[发明专利]一种基于深度神经网络的化学工艺危险自动化分析的方法

说明书

本发明公开了一种基于深度神经网络的化学工艺危险自动化分析的方法，其特征在于，包括如下步骤：1)训练数据；2)模型训练；3)模型在线学习；4)节点编码；5)前向预测；6)结果后处理：本发明的有益效果是：化学工艺危险分析时间快，训练过程为离线过程，分析过程为秒级，时间快。

技术领域

本发明涉及化工危险自动分析技术领域，具体涉及一种基于深度神经网络的化学工艺危险自动化分析的方法。

背景技术

化学工艺危险是指项目中由于某个参数或者设备的偏差导致施工项目可能存在的工艺危险。项目有若干个节点构成，节点包含对该节点可能存在影响的参数。项目需要对这些参数进行偏差危险分析，同时给出对应的偏差措施，保障项目安全的开展。

现有化学工艺危险分析主要是人工完成，由工程师逐项进行分析。然后逐项列出对应的风险，并对该风险进行评估，进而列出对应的操作措施，并迭代式的分析直至风险降为可接受。该技术方案属于纯人工操作，存在以下缺陷：

1)人工成本高。项目节点多，每个节点对应多种参数。因此人工分析的方案耗时久。

2)误检漏检高。人工分析，容易产生疏忽，误检率高。且错误出现概率随着项目规模的增大而显著增加。

3)无自动化对比过程。人工分析的危险只有粗略的危险指数，并无精细值。无法对危险做更细致化的处理和优先级确认。

4)项目进度慢。

发明内容

针对现有技术中存在的问题，本发明提供了高效精准的一种基于深度神经网络的化学工艺危险自动化分析的方法。

本发明的技术方案如下：

1)训练数据：将已知化工项目中的危险工艺参数按照化学工艺危险分析中的风险类型打上风险等级标签，并将已知化工项目中的每个项目节点中的工艺参数进行编码；

2)模型训练：搭建深度神经网络，利用开源训练框架将步骤1)中的训练数据进行迭代训练，直至网络模型收敛，并得到预测模型；

3)模型在线学习：将步骤2)中得到的预测模型进行人工纠正后，作为训练数据集合，再次送入深度神经网络中进行迭代训练，从而更新预测模型，并最终得到分析模型；

4)节点编码：对新的化工项目的项目节点中的工艺参数进行编码；

5)前向预测：利用步骤3)中的分析模型将步骤4)中编码后的新的化工项目的项目节点中的工艺参数进行预测分析，并输出对应的分析结果；

6)结果后处理：对步骤5)中输出的分析结果，按照危险程度进行排序，然后根据响应风险生成对应操作，最后按照用户输入的阈值，进行自动等级分类。

所述的一种基于深度神经网络的化学工艺危险自动化分析的方法，其特征在于，所述工艺单元进行编码采用二进制编码。

所述的一种基于深度神经网络的化学工艺危险自动化分析的方法，其特征在于，所述步骤2)中的深度神经网络采用残差网络。

所述的一种基于深度神经网络的化学工艺危险自动化分析的方法，其特征在于，所述步骤6)中根据响应风险生成对应操作有两种方式，第一种是直接提示用户人工添加对应操作，第二种是系统自动匹配，即对应的某种偏差，可检索对应的匹配措施。

所述的一种基于深度神经网络的化学工艺危险自动化分析的方法，其特征在于，所述步骤2)中的模型训练即为建模过程，该过程主要是基于深度神经网络进行特征提取和训练；

2.1)建立模型公式如下：

其中E为目标函数，为对应第k个参数对应的危险系数；