研究成果：Attention-based EarlyWarning Framework for Abnormal Operating Conditions in Fluid Catalytic Cracking Units
作者：湯臣薇，楊帆*，呂建成 等
發表期刊：Applied Soft Computing

資訊概況

近日，計算機科學領域著名期刊《Applied Soft Computing》（SCI一區， Top期刊）刊載了四川萬物縱橫 楊帆博士與四川大學合作的最新工業智能研究成果《基于注意力機制的催化裂化裝置異常工況預警（Attention-based EarlyWarning Framework for Abnormal Operating Conditions in Fluid Catalytic Cracking Units》。

論文在線預覽鏈接：https://www.sciencedirect.com/science/article/abs/pii/S1568494624000498

該論文由楊帆博士與四川大學呂建成教授團隊合作發表，論文一作是四川大學湯臣薇副教授。楊帆博士作為該論文算法的主要設計人，是該論文的通訊作者。

論文介紹

催化裂化是最復雜的化工過程之一，它是重質油在酸性催化劑作用下，在溫度500℃左右，壓力達到1×105~3×105Pa的條件下發生的以裂化反應為主的一系列化學反應，反應主要生成輕質油、氣體和焦炭。目前，中國催化裂化裝置生產的柴油和汽油約占成品柴油和汽油總量的30%和70%左右，催化裂化已經成為重油加工的最重要方法之一。

催化裂化裝置非常龐大，在高溫高壓的苛刻條件下運行，運行過程中會使用或產生大量有毒有害、易燃易爆的危險化學品，如果出現生產問題，將可能引起巨大的安全、環保事故，造成重大生命財產損失。實時監控催化裂化裝置的運行狀況，及時進行異常工況預警，進而指導工作人員提前干預，是安全生產的重要保障手段之一。

由于催化裂化裝置工藝參數之間的相關性很強，因此很難對故障進行分析和檢測。基于深度學習的方法在這一問題上取得了很好的效果，但大多數方法都不能解決傳感器數據噪聲和異常召回率低的問題。該研究論文提出了具有異常模式注意的卷積遞歸神經網絡（APA-CRNN）。
1. APA-CRNN該方法中的自相關去噪器（SCD）可以降低傳感器數據的噪聲。
2. 利用卷積遞歸神經網絡（CRNN）學習不同工藝參數的潛在相關特性。
3. 為了提高異常情況的召回率，該方法對歷史異常樣本數據進行聚類，得到不同的異常模式，并通過異常模式注意（APA）模塊對CRNN模塊輸出中與異常情況相關的部分進行強化。
4. 實驗結果表明，該方法能更有效地識別催化裂化裝置的異常情況，提高工業過程的安全性、效率和可持續性。

拓展：

《Applied Soft Computing》是計算機科學領域的著名期刊，由Elsevier(愛思唯爾)創刊于2001年，屬JCR 1區、中國科學院SCI分區TOP期刊，在CiteScore(引用分數)排名中，得分14.3，位于計算機科學分類的前5%。Applied Soft Computing(應用軟計算) 旨在利用人們對不精確性和不確定性的容忍，提高問題的易處理性和穩健性并降低處理成本，以解決現實生活中的復雜問題。

四川萬物縱橫致力于物聯網智能的研究與應用，在工業智能應用領域有較深的研究。首席科學家楊帆博士在該領域已經獲得授權專利19項，發表多篇論文（2篇 SCI一區、2篇 SCI 二區、3篇EI/中文學報、4篇國家級行業會議論文），其中發表在國內石化加工權威期刊“石油學報（石油加工）”的文章《智能優化算法及人工神經網絡在催化裂化模型分析中的應用進展》 被評為該期刊“近10年(2013—2023年)高影響力論文”；發表在 "Big Data Mining and Analytics "(SCI 一區)的論文Artificial Intelligence Methods Applied to Catalytic Cracking， 被美國科學促進會(AAAS)的官網 EurekAlert! 進行了深度報道(https://www.eurekalert.org/news-releases/986624)。