基于機理特征學習的化工過程異常工況智能識別

第1章緒論1
1.1化工過程安全1
1.1.1化工生產(chǎn)特點1
1.1.2化工過程異常工況1
1.1.3化工安全生產(chǎn)的意義3
1.2故障識別與診斷3
1.2.1基于解析模型的方法4
1.2.2基于知識的方法6
1.2.3基于數(shù)據(jù)驅(qū)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特征工程15
1.4.1特征提取與特征選擇15
1.4.2特征自適應16
1.5研究思路17
本章小結(jié)20
參考文獻20

第2章數(shù)據(jù)預處理28
2.1基于GAN的缺失數(shù)據(jù)重建28
2.1.1生成式對抗網(wǎng)絡GAN28
2.1.2卷積神經(jīng)網(wǎng)絡29
2.1.3深度自編碼器30
2.1.4GAN模型搭建32
2.1.5GAN缺失數(shù)據(jù)重建結(jié)果32
2.2基于灰色時序模型的數(shù)據(jù)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(jié)47
參考文獻47

第3章基于維度壓縮和聚類分析的化工報警閾值優(yōu)化49
3.1總體研究思路49
3.2基于PCA權(quán)重和Johnson轉(zhuǎn)換的多變量報警閾值優(yōu)化50
3.2.1研究思路50
3.2.2PCA求權(quán)重51
3.2.3Johnson轉(zhuǎn)換52
3.2.4平行坐標53
3.3基于報警聚類和ACO的多變量報警閾值優(yōu)化54
3.3.1研究思路54
3.3.2報警系統(tǒng)效率指標55
3.3.3報警聚類57
3.3.4熵權(quán)法求權(quán)重57
3.3.5閾值優(yōu)化58
3.4應用實例研究60
3.4.1常減壓工業(yè)實例介紹60
3.4.2基于PCA權(quán)重和Johnson轉(zhuǎn)換的多變量報警閾值優(yōu)化方法應用62
3.4.3基于報警聚類和ACO的多變量報警閾值優(yōu)化方法應用71
3.4.4常減壓操作質(zhì)量分析75
本章小結(jié)76
參考文獻76

第4章基于特征工程的化工過程異常檢測77
4.1基于相關性系數(shù)Q分析的化工過程異常檢測77
4.1.1研究思路77
4.1.2基于相關性系數(shù)Q分析的化工過程異常檢測78
4.1.3實例分析83
4.2基于特征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基于特征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(jié)102
參考文獻103

第5章基于特征自適應與動態(tài)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特征自適應106
5.2.1研究思路106
5.2.2特征提取106
5.2.3自適應108
5.3動態(tài)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基本模塊110
5.3.3LSTM基本模塊113
5.3.4動態(tài)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特征自適應118
5.4.3動態(tài)主動深度分歧的異常識別模型123
本章小結(jié)131
參考文獻132

第6章基于LSTM的化工異常識別134
6.1LSTM模型134
6.1.1模型結(jié)構(gòu)134
6.1.2算法原理137
6.1.3超參數(shù)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數(shù)據(jù)集描述142
6.4.2異常識別結(jié)果144
本章小結(jié)147
參考文獻147

第7章基于圖論的化工異常識別148
7.1研究思路148
7.2特征選擇149
7.2.1變量相關性計算149
7.2.2基于圖論的特征選擇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(jīng)網(wǎng)絡學習過程153
7.4案例應用與分析155
7.4.1動態(tài)數(shù)據(jù)集與預處理155
7.4.2圖論特征選擇156
7.4.3識別模型搭建157
7.4.4識別結(jié)果對比161
本章小結(jié)165
參考文獻166

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

第9章基于機理分析的化工過程故障診斷186
9.1基于機理相關分析貝葉斯網(wǎng)絡的過程故障診斷186
9.1.1研究思路186
9.1.2機理相關分析貝葉斯網(wǎng)絡的故障診斷方法187
9.1.3案例應用分析191
9.2基于動態(tài)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(jié)208
參考文獻208

第10章化工過程異常的動態(tài)定量后果分析210
10.1化工過程異常的動態(tài)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基于計算流體力學的后果分析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基于MATLAB的氣體擴散模擬227
10.2.4實例應用228
本章小結(jié)235
參考文獻235