滿額折
商品簡介
作者簡介
序
目次
相關商品
商品簡介
《基於機理特徵學習的化工過程異常工況智能識別》通過動態模擬重構深度學習的標簽樣本，采用定量相關係數和複雜網絡相結合的機理特徵提取方法，實現對化工異常工況的半監督學習。同時融合基於動態機理貝葉斯網絡，采用異常參數估計的反演機制，闡明動態模擬與半監督學習協同的化工異常診斷策略。本書有助於豐富和發展基於動態模擬/半監督學習的化工過程異常識別和診斷理論和方法，為實現化工過程安全穩定運行提供理論依據。
全書共分10章。內容涵蓋了“數據處理→數據檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，構成了機理分析與深度學習協同作用的化工異常工況分析思路。
《基於機理特徵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。
全書共分10章。內容涵蓋了“數據處理→數據檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，構成了機理分析與深度學習協同作用的化工異常工況分析思路。
《基於機理特徵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。
作者簡介
田文德，青島科技大學化工學院，副院長，教授，2001年於北京化工大學獲取化學工程專業工學博士學位，2003年由新加坡國立大學以博士後研究員身份完成項目研究後，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”。主要從事化工系統工程方向的研究工作，內容涉及化工過程動態仿真、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研究”、山東省優*秀中青年科學家科研獎勵基金項目“基於動態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“基於動態故障軟儀表的化工過程二級混合故障診斷系統（No. ZR2009BM033）”，在研山東省自然科學基金項目“基於動態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“基於非線性動態模型的精餾過程安全智能預測方法與預警策略研究（No. 21576143）”，期間還完成企業委托項目9項，發表論文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委員會委員、國家自然科學基金項目的評審專家。
序
外界波動、設備故障、人為誤操作等會引發化工過程異常工況，若不能及時識別和處置，則極可能導致嚴重的安全生產事故。基於模型或者知識的傳統異常識別方法，還存在著建模複雜、知識碎片化、泛化能力低等問題。相對比，數據驅動的深度學習可提升識別準確率和泛化能力，有望構建智能化工異常識別系統。然而，化工過程數據維度高、非線性強、標簽成本高，以及深度學習網絡推理融合化工過程機理能力不強，均嚴重制約了化工異常工況深度學習系統的發展。
本書系統地介紹了作者近年來在動態模擬結合深度學習進行化工過程異常工況識別和診斷領域所取得的學術成就，其特點是：專業性強、內容新、實用性好。本書通過動態模擬重構深度學習的標簽樣本，采用定量相關係數和複雜網絡相結合的機理特徵提取方法，實現對化工異常工況的半監督學習。繼而融合基於動態機理貝葉斯網絡，采用異常參數估計的反演機制，闡明動態模擬與半監督學習協同的化工異常診斷策略。
《基於機理特徵學習的化工過程異常工況智能識別》有助於豐富和發展基於動態模擬/半監督學習的化工過程異常識別和診斷的理論和方法，為實現化工過程安全穩定運行提供理論依據。全書內容完整涵蓋了“數據處理→數據檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，有機構成了機理分析與深度學習協同作用的化工異常工況分析思路，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。
本書由青島科技大學的田文德、崔哲和中石化青島安全工程研究院的李傳坤撰寫，其中第1章由崔哲撰寫，第2章由李傳坤撰寫，第3～10章由田文德撰寫，青島科技大學的博士研究生洪娟和碩士研究生王少辰、瞿健、張家煒、陶冶等參與了部分校正工作，在此一並表示感謝。
由於著者水平有限，書中不足之處在所難免，懇請讀者批評指正。
著者
2021年3月於青島科技大學
本書系統地介紹了作者近年來在動態模擬結合深度學習進行化工過程異常工況識別和診斷領域所取得的學術成就，其特點是：專業性強、內容新、實用性好。本書通過動態模擬重構深度學習的標簽樣本，采用定量相關係數和複雜網絡相結合的機理特徵提取方法，實現對化工異常工況的半監督學習。繼而融合基於動態機理貝葉斯網絡，采用異常參數估計的反演機制，闡明動態模擬與半監督學習協同的化工異常診斷策略。
《基於機理特徵學習的化工過程異常工況智能識別》有助於豐富和發展基於動態模擬/半監督學習的化工過程異常識別和診斷的理論和方法，為實現化工過程安全穩定運行提供理論依據。全書內容完整涵蓋了“數據處理→數據檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，有機構成了機理分析與深度學習協同作用的化工異常工況分析思路，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。
本書由青島科技大學的田文德、崔哲和中石化青島安全工程研究院的李傳坤撰寫，其中第1章由崔哲撰寫，第2章由李傳坤撰寫，第3～10章由田文德撰寫，青島科技大學的博士研究生洪娟和碩士研究生王少辰、瞿健、張家煒、陶冶等參與了部分校正工作，在此一並表示感謝。
由於著者水平有限，書中不足之處在所難免，懇請讀者批評指正。
著者
2021年3月於青島科技大學
目次
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基於解析模型的方法4
1.2.2基於知識的方法6
1.2.3基於數據驅動的方法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特徵工程15
1.4.1特徵提取與特徵選擇15
1.4.2特徵自適應16
1.5研究思路17
本章小結20
參考文獻20
第2章數據預處理28
2.1基於GAN的缺失數據重建28
2.1.1生成式對抗網絡GAN28
2.1.2卷積神經網絡29
2.1.3深度自編碼器30
2.1.4GAN模型搭建32
2.1.5GAN缺失數據重建結果32
2.2基於灰色時序模型的數據預測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章基於維度壓縮和聚類分析的化工報警閾值優化49
3.1總體研究思路49
3.2基於PCA權重和Johnson轉換的多變量報警閾值優化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基於報警聚類和ACO的多變量報警閾值優化54
3.3.1研究思路54
3.3.2報警系統效率指標55
3.3.3報警聚類57
3.3.4熵權法求權重57
3.3.5閾值優化58
3.4應用實例研究60
3.4.1常減壓工業實例介紹60
3.4.2基於PCA權重和Johnson轉換的多變量報警閾值優化方法應用62
3.4.3基於報警聚類和ACO的多變量報警閾值優化方法應用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章基於特徵工程的化工過程異常檢測77
4.1基於相關性系數Q分析的化工過程異常檢測77
4.1.1研究思路77
4.1.2基於相關性系數Q分析的化工過程異常檢測78
4.1.3實例分析83
4.2基於特徵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基於特徵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章基於特徵自適應與動態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特徵自適應106
5.2.1研究思路106
5.2.2特徵提取106
5.2.3自適應108
5.3動態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特徵自適應118
5.4.3動態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章基於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數據集描述142
6.4.2異常識別結果144
本章小結147
參考文獻147
第7章基於圖論的化工異常識別148
7.1研究思路148
7.2特徵選擇149
7.2.1變量相關性計算149
7.2.2基於圖論的特徵選擇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卷積神經網絡學習過程153
7.4案例應用與分析155
7.4.1動態數據集與預處理155
7.4.2圖論特徵選擇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章基於DBN的化工過程異常識別167
8.1基於VAE-DBN的異常工況識別167
8.1.1基於VAE-DBN的異常識別模型168
8.1.2案例應用研究172
8.2基於SRCC-DBN的異常工況識別174
8.2.1研究思路174
8.2.2Spearman秩相關係數175
8.2.3深度置信網絡176
8.2.4案例應用研究179
本章小結184
參考文獻184
第9章基於機理分析的化工過程故障診斷186
9.1基於機理相關分析貝葉斯網絡的過程故障診斷186
9.1.1研究思路186
9.1.2機理相關分析貝葉斯網絡的故障診斷方法187
9.1.3案例應用分析191
9.2基於動態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定量後果分析210
10.1化工過程異常的動態定量風險評估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基於計算流體力學的後果分析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基於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
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基於解析模型的方法4
1.2.2基於知識的方法6
1.2.3基於數據驅動的方法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特徵工程15
1.4.1特徵提取與特徵選擇15
1.4.2特徵自適應16
1.5研究思路17
本章小結20
參考文獻20
第2章數據預處理28
2.1基於GAN的缺失數據重建28
2.1.1生成式對抗網絡GAN28
2.1.2卷積神經網絡29
2.1.3深度自編碼器30
2.1.4GAN模型搭建32
2.1.5GAN缺失數據重建結果32
2.2基於灰色時序模型的數據預測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章基於維度壓縮和聚類分析的化工報警閾值優化49
3.1總體研究思路49
3.2基於PCA權重和Johnson轉換的多變量報警閾值優化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基於報警聚類和ACO的多變量報警閾值優化54
3.3.1研究思路54
3.3.2報警系統效率指標55
3.3.3報警聚類57
3.3.4熵權法求權重57
3.3.5閾值優化58
3.4應用實例研究60
3.4.1常減壓工業實例介紹60
3.4.2基於PCA權重和Johnson轉換的多變量報警閾值優化方法應用62
3.4.3基於報警聚類和ACO的多變量報警閾值優化方法應用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章基於特徵工程的化工過程異常檢測77
4.1基於相關性系數Q分析的化工過程異常檢測77
4.1.1研究思路77
4.1.2基於相關性系數Q分析的化工過程異常檢測78
4.1.3實例分析83
4.2基於特徵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基於特徵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章基於特徵自適應與動態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特徵自適應106
5.2.1研究思路106
5.2.2特徵提取106
5.2.3自適應108
5.3動態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特徵自適應118
5.4.3動態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章基於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數據集描述142
6.4.2異常識別結果144
本章小結147
參考文獻147
第7章基於圖論的化工異常識別148
7.1研究思路148
7.2特徵選擇149
7.2.1變量相關性計算149
7.2.2基於圖論的特徵選擇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卷積神經網絡學習過程153
7.4案例應用與分析155
7.4.1動態數據集與預處理155
7.4.2圖論特徵選擇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章基於DBN的化工過程異常識別167
8.1基於VAE-DBN的異常工況識別167
8.1.1基於VAE-DBN的異常識別模型168
8.1.2案例應用研究172
8.2基於SRCC-DBN的異常工況識別174
8.2.1研究思路174
8.2.2Spearman秩相關係數175
8.2.3深度置信網絡176
8.2.4案例應用研究179
本章小結184
參考文獻184
第9章基於機理分析的化工過程故障診斷186
9.1基於機理相關分析貝葉斯網絡的過程故障診斷186
9.1.1研究思路186
9.1.2機理相關分析貝葉斯網絡的故障診斷方法187
9.1.3案例應用分析191
9.2基於動態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定量後果分析210
10.1化工過程異常的動態定量風險評估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基於計算流體力學的後果分析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基於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
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。