一种结合动态仿真与注意力双长短期记忆网络的化学过程系统动态韧性预测数据驱动方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A data-driven method for dynamic resilience prediction of chemical process systems integrating dynamic simulation and attention Bi-LSTM

　　摘要：化学工艺系统容易受到干扰，这些干扰可能影响生产效率，甚至引发导致人员伤亡的事故。为降低干扰对化学工艺系统的影响，本研究提出了一种基于数据的方法来评估和预测系统的韧性。首先，综合考虑安全约束和生产效率，确定决定系统性能的关键工艺参数。接着，系统地识别并生成潜在的干扰事件。然后通过动态仿真生成瞬态响应数据。最后，提出一种考虑关键工艺参数的韧性评估方法，并开发了一种注意力机制的Bi-LSTM模型，用于学习干扰特征与系统韧性之间的时间依赖关系，从而实现系统韧性的预测。研究结果表明，所提出的方法能够准确预测在干扰情况下系统性能和韧性的变化，其均方根误差为0.0035，平均绝对误差为0.0032，预测值与实际韧性值之间的差异不超过0.005。该方法在预测不同干扰场景下化学工艺系统韧性方面表现出较强的能力，为化学工艺系统的主动韧性管理提供了系统化的方法，有助于提升运营安全并优化维护策略。

引言：化学工艺系统在能源转换、材料合成、制药制造以及许多其他对社会经济发展至关重要的领域中发挥着重要作用。全球化学工业持续快速发展，出现了百万吨级的乙烯工厂和炼油厂等超大型设施[1]。这种向更大规模和更高集成度发展的趋势无疑通过提高生产效率和规模经济带来了显著益处[2]；Meng等人，2024年。然而，这也使得化学工艺系统变得愈发复杂，存在强烈的非线性特征、单元操作之间的紧密耦合以及复杂的多变量相互作用。在这种条件下，由设备故障、操作失误或外部扰动引发的干扰会通过物质、能量和信息流迅速传播，可能引发级联效应，导致系统性能严重下降甚至失效[3,4]。近年来频发的重大工业事故（如有害物质泄漏、火灾和爆炸）凸显了现代化学工艺系统在面对意外扰动时的固有脆弱性。因此，开发系统化的方法来评估和提高化学工艺系统抵御和从干扰中恢复的能力，已成为过程系统工程和安全科学领域的关键任务。

“韧性”这一概念为解决这一问题提供了新的思路。“韧性”一词最初源于生态学领域，指的是生态系统在面临变化时吸收干扰并重新组织自身的能力[5]。随后，韧性逐渐被应用于工程系统、组织管理和社会技术领域[6]。与传统风险评估主要侧重于量化已识别故障场景的概率和后果不同，韧性则采取更广泛的视角，注重系统预测、吸收、适应和快速从干扰中恢复的能力[7,8]。Hollnagel等人[9]将韧性定义为系统在面对预期和意外干扰时保持或迅速恢复到期望功能状态的内在能力。在此基础上，Woods[10]提出了韧性的四个核心要素：应对常规和非常规威胁、监控当前状况、预测未来干扰以及从过往经验中学习。在过程安全领域，韧性工程突破了传统的“预防-保护-减轻”框架，强调了系统在面对不可预见的扰动时的适应能力和进化学习能力[11]。这一概念上的进步为理解和提升化学工艺系统在复杂干扰场景下的生存能力开辟了新途径。

韧性的量化是将理论概念转化为实际工程应用的关键步骤。目前，化学工艺系统韧性量化方法可大致分为基于指标的方法和基于函数的方法。基于指标的方法构建多层次指标体系，纳入技术、组织和人为因素，以评估设计、运行和管理各阶段的韧性特性。例如，Dinh等人[12]提出了一个涵盖早期预警能力、灵活性和可控性维度的化学工艺系统韧性评估框架。Shirali等人[13]则开发了专门针对流程工业中人为和组织因素的韧性评估工具。虽然这些方法能提供有价值的定性见解，但它们依赖于专家判断和主观评价，难以捕捉系统在实际运行条件下的动态响应特性。相比之下，基于函数的方法则着眼于描述整个干扰过程中系统的性能演变轨迹[14,15]。这些基础性研究为化学工艺系统韧性量化奠定了方法论基础。Shirazi等人[16]从四个维度对甲醇生产装置的韧性进行了定量评估，包括特定技术韧性、一般技术韧性、特定社会韧性以及一般社会韧性。Yang等人[17]提出了一种综合评估框架，明确纳入了功能退化、性能变异和不确定性因素。Zeng等人[18]针对Natech效应引发的连锁反应，提出了包括战略部署安全屏障在内的韧性提升措施。在快速响应系统领域，Pawar等人[19]提出了一个基于可靠性的韧性框架，探讨了通过设计改进和运营策略来提升韧性。Sun等人[20]开发了一种基于动态贝叶斯网络的方法，以系统可用性作为化学工艺系统韧性的关键性能指标。同样，Hoseyni和Cordiner[21]也利用动态贝叶斯网络评估了绿色氢气生产设施在早期和后期设计配置下的韧性。

尽管在化学工艺系统韧性评估方面取得了显著进展，但对现有文献的全面分析表明，当前研究仍存在两个关键局限：(1) 目前的主流韧性评估方法大多基于可靠性分析，而可靠性分析依赖于历史数据，因此存在固有的不确定性。然而，化学工艺系统具有显著的非线性特征、强耦合性以及时变动态行为，仅依靠可靠性分析不足以准确反映系统在动态干扰下的实际响应。(2) 现有的评估方法主要侧重于系统韧性评估，而利用实时数据动态预测系统未来韧性水平的方法研究较少。

深度学习技术的出现为解决这些挑战提供了有望的解决方案。长短期记忆网络是一种专门的循环神经网络架构，通过引入门控机制来克服梯度消失问题，在学习序列数据中的长距离依赖关系方面表现出色，在语音识别、机器翻译和时间序列预测等应用中取得了突破性成果[22]。在化学工程领域，LSTM及其变体已被成功应用于关键参数预测和故障诊断。在此基础上，双向长短期记忆网络通过引入双向信息传递机制扩展了LSTM架构，能够同时利用正向和反向的时间信息，更全面地捕捉时间序列数据中的上下文依赖关系[23]。比较研究表明，与单向LSTM相比，Bi-LSTM在模拟化学工艺系统的非线性动态方面表现更佳。然而，目前尚无关于将注意力机制的Bi-LSTM应用于预测化学工艺系统韧性的系统研究。

为探讨现有方法的上述局限性，本文提出了一种将动态过程仿真与注意力机制的Bi-LSTM相结合的新方法，用于预测化学工艺系统的韧性。主要贡献包括以下几个方面：(1) 开发了动态过程仿真模型。通过动态仿真，可以实时获取系统的工艺参数。基于该模型，生成时间序列数据集，以记录系统在各种干扰条件下的关键工艺变量和系统性能指标的完整演变轨迹。(2) 基于系统时间序列数据，训练注意力机制的Bi-LSTM模型，以学习工艺变量与系统性能演变轨迹之间的非线性关系，从而实现对未来系统性能演变的提前预测。(3) 根据预测的系统性能，可以通过性能损失幅度、恢复时间以及综合性能损失等多维度来评估和预测系统韧性。由此建立了一个动态韧性预测框架，能够在干扰演变过程中进行前瞻性的韧性评估。

本文的其余部分结构如下：第2节简要介绍所提出的方法，第3节为案例研究，第4节给出结论。

方法概述：干扰可能导致温度、压力、流量和液位等关键工艺参数出现多维且非线性的波动。这些波动通过耦合效应在化学工艺系统中传播，可能导致关键工艺参数超过安全阈值，进而造成系统性能下降甚至失效。为减轻干扰事件对系统性能的负面影响，有必要对系统进行评估……

案例研究：本文以CSTR作为应用所提韧性预测方法的案例[37]。在CSTR系统中，主要反应是一个放热反应，乙烯与苯反应生成目标产物乙苯。同时还会发生两种副反应：一种是乙烯与已生成的乙苯进一步反应，产生不希望出现的副产品二乙苯；另一种是苯与二乙苯反应，重新生成乙苯。整个反应过程可以……

结论：本文为各种类型干扰下的工艺系统建立了动态过程韧性预测框架。首先建立了动态过程仿真模型，以获取工艺参数的实时值，并生成描述关键工艺变量演变的时间序列数据。这为后续分析提供了更为可靠的数据基础，同时也解决了使用静态或不完整数据进行韧性预测时存在的不确定性问题。

未引用参考文献：[[39], [40], [41]]

CRediT作者贡献声明：Hao Sun：撰写——初稿、验证、软件、方法论、研究、资金获取。Jiaxin Li：撰写——初稿。Meng Qi：监督、软件。Fuyu Wang：撰写——审阅与编辑、研究。Ming Yang：方法论、形式分析。Hao Sun|Jiaxin Li|Meng Qi|Fuyu Wang|Ming Yang