《Digital Chemical Engineering》：A Depthwise Separable Convolutional Neural Network-based framework for jet flooding detection in a laboratory-scale sieve tray column
编辑推荐：
射流淹塔是用于气液分离过程的塔板中可能出现的一种故障状态。它代表了塔板的关键水力学操作极限，不仅影响分离效率，若未能及时诊断，还可能导致严重的不稳定性和非预期的工艺停机。本研究提出了一种基于深度可分离卷积神经网络（DeptSepCNN）的模型，用于实验室规模筛
射流淹塔是用于气液分离过程的塔板中可能出现的一种故障状态。它代表了塔板的关键水力学操作极限，不仅影响分离效率，若未能及时诊断，还可能导致严重的不稳定性和非预期的工艺停机。本研究提出了一种基于深度可分离卷积神经网络（DeptSepCNN）的模型，用于实验室规模筛板玻璃塔中的射流淹塔检测。研究人员通过利用精心设计的超参数空间和逐步增多的样本数量，采用迭代程序训练了多种DeptSepCNN架构，以解决监督学习中的二分类任务。最终分类器的选择主要依据其在淹塔召回率和F1分数方面的表现，因为这些指标全面评估了模型正确检测故障状态的能力，同时兼顾了其对误报警的鲁棒性。在多个独立测试集上的评估表明，最终DeptSepCNN分类器取得了非常高的性能，尤其是与传统CNN模型（如Vanilla CNN和MobileNet）相比。此外，研究还将图形用户界面（GUI）集成到所获得的射流淹塔检测框架中，作为离线监督工具，以便在典型工作条件下实现近实时分类。
基于深度可分离卷积神经网络的实验室规模筛板塔射流淹塔检测框架：研究背景、方法、结果与结论
**研究背景与问题**
塔板塔（如筛板塔、浮阀塔或泡罩塔）广泛用于萃取、吸收、汽提和蒸馏等过程中的液液或气液分离。作为核心单元操作，其性能直接影响工业装置的能量消耗和产品纯度。塔板上的质量传递主要发生在泡沫区，虽然分离效率通常随气速增加而提高，但过高气速会导致淹塔。射流淹塔（jet flooding）是筛板塔水力学操作极限的一种，其特征为持液量增加、压降迅速上升和不断增长的不稳定性。因此，准确的射流淹塔检测工具对于确保工业塔在非平稳负荷或流体性质漂移条件下的安全可靠连续运行至关重要。
传统淹塔检测方法依赖目视检查、持液量测量和压降监测，但这些方法存在主观性、需中断过程或依赖设备与设计等问题。声学信号分析虽被探索用于淹塔识别，但对工业噪声高度敏感。故障检测方法通常分为基于知识、基于模型和基于数据三类，而基于数据的方法在实际应用中更受青睐。然而，基于机器学习的淹塔检测技术主要缺陷在于监督学习中特征定义需要领域专业知识，以及高度不平衡数据集的普遍存在。卷积神经网络（CNN）凭借从原始图像数据自动提取特征并进行端到端分类的能力，近期成为淹塔检测工具。但文献中尚无研究探讨CNN在带有降液管等内件的塔板中检测射流淹塔的应用。
**研究内容与结论**
本研究提出一种基于深度可分离卷积神经网络（DeptSepCNN）的模型，用于实验室规模筛板玻璃塔的射流淹塔检测。研究人员构建了一个二分类器，能够区分故障状态与常规运行状态。该模型在独立测试集上进行了评估。研究的另一创新点在于开发了图形用户界面（GUI），作为集成到框架中的离线监督工具，实现近实时分类。实验在明斯特应用科学大学单元操作实验室的透明筛板玻璃塔中进行，塔高1.20米，外径0.06米，采用逆流分级系统，介质为水和压缩空气。塔内件包括9个筛板和垂直降液管，呈横流布置。硬件包括固定安装的Panasonic Lumix DC-FZ82D相机，以及双光源配置以确保均匀照明。研究构建了包含5758张图像的数据集，分为训练集（47.4%）、验证集（47.4%）和测试集（5.2%）。训练和验证集轻微不平衡以模拟真实应用，测试集由完全独立的实验运行得到的300张图像组成，并分为三种不同ROI尺寸的子集。图像预处理包括灰度化、调整为224×224像素并归一化。
研究人员采用迭代程序训练多种DeptSepCNN架构，超参数空间包括卷积块数量（2或3）、丢弃率（0.3或0.4）和学习率（0.001或0.0005）。最终选择的模型包含3个卷积块，每个块包含2个连续的可分离卷积组（SeparableConv2D、批归一化和ReLU），后接最大池化层，然后通过全局平均池化压缩为一维向量，送入具有128个神经元和ReLU激活的单隐层全连接网络，最终以sigmoid激活的稠密层输出概率，阈值设为0.50。采用Adam优化器，并使用早停和学习率衰减策略。最终分类器的选择主要依据淹塔召回率和F1分数。在验证集上，所选模型达到淹塔召回率1.0000、淹塔F1分数0.9992、宏平均F1分数0.9993、验证ROC-AUC 1.0000。在三个独立测试集上，性能分别为：相同ROI尺寸时准确率1.0000，较大ROI尺寸时准确率0.9500（淹塔召回率0.9000），较小ROI尺寸时准确率0.9700（淹塔召回率1.0000）。与基准模型比较，DeptSepCNN在三个测试集上的整体准确率（0.9733）显著高于Vanilla CNN（0.9300）、MobileNet ImageNet（0.8933）和MobileNet从头训练（0.5000）。Grad-CAM热图分析显示，模型在常规状态下关注泡沫区上方的连续气相区域，在淹塔状态下关注塔板间距内气泡的均匀存在，验证了模型关注相关区域。
**主要关键技术方法**
研究人员采用了深度可分离卷积（depthwise separable convolution）技术构建DeptSepCNN模型，该技术将标准卷积分解为深度卷积和逐点卷积，显著降低计算成本。数据采集中使用了ROI裁剪算法以聚焦相关区域，并采用灰度转换和归一化预处理。模型训练采用二进制交叉熵损失函数，结合超参数网格搜索、早停和学习率衰减。此外，研究集成了图形用户界面（GUI）用于离线监督和近实时分类。样本来源于实验室规模筛板玻璃塔，介质为水和压缩空气，数据集包含5758张图像，测试集由独立实验运行获得。
**研究结果**
**4.1 射流淹塔检测框架**
通过迭代训练多种DeptSepCNN架构，研究人员确定了最终模型。所选模型在验证集上表现优异，淹塔召回率和F1分数接近1，验证ROC-AUC达到1.0。在三个独立测试集上，模型展现出对不同ROI尺寸的鲁棒性：相同ROI尺寸时完全正确分类，较大ROI时漏检5个淹塔样本（召回率0.90），较小ROI时产生3个误报（召回率1.0）。Grad-CAM热图表明，模型在常规状态下关注泡沫上方的气相区域，在淹塔状态下关注塔板间气泡分布，验证了模型的可解释性。集成的GUI允许用户上传视频并进行逐帧分类，实现近实时检测。
**4.2 基准对比实验**
将DeptSepCNN与Vanilla CNN、MobileNet（从头训练和ImageNet预训练）进行比较。在验证集上，DeptSepCNN和Vanilla CNN性能相当，均优于两种MobileNet变体。但在独立测试集上，DeptSepCNN展现出更强的鲁棒性：当ROI尺寸变化时，Vanilla CNN性能下降（整体准确率0.9300），而DeptSepCNN保持更高准确率（0.9733）。MobileNet从头训练模型在测试集上退化为常数分类器（准确率0.5000），预训练模型准确率0.8933。结果表明DeptSepCNN在模拟真实场景的输入变化下具有优越的鲁棒性。
**4.3 局限性**
当前二分类器仅能区分射流淹塔和常规状态，无法检测其他水力学故障（如锥流、漏液、降液管背液）。实验使用水和空气，其透明性利于灰度成像，但模型可能无法直接推广至其他介质。方法依赖透明玻璃塔、相机和双光源配置，可能限制在工业钢塔中的可扩展性。GUI的视频处理延迟约为50–120秒，实现近实时而非完全实时分类，虽适合监督和教育目的，但对于集成闭环控制而言并非最优。
**讨论与结论**
研究采用深度学习方法作为分类工具，成功检测了实验室规模筛板玻璃塔中的射流淹塔。通过迭代设计程序训练多种DeptSepCNN架构，最终模型在验证集和三个独立测试集上均表现出高鲁棒性和分类性能，优于Vanilla CNN和MobileNet等传统轻量级基准。GUI的集成使近实时应用成为可能。未来展望包括扩展为多类分类器以识别更多操作状态（如漏液），并将检测器集成到在线控制回路以实现实时调节。该研究为塔板水力学故障检测提供了基于深度可分离卷积的高效方案，具有重要的工业应用潜力。论文发表在《Digital Chemical Engineering》。
