基於機理特徵學習的化工過程異常工況智能識別

《基於機理特徵學習的化工過程異常工況智慧識別》通過動態類比重構深度學習的標籤樣本，採用定量相關係數和複雜網路相結合的機理特徵提取方法，實現對化工異常工況的半監督學習。同時融合基於動態機理貝葉斯網路，採用異常參數估計的反演機制，闡明動態類比與半監督學習協同的化工異常診斷策略。本書有助於豐富和發展基於動態類比/半監督學習的化工過程異常識別和診斷理論和方法，為實現化工過程安全穩定運行提供理論依據。

全書共分10章。內容涵蓋了“資料處理→資料檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，構成了機理分析與深度學習協同作用的化工異常工況分析思路。

《基於機理特徵學習的化工過程異常工況智慧識別》可作為化工、安全及相關學科的研究生學習化工安全分析的教材及教師參考書，也可供相關學科的工程技術人員參考使用。

第1章緒論1
1.1化工過程安全1
1.1.1化工生產特點1
1.1.2化工過程異常工況1
1.1.3化工安全生產的意義3
1.2故障識別與診斷3
1.2.1基於解析模型的方法4
1.2.2基於知識的方法6
1.2.3基於資料驅動的方法7
1.3機器學習9
1.3.1淺層學習9
1.3.2深度學習11
1.3.3深度學習演算法分類12
1.3.4深度學習在化工故障診斷中的應用15
1.4特徵工程15
1.4.1特徵提取與特徵選擇15
1.4.2特徵自我調整16
1.5研究思路17
本章小結20
參考文獻20

第2章數據預處理28
2.1基於GAN的缺失資料重建28
2.1.1生成式對抗網路GAN28
2.1.2卷積神經網路29
2.1.3深度自編碼器30
2.1.4GAN模型搭建32
2.1.5GAN缺失資料重建結果32
2.2基於灰色時序模型的資料預測37
2.2.1灰色模型原理37
2.2.2時間序列模型39
2.2.3組合模型40
2.2.4檢驗方法41
2.2.5實例應用42
本章小結47
參考文獻47

第3章基於維度壓縮和聚類分析的化工報警閾值優化49
3.1總體研究思路49
3.2基於PCA權重和Johnson轉換的多變數報警閾值優化50
3.2.1研究思路50
3.2.2PCA求權重51
3.2.3Johnson轉換52
3.2.4平行座標53
3.3基於報警聚類和ACO的多變數報警閾值優化54
3.3.1研究思路54
3.3.2報警系統效率指標55
3.3.3報警聚類57
3.3.4熵權法求權重57
3.3.5閾值優化58
3.4應用實例研究60
3.4.1常減壓工業實例介紹60
3.4.2基於PCA權重和Johnson轉換的多變數報警閾值優化方法應用62
3.4.3基於報警聚類和ACO的多變數報警閾值優化方法應用71
3.4.4常減壓操作品質分析75
本章小結76
參考文獻76

第4章基於特徵工程的化工過程異常檢測77
4.1基於相關性係數Q分析的化工過程異常檢測77
4.1.1研究思路77
4.1.2基於相關性係數Q分析的化工過程異常檢測78
4.1.3實例分析83
4.2基於特徵工程的化工過程異常檢測與識別88
4.2.1研究思路88
4.2.2基於特徵工程的化工過程異常檢測與識別方法89
4.2.3實例分析94
本章小結102
參考文獻103

第5章基於特徵自我調整與動態主動深度分歧的化工過程異常識別104
5.1總體研究思路104
5.2特徵自我調整106
5.2.1研究思路106
5.2.2特徵提取106
5.2.3自我調整108
5.3動態主動深度分歧的異常識別模型109
5.3.1研究思路109
5.3.2CNN基本模組110
5.3.3LSTM基本模組113
5.3.4動態主動學習114
5.4案例應用研究115
5.4.1TE過程說明116
5.4.2特徵自我調整118
5.4.3動態主動深度分歧的異常識別模型123
本章小結131
參考文獻132

第6章基於LSTM的化工異常識別134
6.1LSTM模型134
6.1.1模型結構134
6.1.2演算法原理137
6.1.3超參數設置140
6.2LSTM訓練策略141
6.2.15-折交叉驗證141
6.2.2過擬合141
6.3LSTM訓練過程142
6.4案例應用與分析142
6.4.1資料集描述142
6.4.2異常識別結果144
本章小結147
參考文獻147

第7章基於圖論的化工異常識別148
7.1研究思路148
7.2特徵選擇149
7.2.1變數相關性計算149
7.2.2基於圖論的特徵選擇150
7.3深度學習模型151
7.3.1序列問題學習過程151
7.3.2卷積神經網路學習過程153
7.4案例應用與分析155
7.4.1動態資料集與預處理155
7.4.2圖論特徵選擇156
7.4.3識別模型搭建157
7.4.4識別結果對比161
本章小結165
參考文獻166

第8章基於DBN的化工過程異常識別167
8.1基於VAE-DBN的異常工況識別167
8.1.1基於VAE-DBN的異常識別模型168
8.1.2案例應用研究172
8.2基於SRCC-DBN的異常工況識別174
8.2.1研究思路174
8.2.2Spearman秩相關係數175
8.2.3深度置信網路176
8.2.4案例應用研究179
本章小結184
參考文獻184

第9章基於機理分析的化工過程故障診斷186
9.1基於機理相關分析貝葉斯網路的過程故障診斷186
9.1.1研究思路186
9.1.2機理相關分析貝葉斯網路的故障診斷方法187
9.1.3案例應用分析191
9.2基於動態機理模型的異常反演197
9.2.1反演模型198
9.2.2案例應用與分析199
本章小結208
參考文獻208

第10章化工過程異常的動態定量後果分析210
10.1化工過程異常的動態定量風險評估210
10.1.1研究思路210
10.1.2定量風險計算211
10.1.3案例應用與分析213
10.2基於計算流體力學的後果分析223
10.2.1計算流體力學簡介224
10.2.2爆燃氣體的擴散225
10.2.3基於MATLAB的氣體擴散模擬227
10.2.4實例應用228
本章小結235
參考文獻235