《基于机理特征学习的化工过程异常工况智能识别》通过动态模拟重构深度学习的标签样本，采用定量相关系数和复杂网络相结合的机理特征提取方法，实现对化工异常工况的半监督学习。同时融合基于动态机理贝叶斯网络，采用异常参数估计的反演机制，阐明动态模拟与半监督学习协同的化工异常诊断策略。本书有助于丰富和发展基于动态模拟/半监督学习的化工过程异常识别和诊断理论和方法，为实现化工过程安全稳定运行提供理论依据。
全书共分10章。内容涵盖了“数据处理→数据检测→异常识别→异常诊断→后果分析”的化工安全分析各个阶段，构成了机理分析与深度学习协同作用的化工异常工况分析思路。
《基于机理特征学习的化工过程异常工况智能识别》可作为化工、安全及相关学科的研究生学习化工安全分析的教材及教师参考书，也可供相关学科的工程技术人员参考使用。
田文德，青岛科技大学化工学院，副院长，教授，2001年于北京化工大学获取化学工程专业工学博士学位，2003年由新加坡国立大学以博士后研究员身份完成项目研究后，进入青岛科技大学化工学院工作。主讲本科课程“化工原理”、“过程工程计算机应用基础”和研究生课程“化工过程综合”。主要从事化工系统工程方向的研究工作，内容涉及化工过程动态仿真、报警管理、故障诊断，已完成教育部留学回国人员科研启动基金项目“化工安全生产中的智能故障诊断系统研究”、山东省优*秀中青年科学家科研奖励基金项目“基于动态模拟的化工过程故障诊断技术研究（No.2006BS05005）”、山东省自然科学基金项目“基于动态故障软仪表的化工过程二级混合故障诊断系统（No. ZR2009BM033）”，在研山东省自然科学基金项目“基于动态模拟反问题求解的精馏多故障诊断研究（No. ZR2013BL008）”和国家自然科学基金项目“基于非线性动态模型的精馏过程安全智能预测方法与预警策略研究（No. 21576143）”，期间还完成企业委托项目9项，发表论文40余篇，编写专著1部、教材4部。目前为山东化学化工学会的化工安全专业委员会委员、国家自然科学基金项目的评审专家。
第1章绪论1
1.1化工过程安全1
1.1.1化工生产特点1
1.1.2化工过程异常工况1
1.1.3化工安全生产的意义3
1.2故障识别与诊断3
1.2.1基于解析模型的方法4
1.2.2基于知识的方法6
1.2.3基于数据驱动的方法7
1.3机器学习9
1.3.1浅层学习9
1.3.2深度学习11
1.3.3深度学习算法分类12
1.3.4深度学习在化工故障诊断中的应用15
1.4特征工程15
1.4.1特征提取与特征选择15
1.4.2特征自适应16
1.5研究思路17
本章小结20
参考文献20
第2章数据预处理28
2.1基于GAN的缺失数据重建28
2.1.1生成式对抗网络GAN28
2.1.2卷积神经网络29
2.1.3深度自编码器30
2.1.4GAN模型搭建32
2.1.5GAN缺失数据重建结果32
2.2基于灰色时序模型的数据预测37
2.2.1灰色模型原理37
2.2.2时间序列模型39
2.2.3组合模型40
2.2.4检验方法41
2.2.5实例应用42
本章小结47
参考文献47
第3章基于维度压缩和聚类分析的化工报警阈值优化49
3.1总体研究思路49
3.2基于PCA权重和Johnson转换的多变量报警阈值优化50
3.2.1研究思路50
3.2.2PCA求权重51
3.2.3Johnson转换52
3.2.4平行坐标53
3.3基于报警聚类和ACO的多变量报警阈值优化54
3.3.1研究思路54
3.3.2报警系统效率指标55
3.3.3报警聚类57
3.3.4熵权法求权重57
3.3.5阈值优化58
3.4应用实例研究60
3.4.1常减压工业实例介绍60
3.4.2基于PCA权重和Johnson转换的多变量报警阈值优化方法应用62
3.4.3基于报警聚类和ACO的多变量报警阈值优化方法应用71
3.4.4常减压操作质量分析75
本章小结76
参考文献76
第4章基于特征工程的化工过程异常检测77
4.1基于相关性系数Q分析的化工过程异常检测77
4.1.1研究思路77
4.1.2基于相关性系数Q分析的化工过程异常检测78
4.1.3实例分析83
4.2基于特征工程的化工过程异常检测与识别88
4.2.1研究思路88
4.2.2基于特征工程的化工过程异常检测与识别方法89
4.2.3实例分析94
本章小结102
参考文献103
第5章基于特征自适应与动态主动深度分歧的化工过程异常识别104
5.1总体研究思路104
5.2特征自适应106
5.2.1研究思路106
5.2.2特征提取106
5.2.3自适应108
5.3动态主动深度分歧的异常识别模型109
5.3.1研究思路109
5.3.2CNN基本模块110
5.3.3LSTM基本模块113
5.3.4动态主动学习114
5.4案例应用研究115
5.4.1TE过程说明116
5.4.2特征自适应118
5.4.3动态主动深度分歧的异常识别模型123
本章小结131
参考文献132
第6章基于LSTM的化工异常识别134
6.1LSTM模型134
6.1.1模型结构134
6.1.2算法原理137
6.1.3超参数设置140
6.2LSTM训练策略141
6.2.15-折交叉验证141
6.2.2过拟合141
6.3LSTM训练过程142
6.4案例应用与分析142
6.4.1数据集描述142
6.4.2异常识别结果144
本章小结147
参考文献147
第7章基于图论的化工异常识别148
7.1研究思路148
7.2特征选择149
7.2.1变量相关性计算149
7.2.2基于图论的特征选择150
7.3深度学习模型151
7.3.1序列问题学习过程151
7.3.2卷积神经网络学习过程153
7.4案例应用与分析155
7.4.1动态数据集与预处理155
7.4.2图论特征选择156
7.4.3识别模型搭建157
7.4.4识别结果对比161
本章小结165
参考文献166
第8章基于DBN的化工过程异常识别167
8.1基于VAE-DBN的异常工况识别167
8.1.1基于VAE-DBN的异常识别模型168
8.1.2案例应用研究172
8.2基于SRCC-DBN的异常工况识别174
8.2.1研究思路174
8.2.2Spearman秩相关系数175
8.2.3深度置信网络176
8.2.4案例应用研究179
本章小结184
参考文献184
第9章基于机理分析的化工过程故障诊断186
9.1基于机理相关分析贝叶斯网络的过程故障诊断186
9.1.1研究思路186
9.1.2机理相关分析贝叶斯网络的故障诊断方法187
9.1.3案例应用分析191
9.2基于动态机理模型的异常反演197
9.2.1反演模型198
9.2.2案例应用与分析199
本章小结208
参考文献208
第10章化工过程异常的动态定量后果分析210
10.1化工过程异常的动态定量风险评估210
10.1.1研究思路210
10.1.2定量风险计算211
10.1.3案例应用与分析213
10.2基于计算流体力学的后果分析223
10.2.1计算流体力学简介224
10.2.2爆燃气体的扩散225
10.2.3基于MATLAB的气体扩散模拟227
10.2.4实例应用228
本章小结235
参考文献235
书单推荐
