稀释比修正数值，并将探头稀释比修正数值输入分析仪器中，实现对探头稀释比的自动修正。

本发明授权一种稀释法烟气监测系统在权利要求书中公布了：1.一种稀释法烟气监测系统，用于废气污染源排放过程中的连续监测，包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元，所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备，其中，数据采集与传输设备分别与分析仪器、颗粒物监测单元、气态污染物监测单元、烟气参数监测单元均通信连接，其特征在于：所述数据采集与处理单元还包括分析模块和执行模块，分析模块用于获取烟气压力变化值，通过构建以烟气压力变化值为输入，以探头稀释比修正数值为输出的BP神经网络预测模型，并通过模型预测探头稀释比修正数值；执行模块与分析模块通信连接，用于获取预测出的探头稀释比修正数值，并将探头稀释比修正数值输入分析仪器中，实现对探头稀释比的自动修正； 烟气压力变化值的分析模块具体步骤包括： 步骤S1,烟气压力变化值采集：使用烟气参数监测单元中的传感器采集烟气压力变化值，并将其传输给数据采集与处理单元； 步骤S2,数据预处理：对采集到的烟气压力变化值进行滤波、去噪和校准预处理操作； 步骤S3,BP神经网络预测模型的构建：将预处理后的烟气压力变化值作为BP神经网络的输入数据，将探头稀释比修正数值作为输出数据，通过训练得到一个稳定的预测模型； 步骤S4,模型预测：使用训练好的BP神经网络模型对新的烟气压力变化值进行预测，得到探头稀释比修正数值； 步骤S5,执行模块处理：将预测出的探头稀释比修正数值传输给执行模块，进行相应的修正操作； 在步骤S3中，BP神经网络模型的构建过程如下： 假设输入层有m个神经元，隐含层有n个神经元，输出层有k个神经元，输入向量为X，输出向量为Y，第i个隐含层神经元的输出为hi，第j个输出层神经元的输出为yj； 输入层到隐含层的计算公式为： hi=fsumwj,i*Xj+bi； 其中，wj,i表示输入层第j个神经元到隐含层第i个神经元的连接权重，bi表示隐含层第i个神经元的偏置，f为sigmoid函数或ReLU函数； 隐含层到输出层的计算公式为： yj=gsumwi,j*hi+bj 其中，wi,j表示隐含层第i个神经元到输出层第j个神经元的连接权重，bj表示输出层第j个神经元的偏置，g为激活函数； BP神经网络的训练过程包括前向传播和反向传播两个阶段，前向传播时，将输入向量X输入到网络中，得到输出向量Y；反向传播时，计算输出误差，并利用误差反向传播更新连接权重和偏置，使网络的输出误差最小化；其中，BP神经网络的误差公式为： E=12*sumyj-Yj^2； 其中，Yj为训练集中第j个样本的期望输出，yj为网络的实际输出；BP神经网络的权重和偏置更新公式为： wi,jt+1=wi,jt-η*δj*hibjt+1=bjt-η*δj； wj,it+1=wj,it-η*δj*Xibit+1=bit-η*δj； 其中，η为学习率，δj为第j个神经元的误差项； BP神经网络预测模型的构建步骤包括： 步骤1，数据预处理：将获取的烟气压力变化值数据归一化处理，获取标准化数据集合，采用最大最小值归一化方法，将数据转化到[0,1]区间内；公式为： ； 其中，x为原始数据，x'为归一化后的数据，min和max分别为原始数据中的最小值和最大值； 步骤2，设计BP神经网络的结构：BP神经网络的结构包括输入层、隐藏层和输出层；输入层的节点数等于输入数据的维度，输出层的节点数等于输出数据的维度，隐藏层的节点数需要根据实际情况进行调整；公式为： ;其中，fx为sigmoid函数或ReLU函数； 步骤3，将获取的标准化数据集合分割为训练集和测试集，其中，训练集占比为70%～80%，测试集占比为20%～30%； 步骤4，使用训练集数据对BP神经网络进行训练，设置训练的最大时期、目标误差、学习率；训练过程中，采用反向传播算法进行权值更新，以最小化误差函数；误差函数为： ; 其中，yk为训练集的标签值，为BP神经网络的预测值； 步骤5，模型的验证：使用测试集对训练完成的神经网络进行测试，计算预测误差和准确率；预测误差采用均方误差MSE或者平均绝对误差MAE进行计算；公式为： ； ； 其中，yi为测试集的标签值，为BP神经网络的预测值； 步骤6，模型的优化：根据验证过程中的结果，调整神经网络的结构、学习率、权值优化算法，重新进行训练和验证至模型的预测误差和准确率小于设定阈值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东圣文环保科技有限公司，其通讯地址为：264006 山东省烟台市经济技术开发区汕头大街13号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。