●第1章 緒論
1.1 化工過程安全
1.1.1 化工生產特點
1.1.2 化工過程異常工況
1.1.3 化工安全生產的意義
1.2 故障識別與診斷
1.2.1 基於解析模型的方法
1.2.2 基於知識的方法
1.2.3 基於數據驅動的方法
1.3 機器學習
1.3.1 淺層學習
1.3.2 深度學習
1.3.3 深度學習算法分類
1.3.4 深度學習在化工故障診斷中的應用
1.4 特征工程
1.4.1 特征提取與特征選擇
1.4.2 特征自適應
1.5 研究思路
本章小結
參考文獻
第2章 數據預處理
2.1 基於GAN的缺失數據重建
2.1.1 生成式對抗網絡GAN
2.1.2 卷積神經網絡
2.1.3 深度自編碼器
2.1.4 GAN模型搭建
2.1.5 GAN缺失數據重建結果
2.2 基於灰色時序模型的數據預測
2.2.1 灰色模型原理
2.2.2 時間序列模型
2.2.3 組合模型
2.2.4 檢驗方法
2.2.5 實例應用
本章小結
參考文獻
第3章 基於維度壓縮和聚類分析的化工報警閾值優化
3.1 總體研究思路
3.2 基於PCA權重和Johnson轉換的多變量報警閾值優化
3.2.1 研究思路
3.2.2 PCA求權重
3.2.3 Johnson轉換
3.2.4 平行坐標
3.3 基於報警聚類和ACO的多變量報警閾值優化
3.3.1 研究思路
3.3.2 報警繫統效率指標
3.3.3 報警聚類
3.3.4 熵權法求權重
3.3.5 閾值優化
3.4 應用實例研究
3.4.1 常減壓工業實例介紹
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
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
3.4.4 常減壓操作質量分析
本章小結
參考文獻
第4章 基於特征工程的化工過程異常檢測
4.1 基於相關性繫數Q分析的化工過程異常檢測
4.1.1 研究思路
4.1.2 基於相關性繫數Q分析的化工過程異常檢測
4.1.3 實例分析
4.2 基於特征工程的化工過程異常檢測與識別
4.2.1 研究思路
4.2.2 基於特征工程的化工過程異常檢測與識別方法
4.2.3 實例分析
本章小結
參考文獻
第5章 基於特征自適應與動態主動深度分歧的化工過程異常識別
5.1 總體研究思路
5.2 特征自適應
5.2.1 研究思路
5.2.2 特征提取
5.2.3 自適應
5.3 動態主動深度分歧的異常識別模型
5.3.1 研究思路
5.3.2 CNN基本模塊
5.3.3 LSTM基本模塊
5.3.4 動態主動學習
5.4 案例應用研究
5.4.1 TE過程說明
5.4.2 特征自適應
5.4.3 動態主動深度分歧的異常識別模型
本章小結
參考文獻
第6章 基於LSTM的化工異常識別
6.1 LSTM模型
6.1.1 模型結構
6.1.2 算法原理
6.1.3 超參數設置
6.2 LSTM訓練策略
6.2.1 5-折交叉驗證
6.2.2 過擬合
6.3 LSTM訓練過程
6.4 案例應用與分析
6.4.1 數據集描述
6.4.2 異常識別結果
本章小結
參考文獻
第7章 基於圖論的化工異常識別
7.1 研究思路
7.2 特征選擇
7.2.1 變量相關性計算
7.2.2 基於圖論的特征選擇
7.3 深度學習模型
7.3.1 序列問題學習過程
7.3.2 卷積神經網絡學習過程
7.4 案例應用與分析
7.4.1 動態數據集與預處理
7.4.2 圖論特征選擇
7.4.3 識別模型搭建
7.4.4 識別結果對比
本章小結
參考文獻
第8章 基於DBN的化工過程異常識別
8.1 基於VAE-DBN的異常工況識別
8.1.1 基於VAE-DBN的異常識別模型
8.1.2 案例應用研究
8.2 基於SRCC-DBN的異常工況識別
8.2.1 研究思路
8.2.2 Spearman秩相關繫數
8.2.3 深度置信網絡
8.2.4 案例應用研究
本章小結
參考文獻
第9章 基於機理分析的化工過程故障診斷
9.1 基於機理相關分析貝葉斯網絡的過程故障診斷
9.1.1 研究思路
9.1.2 機理相關分析貝葉斯網絡的故障診斷方法
9.1.3 案例應用分析
9.2 基於動態機理模型的異常反演
9.2.1 反演模型
9.2.2 案例應用與分析
本章小結
參考文獻
第10章 化工過程異常的動態定量後果分析
10.1 化工過程異常的動態定量風險評估
10.1.1 研究思路
10.1.2 定量風險計算
10.1.3 案例應用與分析
10.2 基於計算流體力學的後果分析
10.2.1 計算流體力學簡介
10.2.2 爆燃氣體的擴散
10.2.3 基於MATLAB的氣體擴散模擬
10.2.4 實例應用
本章小結
參考文獻

《基於機理特征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，采用定量相關繫數和復雜網絡相結合的機理特征提取方法，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。