朱华天-基于联邦学习算法的scr催化剂失效预测docx (1)

　　

针对SCR催化剂失效数据分散于不同电厂、难以集中建模的实际问题，提出基于横向联邦学习的失效预测方法。辨识比表面积与中毒成分累积量为关键失效特征，构建由中心服务器与多个客户端协同训练的联邦学习框架，各客户端以催化剂温度和氨逃逸率为输入、剩余使用寿命为输出，在数据不出厂的前提下完成本地SVR模型训练与全局参数聚合。实验模拟3个电厂客户端的分布式场景，对7种典型失效状态样本进行预测。结果表明，本文方法预测R2值稳定高于0.9，MSE为10523小时，RMSE为102.6小时，MAE为78.3小时，预测精度显著优于对照方法，在保障数据隐私的同时实现了催化剂失效状态的有效评估。

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则