本发明涉及氨裂解制氢领域，具体涉及一种氨裂解制氢一体化反应装置。
背景技术：
1、随着全球对清洁能源的需求日益增长，氢气作为一种高效、清洁的能源载体受到了广泛关注。氨裂解制氢技术因其高效、安全的特点成为研究的热点。目前，氨裂解制氢技术主要依赖于高效催化剂的使用，其中钌基、镍基和铁基催化剂因其优异的裂解性能而被广泛研究。
2、然而，催化剂在长期使用过程中容易受到中毒，导致活性下降，从而影响整个制氢过程的效率。因此，如何实时监测催化剂状态并及时进行再生处理，成为了提高氨裂解制氢效率的关键技术之一。现有的技术主要依赖于离线分析和定期维护，这些方法不仅耗时耗力，而且难以实现实时监控和精确控制。针对这一问题，本方案提出了一种氨裂解制氢一体化反应装置，该装置集成了在线光谱检测模块和智能控制模块，能够实时监测催化剂的中毒状态，并自动调整操作条件以实现催化剂的原位再生。
3、传统方法要求将催化剂从反应器中取出，然后采用实验室规模的分析技术进行离线检测。这种方法不仅中断了制氢过程，而且无法提供实时数据，导致无法及时对催化剂状态进行监控和调整。目前，尽管拉曼光谱技术因其能够提供分子振动信息而被认为是一种有潜力的在线监测工具，但在实际应用中，由于拉曼光谱信号本身较弱，加之网状催化剂的使用进一步减弱了信号，使得直接采用常规的特征峰方法进行分析变得困难。因此，开发一种能够克服信号弱和催化剂形态影响的在线监测技术，对于提高氨裂解制氢过程的效率和催化剂管理的精确性具有重要意义。
技术实现思路
1、为了解决上述问题，本发明提供一种氨裂解制氢一体化反应装置，包括反应器、催化剂床(4)、加热系统(2)和光谱在线检测模块(3)。
2、反应器包括反应器外壳(1)、氨气入口(6)、加热器入口、光学入口和混合气体出口；反应器外壳内设置催化剂床(4)，催化剂床内布置立体网状催化剂；催化剂用于在加热的情况下将氨气裂解成氢气和氮气；反应的方程式为：
3、2nh3→3h2+n2；
4、催化剂为钌基催化剂、镍基催化剂或铁基催化剂中的一种或多种；
5、反应器外壳顶部连接混合气体出口(7)，反应器外壳底部连接排废口(5)；
6、反应器外壳侧面底部连接氨气入口(6)，氨气入口接入反应器外壳内部后接入一氨气分散器，用于将氨气分散进入催化剂床；
7、反应器外壳外部设置加热系统(2)和光谱在线检测模块(3)，加热系统(2)通过加热器入口进入反应器外壳内部，并对催化剂床进行加热；光谱在线检测模块(3)通过光学入口进入催化剂床，光谱在线检测模块(3)朝着催化剂床发射激光并采集光谱数据，以分析催化剂中毒情况。
8、反应装置还包括主控机，主控机获取光谱在线检测模块采集的数据并利用光谱分析模块进行分析，获得催化剂中毒情况；
9、主控机根据催化剂的中毒情况控制加热模块对催化剂进行加热再生。
10、主控机连接光谱分析模块、光谱在线检测模块、催化加热控制模块、再生加热控制模块和气体流量控制模块；
11、光谱在线检测模块包括光发射器和光采集器；
12、催化加热控制模块用于在进行氨气催化裂解时的催化剂温度，再生加热控制模块用于在进行催化剂加热再生时调节催化剂床的加热温度，气体流量控制模块用于控制氨气进入流量和混合气体排出流量。
13、催化剂床为圆筒状，内表面为光滑的光反射面，内部通过三维网格结构布置催化剂；催化剂床的顶部设置气体出口(42)，催化剂床的底部设置气体入口(41)，催化剂床的侧部安装光发射器(32)和光采集器(31)，光发射器用于朝着催化剂床内部的催化剂发出检测激光，光采集器用于采集检测激光在催化剂表明发生的拉曼散射光；光谱在线检测模块将光采集器采集的拉曼光谱数据发送至主控机。
14、主控机将拉曼光谱数据发送至光谱分析模块，光谱分析模块处理光谱在线检测模块采集的拉曼光谱数据，以确定催化剂的中毒情况，所述处理包括：
15、a.数据预处理：对拉曼光谱数据进行归一化，确保数据在同一尺度上，使用平滑算法减少噪声，使光谱曲线更平滑；
16、b.输入模型：将处理后的光谱特征作为一个整体直接输入深度学习模型，得到催化剂中毒深度以及推荐加热温度。
17、深度学习模型的结构为：
18、输入层：
19、根据光谱数据的波长点数确定输入层的尺寸；光谱数据有n个波长点，则输入层的尺寸为n；
20、第一卷积层：
21、卷积核数量：选择32个卷积核，以捕捉不同的特征；
22、卷积核大小：选择卷积核大小为5×1，以捕捉局部特征；
23、激活函数：使用relu激活函数增加非线性；
24、第一池化层：
25、池化类型：用最大池化来减少特征的空间尺寸，选择2×1大小的池化核；
26、第二卷积层：
27、卷积核数量：增加卷积核的数量至64个，以进一步抽象特征；
28、卷积核大小：选择卷积核大小为3×1；
29、激活函数：使用relu激活函数；
30、第二池化层：
31、池化类型：用最大池化来减少特征的空间尺寸，选择2×1大小的池化核；
32、扁平化层：
33、将多维的卷积层输出扁平化为一维，以便输入到全连接层；
34、第一全连接层
35、神经元数量：选择128个神经元；
36、激活函数：使用relu激活函数；
37、第二全连接层
38、神经元数量：选择64个神经元；
39、激活函数：使用relu激活函数；
40、分支一用于预测中毒深度：
41、分支一全连接层：从共享底层网络接出，用于中毒深度特征的进一步处理；
42、分支一输出层：单个神经元，使用线性激活函数，输出中毒深度的连续数值；
43、分支二用于预测加热温度：
44、分支二全连接层：从共享底层网络接出，用于中毒深度特征的进一步处理；
45、分支二输出层：单个神经元，使用线性激活函数，输出中毒深度的连续数值；
46、损失函数：使用加权和来组合两个损失：
47、l＝λ1·ldepth+λ2·ltemperature；
48、其中ldepth是中毒深度的损失，ltemperature是推荐加热温度的损失，而λ1和λ2是用于平衡两个任务重要性的权重。
49、一种氨裂解制氢一体化反应控制方法，使用所述的一种氨裂解制氢一体化反应装置，包括如下步骤：
50、步骤一：数据采集，启动光谱在线检测模块(3)，通过光发射器(32)向催化剂床发射检测激光，并通过光采集器(31)采集拉曼散射光，将采集到的拉曼光谱数据发送至主控机；
51、步骤二：数据预处理，在主控机中，对采集到的拉曼光谱数据进行归一化处理，以确保数据在同一尺度上，并使用平滑算法减少噪声，使光谱曲线更平滑；
52、步骤三：深度学习模型分析，将预处理后的光谱数据输入到深度学习模型中，模型分析数据并预测催化剂的中毒深度和推荐加热温度；
53、步骤四：中毒深度评估，根据深度学习模型的输出，评估催化剂的中毒深度，确定中毒程度；
54、步骤五：加热温度调节，根据深度学习模型推荐的加热温度，通过再生加热控制模块调整催化剂床的加热温度，以促进催化剂的再生和恢复活性；
55、步骤六：反馈控制，在催化剂加热再生过程中，持续采集拉曼光谱数据，并重复步骤二至步骤五，以监控催化剂状态的变化，直至催化剂活性恢复至预定水平；
56、步骤七：操作调整，根据催化剂的中毒深度和加热再生效果，主控机自动调整催化加热控制模块和气体流量控制模块的参数，以优化氨气催化裂解过程。
57、在步骤一之前还包括如下步骤：
58、步骤1：系统启动，初始化氨裂解制氢一体化反应装置，包括启动气体供应系统、加热系统、光谱在线检测模块和主控机；
59、步骤2：系统检查，对反应装置进行全面的功能和安全检查，确保所有传感器、执行器和控制模块正常工作，没有泄漏或其他潜在的安全问题；
60、步骤3：预热和稳定，启动加热系统(2)，对催化剂床(4)进行预热，以达到最佳的催化裂解温度，并保持系统稳定；
61、步骤4：初始气体流量设置，通过气体流量控制模块设置初始的氨气流量，确保氨气以适当的速率输入反应器；
62、步骤5：光谱系统校准，校准光谱在线检测模块(3)中的光发射器(32)和光采集器(31)，确保拉曼光谱数据的准确性和重复性；
63、步骤6：数据采集，在确认系统稳定和校准完成后，开始连续采集催化剂床的拉曼光谱数据，以便进行后续的分析和监控。
64、本发明的有益效果为：
65、本方案通过集成拉曼光谱在线检测模块，实现了无需取出催化剂即可进行实时中毒检测，避免了传统离线检测方法的局限性。特别针对网状催化剂设计的光谱采集系统，有效捕捉了催化剂表面的光谱信息，即使在信号较弱的情况下也能进行有效分析。针对拉曼光谱信号弱的问题，本方案直接将拉曼光谱作为一个整体输入深度学习模型，直接预测中毒情况和活化温度，提高了检测准确性。
1.一种氨裂解制氢一体化反应装置，包括反应器、催化剂床(4)、加热系统(2)和光谱在线检测模块(3)，其特征在于：
2.根据权利要求1所述的一种氨裂解制氢一体化反应装置，其特征在于：反应装置还包括主控机，主控机获取光谱在线检测模块采集的数据并利用光谱分析模块进行分析，获得催化剂中毒情况；
3.根据权利要求2所述的一种氨裂解制氢一体化反应装置，其特征在于：主控机连接光谱分析模块、光谱在线检测模块、催化加热控制模块、再生加热控制模块和气体流量控制模块；
4.根据权利要求3所述的一种氨裂解制氢一体化反应装置，其特征在于：催化剂床为圆筒状，内表面为光滑的光反射面，内部通过三维网格结构布置催化剂；催化剂床的顶部设置气体出口(42)，催化剂床的底部设置气体入口(41)，催化剂床的侧部安装光发射器(32)和光采集器(31)，光发射器用于朝着催化剂床内部的催化剂发出检测激光，光采集器用于采集检测激光在催化剂表明发生的拉曼散射光；光谱在线检测模块将光采集器采集的拉曼光谱数据发送至主控机。
5.根据权利要求4所述的一种氨裂解制氢一体化反应装置，其特征在于：主控机将拉曼光谱数据发送至光谱分析模块，光谱分析模块处理光谱在线检测模块采集的拉曼光谱数据，以确定催化剂的中毒情况，所述处理包括：
6.根据权利要求5所述的一种氨裂解制氢一体化反应装置，其特征在于：深度学习模型的结构为：
7.一种氨裂解制氢一体化反应控制方法，使用权利要求1-6任一项所述的一种氨裂解制氢一体化反应装置，其特征在于包括如下步骤：
8.根据权利要求7所述的一种氨裂解制氢一体化反应控制方法，其特征在于在步骤一之前还包括如下步骤：
