汽包液位是煤气化装置汽包过程的关键安全参数,汽包工况反映了汽包过程的运行状态,通过对汽包异常工况的预测,可以及时监控相关的过程变量、降低事故发生的风险,从而保障煤气化装置的安全运行。针对难以获得大量的汽包运行数据异常样本问题,本文提出了基于门控递归单元(Gated Recurrent Unit,GRU)自编码神经网络的煤气化装置汽包异常工况预测方法,利用数据间的时序依赖性重构异常样本从而更好地分析样本特征,论文的主要研究内容及取得的成果如下:1.传统自编码神经网络由于缺少对异常数据时序依赖性的考虑,重构的准确性随着序列长度的增加而减少,不适用于重构长序列的异常数据。通过结合GRU神经元优秀的长时间记忆能力和非线性拟合能力,构造GRU自编码神经网络,在异常数据重构过程中将前一时刻状态信息对当前输入数据的影响考虑其中,实现长序列异常数据的有效重构,采用TE(Tennessee Eastman)过程数据对GRU自编码神经网络的故障数据重构性能进行了验证。2.通过对汽包数据特征分析,提出基于GRU自编码神经网络的煤气化装置汽包异常液位预测方法,提早发现汽包液位超出正常阈值范围变化的情况。GRU自编码神经网络通过重构预测出的汽包液位数据,实现异常液位预测,并通过某工业煤气化装置汽包运行数据验证了该方法的有效性。3.在对汽包异常液位进行预测的基础上,提出基于GRU自编码神经网络的煤气化装置汽包异常工况预测方法,利用GRU自编码神经网络学习异常特征并扩充异常样本,从而对预测出的汽包液位异常数据判断其工况类型。通过对工业煤气化装置汽包运行数据的实验验证,表明在异常样本信息不足的情况下,所提出的方法可以有效地提高汽包异常工况预测的准确性。