基于深度学习的复杂化工过程异常模式智能识别研究

The subjectivity and hysteresis in artificial recognition process can be avoided by the intelligent recognition method for chemical process abnormal pattern. The traditional data-driven anomaly pattern recognition method can not make full use of the big data of the complex chemical process, which has poor feature expression ability, generalization ability and intelligibility when facing complex chemical processes. In this project, loop-locked intelligent recognition method and model of abnormal pattern are established based on deep study theory. Deep hierarchical network topology model for chemical process big data is studied to extract the nature feature of abnormal pattern in complex conditions. Studying the methods of identifying abnormal pattern based on layered abstract characteristics and learning the mapping relationship between the different local area and abnormal pattern in topological network structure are used for the reason of enhancing the intelligibility for models. Through this research, it is expected to clarify the mechanism of anomaly pattern recognition based on deep learning under chemical big data and increase the recognition rate of abnormal pattern in complex petrochemical process significantly.

化工过程异常模式的智能识别能避免人工识别过程中的主观性和和滞后性，传统基于数据驱动的异常模式识别方法难以充分利用复杂化工过程的大数据，特征表达能力、泛化能力有限，可理解性不高。本项目基于深度学习理论建立闭环的异常模式智能识别模型及方法。研究面向化工过程大数据的深度分层网络拓扑模型，进行复杂工况下异常模式本质特征的提取。研究基于分层抽象特征的异常模式智能识别方法，建立网络拓扑结构中局部区域与异常模式的映射关系，提高模型的可理解性。将网络拓扑模型原始数据特征输入与异常模式专家知识相结合，建立异常模式知识表达模型，验证并修正网络拓扑结构，降低识别过程中的泛化误差。通过本项目研究，可望在理论上阐明化工大数据条件下基于深度学习的异常模式识别机理，以期显著提高复杂化工过程异常模式识别的准确率。

传统基于数据驱动的异常工况自动识别方法难以充分利用生产过程中产生的非结构化和结构化等多结构数据，特征表达能力、泛化能力有限。本项目结合乙烯裂解过程的安全需求，针对乙烯裂解过程的非结构化数据和结构化数据，以卷积神经网络（CNN）、深度自编码器（DAE）及二者的衍生方法为手段，系统地开展了基于多结构数据深度学习的异常工况识别研究，递进式地提出了多种异常类型的智能识别方法。其中，针对图像等非结构化数据，提出了基于卷积神经网络理论的静、动态泄漏检测方法，实现了泄漏检测从静态“识别”到动态“定位”的时域扩充。针对工艺操作数据等结构化数据，提出了基于深度自编码器理论的工艺异常识别方法，实现了不同规模有标签样本下的模型精度提升。最后，提出了异常模型的验证和确认方法。.（1）针对泄漏图像数据，优化后的卷积神经网络（CNN）模型异常识别精度可高达95.86%，证明了用卷积神经网络进行自动泄漏识别的可行性。.（2）有机气体动态扩散红外热成像视频实验表明，基于快速区域卷积神经网络（Faster RCNN）的有机气体泄漏定位模型在推理时间为55ms的前提下平均精确度（mAP）能达到71%，可以满足泄漏实时识别与定位的要求。.（3）将卷积神经网络（CNN）与深度自动编码器（DAE）相结合的CNN-DAE混合结构工艺异常识别模型，具有比单纯使用CNN、DAE和DBN方法有更好的工艺异常识别准确率，最高达到93.3%。.（4）基于半监督阶梯网络（SSLN）方法的工艺异常识别模型，在精馏过程异常识别的实验表明，其异常识别精度与大比例标签样本数据下CNN-DAE的精度基本一致，能有效解决工业现场工艺异常有标签样本数据少、无标签样本数据多的问题。.本项目将深度学习方法应用于乙烯裂解生产过程的安全监测，构建并优化了相关异常识别模型，解决了传统深度学习方法模型复杂程度高、网络参数调优困难、检测精度和推理时间难以兼顾、无标签训练样本数据较多时检测精度大幅下降等问题。