时序数据驱动的化工过程风险动态预警研究

作者：陈樑; 朱君烨; 金龙; 雷坚; 郭冰; 曾家其

来源：安全与环境学报, 2023, 23(10): 3491-3501.

DOI：10.13637/j.issn.1009-6094.2022.1165

• 安全工程
• 卷积神经网络-长短期记忆网络(CNN-LSTM)
• 三角模糊数
• 参数预测
• 事故预警

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。

• 单位
  昆明理工大学; 环境科学与工程学院