《基于機理特征學習的化工過程異常工況智能識別》通過動態(tài)模擬重構深度學習的標簽樣本，采用定量相關系數(shù)和復雜網(wǎng)絡相結合的機理特征提取方法，實現(xiàn)對化工異常工況的半監(jiān)督學習。同時融合基于動態(tài)機理貝葉斯網(wǎng)絡，采用異常參數(shù)估計的反演機制，闡明動態(tài)模擬與半監(jiān)督學習協(xié)同的化工異常診斷策略。本書有助于豐富和發(fā)展基于動態(tài)模擬/半監(jiān)督學習的化工過程異常識別和診斷理論和方法，為實現(xiàn)化工過程安全穩(wěn)定運行提供理論依據(jù)。
全書共分10章。內容涵蓋了“數(shù)據(jù)處理→數(shù)據(jù)檢測→異常識別→異常診斷→后果分析”的化工安全分析各個階段，構成了機理分析與深度學習協(xié)同作用的化工異常工況分析思路。
《基于機理特征學習的化工過程異常工況智能識別》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。

田文德，青島科技大學化工學院，副院長，教授，2001年于北京化工大學獲取化學工程專業(yè)工學博士學位，2003年由新加坡國立大學以博士后研究員身份完成項目研究后，進入青島科技大學化工學院工作。主講本科課程“化工原理”、“過程工程計算機應用基礎”和研究生課程“化工過程綜合”。主要從事化工系統(tǒng)工程方向的研究工作，內容涉及化工過程動態(tài)仿真、報警管理、故障診斷，已完成教育部留學回國人員科研啟動基金項目“化工安全生產中的智能故障診斷系統(tǒng)研究”、山東省優(yōu)*秀中青年科學家科研獎勵基金項目“基于動態(tài)模擬的化工過程故障診斷技術研究（No.2006BS05005）”、山東省自然科學基金項目“基于動態(tài)故障軟儀表的化工過程二級混合故障診斷系統(tǒng)（No. ZR2009BM033）”，在研山東省自然科學基金項目“基于動態(tài)模擬反問題求解的精餾多故障診斷研究（No. ZR2013BL008）”和國家自然科學基金項目“基于非線性動態(tài)模型的精餾過程安全智能預測方法與預警策略研究（No. 21576143）”，期間還完成企業(yè)委托項目9項，發(fā)表論文40余篇，編寫專著1部、教材4部。目前為山東化學化工學會的化工安全專業(yè)委員會委員、國家自然科學基金項目的評審專家。

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權重和Johnson轉換的多變量報警閾值優(yōu)化50
3.2.1研究思路50
3.2.2PCA求權重51
3.2.3Johnson轉換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熵權法求權重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權重和Johnson轉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常減壓操作質量分析75
本章小結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模型結構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異常識別結果144
本章小結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識別結果對比161
本章小結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235
參考文獻235