《Results in Engineering》:Process monitoring of acid gas removal unit using deep forecasting and LLM-based interpretation
编辑推荐:
酸性气体脱除单元(Acid Gas Removal Unit,AGRU)在化工过程工业中具有强非线性与强耦合的动态特性,其连续监测对维持处理气质量、限制溶剂降解和保障安全运行至关重要。本研究开发了一种CNN–Transformer–LSTM(CTLL)混合深度
酸性气体脱除单元(Acid Gas Removal Unit,AGRU)在化工过程工业中具有强非线性与强耦合的动态特性,其连续监测对维持处理气质量、限制溶剂降解和保障安全运行至关重要。本研究开发了一种CNN–Transformer–LSTM(CTLL)混合深度学习框架,用于AGRU过程变量的多步多变量预测。研究人员在六种模拟故障场景下对18个AGRU过程变量进行了200步预测,结果显示预测精度保持良好,均方误差(MSE)通常低于0.01,平均绝对误差(MAE)低于0.05。研究进一步利用预训练的LSTM自编码器对预测轨迹进行异常检测,验证了预测轨迹能够在预测时域内保留故障特征,从而支持早期异常识别。此外,研究引入基于大语言模型(LLM)的HAZOP式解释层,将预测偏差映射为过程层面的故障原因、后果与建议操作,弥合了数值预测与过程安全决策之间的鸿沟。该框架为AGRU提供了早期预警与可解释的决策支持能力,展示了将深度预测模型与LLM结构化解释相结合用于工业过程监测的可行性与有效性。
论文解读文章
一、研究背景与问题
在化工过程工业中,有效的过程监测对于维持操作安全、产品质量和经济性能至关重要。现代工厂运行于高度动态的条件下,偏离正常行为的偏差可能预示着故障或异常操作状态的开始。故障管理通常包括故障检测、诊断、预后和维护决策制定,其中预后侧重于预测未来系统行为。酸气脱除单元(AGRU)由于溶剂循环、吸收塔与再生塔相互作用、温度依赖平衡、传质限制以及多个相互作用的控制回路,表现出强非线性和耦合动态特性。因此,需要对AGRU进行连续监测,以维持处理气质量、限制溶剂降解并支持安全工厂运行。由于许多AGRU故障是渐进发展的,需要能够早期识别异常行为并预测关键过程变量后续演变的方法。
尽管已有多种数据驱动方法被应用于AGRU监测和预测,但现有文献主要集中在故障检测、诊断、过程监测和单点预测上,对故障演变的多步多变量预测关注有限。具体而言,以往研究尚未考察预测的AGRU轨迹是否能在预测时域内保留可检测的故障特征,以及这些预测偏差能否转化为过程层面的可能原因、后果和操作行动的解读。这一研究空白构成了本研究的核心动机。
二、研究内容与主要贡献
本研究开发了一种CNN–Transformer–LSTM(CTLL)混合深度学习框架,用于AGRU过程变量的多步多变量预测。该研究做出了四项主要贡献:第一,开发了CTLL架构用于AGRU过程变量的多步多变量预测,每个架构组件针对过程数据的特定时间特征而选择;第二,通过将预训练的LSTM自编码器应用于预测结果而无需额外训练,评估了预测轨迹中是否保留故障相关特征;第三,引入了基于LLM的HAZOP式解释层;第四,使用配对统计显著性检验和效应量指标,将所提模型与八种基线配置进行基准比较,评估预测性能。
三、关键技术方法
研究人员提出的CTLL模型结合了三种深度学习组件,每种组件解决其他组件遗留的局限性。卷积层从多变量输入中提取局部短时程模式,如变化率和局部趋势;Transformer编码器块通过自注意力机制建模长距离依赖关系,无论距离远近均可关联输入窗口中的所有位置;LSTM层提供预测中的时间连续性。三者按顺序组合:Conv1D层用于局部特征提取,Transformer编码器块用于长距离依赖建模,LSTM层用于预测中的时间连续性。模型接收包含18个过程变量的长度T的多变量时间序列,输出为相同18个变量的200步预测。检测由独立的LSTM自编码器完成,该自编码器仅使用正常操作窗口离线训练,其重构误差对正常动态保持较小,对其他情况增大。LLM解释层将预测的过程偏差转换为面向操作员的故障描述,输入包括排序的主要变量、偏差幅度和方向、预测趋势和波动性、定义的操作限值以及AGRU过程关系,通过结构化提示词提供给LLM,输出组织为偏差、可能原因、后果和建议行动四个字段。
四、研究结果
4.1 CTLL预测性能评估
研究人员在六种模拟故障场景下对18个AGRU过程变量进行了200步预测,并将CTLL模型与八种基线配置进行基准比较。结果显示CTLL预测精度保持良好,均方误差(MSE)通常低于0.01,平均绝对误差(MAE)低于0.05,表明该混合架构能够有效捕捉AGRU过程的多变量时间动态。
4.2 故障特征保留验证
研究人员将预训练的LSTM自编码器直接应用于CTLL生成的预测轨迹,无需额外训练。检测结果表明,预测轨迹在预测时域内保留了故障特征,LSTM自编码器能够基于预测数据检测出异常状态,验证了预测轨迹可用于故障检测的可行性。这一结果具有重要意义,因为它表明预测不仅数值准确,而且保留了可用于异常检测的故障签名。
4.3 LLM解释层评估
研究人员将预测偏差输入LLM解释层,通过结构化提示词生成HAZOP式解读。LLM输出将主要变量的变化映射到过程层面的故障原因、后果和建议操作。结果显示LLM解释能够将数值预测转化为操作员可理解的过程安全相关信息,为早期纠正行动提供决策支持。
五、讨论与结论
现有AGRU文献主要关注故障检测、诊断、过程监测和点预测,而本研究通过开发CTLL框架填补了多步多变量故障演变预测的研究空白。与单独应用CNN-LSTM或CNN-Transformer架构不同,CTLL将三种组件按顺序组合,使每种组件的优势互补、局限性被其他组件弥补。研究还表明,预测轨迹保留故障特征的能力使得故障检测可以在预测阶段而非仅在实际测量后进行,支持早期预警。LLM解释层通过结构化输出弥合了数值预测与过程安全决策之间的差距,其受HAZOP启发的四字段输出格式(偏差、可能原因、后果、建议行动)为操作员提供了一致且与过程相关的信息。
研究结论表明,CTLL框架能够可靠地实现多变量时间序列预测、故障检测和解释,支持AGRU的早期预警和可解释的决策支持。将深度预测模型与LLM结构化解释相结合,为工业过程监测提供了一种有前景的范式,可推广至其他复杂化工过程系统。