摘要
现代化工过程呈现装置大型化、复杂化的发展趋势，随之而来的化工过程的危险隐患也逐渐增多，传统方法通过化工过程繁复冗杂的过程参数难以准确地描述其运行状态和故障情况。针对以上问题，本文将复杂网络理论和深度学习相结合，利用复杂网络理论在研究系统结构和复杂性上的优势和深度学习在处理分析大规模数据非线性特征上的优势对化工过程开展风险溯源及预测研究。主要从以下四个方面展开研究: (1)化工过程风险表征建模。提出基于Spearman-Apriori的化工过程风险表征建模方法，以多源过程数据为基础，对变量数据进行Spearman相关性分析和Apriori关联规则挖掘，构建化工过程的(无向无权＼有向有权)复杂网络模型;以不同工况下的复杂网络特性参数和网络节点度分布的规律，对化工过程进行风险表征及风险源确定。 (2)化工过程风险深度溯源。提出基于社团结构的化工过程风险演化溯源方法，以化工过程的有向有权网络模型为基础;经深度稀疏自编码器(DeepSparseAutoencoder,DSAE)稀疏处理，以Louvain算法划分社团结构，根据节点重要度排序，进而结合工艺流程追溯化工过程的风险演化路径。 (3)化工过程风险跟踪预测。提出基于网络结构熵的化工过程风险预测分析，以化工过程的有向有权网络模型为基础;以窗口形式划分数据并计算网络结构熵，将其Max-Min离差标准化得到相对风险值序列，以不同工况下相对风险值的分布规律确定化工过程系统风险;经带有注意力机制的双向长短期记忆网络(Attention-BasedBidirectionalLongandShort-TermMemory,Attention-BiLSTM)模型训练预测，对化工过程的风险进行跟踪预测。 (4)化工过程风险推绎平台。基于PyQt5设计开发化工过程的风险推绎平台，结合QtDesigner设计平台布局并运用Pyechart设计数据可视化窗口。该平台融合建模、溯源、预测的风险推绎过程，以TE过程为例，通过数据可视化的形式对于化工过程的风险进行监测。
NETL