【研究动态】万物纵横杨帆博士在Applied Soft Computing发表石化生产异常工况预警的人工智能算法研究成果

研究成果：Attention-based EarlyWarning Framework for Abnormal Operating Conditions in Fluid Catalytic Cracking Units
作者：汤臣薇，杨帆*，吕建成 等
发表期刊：Applied Soft Computing

资讯概况

近日，计算机科学领域著名期刊《Applied Soft Computing》（SCI一区， Top期刊）刊载了四川万物纵横 杨帆博士与四川大学合作的最新工业智能研究成果《基于注意力机制的催化裂化装置异常工况预警（Attention-based EarlyWarning Framework for Abnormal Operating Conditions in Fluid Catalytic Cracking Units》。

论文在线预览链接：https://www.sciencedirect.com/science/article/abs/pii/S1568494624000498

该论文由杨帆博士与四川大学吕建成教授团队合作发表，论文一作是四川大学汤臣薇副教授。杨帆博士作为该论文算法的主要设计人，是该论文的通讯作者。

论文在线页面

论文介绍

催化裂化是最复杂的化工过程之一，它是重质油在酸性催化剂作用下，在温度500℃左右，压力达到1×105~3×105Pa的条件下发生的以裂化反应为主的一系列化学反应，反应主要生成轻质油、气体和焦炭。目前，中国催化裂化装置生产的柴油和汽油约占成品柴油和汽油总量的30%和70%左右，催化裂化已经成为重油加工的最重要方法之一。

催化裂化装置非常庞大，在高温高压的苛刻条件下运行，运行过程中会使用或产生大量有毒有害、易燃易爆的危险化学品，如果出现生产问题，将可能引起巨大的安全、环保事故，造成重大生命财产损失。实时监控催化裂化装置的运行状况，及时进行异常工况预警，进而指导工作人员提前干预，是安全生产的重要保障手段之一。

由于催化裂化装置工艺参数之间的相关性很强，因此很难对故障进行分析和检测。基于深度学习的方法在这一问题上取得了很好的效果，但大多数方法都不能解决传感器数据噪声和异常召回率低的问题。该研究论文提出了具有异常模式注意的卷积递归神经网络（APA-CRNN）。
1. APA-CRNN该方法中的自相关去噪器（SCD）可以降低传感器数据的噪声。
2. 利用卷积递归神经网络（CRNN）学习不同工艺参数的潜在相关特性。
3. 为了提高异常情况的召回率，该方法对历史异常样本数据进行聚类，得到不同的异常模式，并通过异常模式注意（APA）模块对CRNN模块输出中与异常情况相关的部分进行强化。
4. 实验结果表明，该方法能更有效地识别催化裂化装置的异常情况，提高工业过程的安全性、效率和可持续性。

整体神经网络结构

基于自相关神经网络模块与传统降噪算法的对比

本研究成果与其它方法的效果对比

拓展：

《Applied Soft Computing》是计算机科学领域的著名期刊，由Elsevier(爱思唯尔)创刊于2001年，属JCR 1区、中国科学院SCI分区TOP期刊，在CiteScore(引用分数)排名中，得分14.3，位于计算机科学分类的前5%。Applied Soft Computing(应用软计算) 旨在利用人们对不精确性和不确定性的容忍，提高问题的易处理性和稳健性并降低处理成本，以解决现实生活中的复杂问题。

Applied Soft Computing

四川万物纵横致力于物联网智能的研究与应用，在工业智能应用领域有较深的研究。首席科学家杨帆博士在该领域已经获得授权专利19项，发表多篇论文（2篇 SCI一区、2篇 SCI 二区、3篇EI/中文学报、4篇国家级行业会议论文），其中发表在国内石化加工权威期刊“石油学报（石油加工）”的文章《智能优化算法及人工神经网络在催化裂化模型分析中的应用进展》 被评为该期刊“近10年(2013—2023年)高影响力论文”；发表在 "Big Data Mining and Analytics "(SCI 一区)的论文Artificial Intelligence Methods Applied to Catalytic Cracking， 被美国科学促进会(AAAS)的官网 EurekAlert! 进行了深度报道(https://www.eurekalert.org/news-releases/986624)。

审核编辑 黄宇