近日，青岛科技大学田文德教授团队报道了关于智能化工安全及控制的相关进展。他们通过融合机理知识、流程模拟、大数据和深度学习等技术，研究了风险建模、安全控制、参数软测量和异常识别等方面的问题，针对化工过程系统的非正常工况形成了从定位、控制、监测到识别的技术路线。

首先，田文德教授团队提出了一种基于过程建模和复杂风险计算的CCLGS动态安全控制策略。利用工艺机理仿真对CCLGS过程进行建模，仿真结果与实验结果吻合较好。通过构造邻接矩阵形成流程的复杂网络，进一步结合单位最大材料系数、单位一般风险系数和单位特殊风险系数计算出各个单元的风险值，定位了风险等级较高的操作单元。针对高风险单元设计了动态控制回路，通过安全完整性水平评估压力控制器的可靠性。该研究将为工业装置的安全控制，有助于提高化工工艺本质安全性。研究成果在国际知名学术期刊Energy（中科院一区TOP，IF=9）上发表了文章“Dynamic optimal control of coal chemical looping gasification based on process modeling and complex risk computation”（论文链接：https://doi.org/10.1016/j.energy.2023.128451）。青岛科技大学为论文的第一单位，化工学院田文德教授为论文的通讯作者，课题组崔哲老师为第一作者，硕士研究生孙阳为第二作者。

图1 基于过程建模和复杂风险计算的动态优化控制技术路线

其次，化工过程中存在大量不可观测的隐性变量，田文德教授团队以典型不可观测变量——精馏塔板效率为例，开展基于机理深度学习的软测量方法研究。他们利用大数据聚类凝聚装置的工况特征，作为机理建模的输入条件，开展分馏过程多特征工况模拟，获得塔板效率与过程可测参数的关联数据集。基于深度学习算法构建塔板效率的实时软测量模型，实现塔板效率的实时监测。所提技术的可靠性在工业催化裂化装置的分馏塔中得以验证，并在可靠性领域顶级期刊Reliability Engineering & System Safety（中科院一区TOP，IF=8.1）上发表了文章“Mechanism-based deep learning for tray efficiency soft-sensing in distillation process”（论文链接：https://doi.org/10.1016/j.ress.2022.109012）。青岛科技大学为论文的第一单位，化工学院田文德教授为论文的通讯作者，博士研究生王少辰为第一作者，实验室老师李传坤、刘彬、崔哲参与指导工作。

图2 基于机理深度学习的精馏塔板效率软测量技术路线

最后，针对神经网络模型缺乏可解释性的问题，提出了一种结合深度学习动态距离编码方法来可解释的异常工况识别。基于不同距离度量准则构建动态编码数据集，实时测量正常和输入样本的空间分布，通过分析多个变量的变化，捕捉分布不一致的变量，找到当前状态的原因。通过滑动窗口，生成动态编码图并分析故障原因。通过LSTM学习编码图的深层特征，用于故障识别，面对环境噪声和操作条件变化具有强大鲁棒性。所提方法在工业中得到应用，并在人工智能领域顶级期刊Engineering Applications of Artificial Intelligence（中科院一区TOP，IF=8）上发表了文章“A novel dynamic distance coding identification method for oil–gas gathering and transportation process”（论文链接：https://doi.org/10.1016/j.engappai.2023.106010）。青岛科技大学为论文的第一单位，化工学院田文德教授为论文的通讯作者，博士研究生刘子健为第一作者，实验室老师刘彬、崔哲参与指导工作。

图3 基于动态距离编码的工况识别技术路线

以上三项研究成果得到了国家自然科学基金、中国博士后基金、山东省自然科学基金等项目的资助和支持。