填料塔是一种重要的气液传质设备,在工业生产中应用广泛。液泛的发生是现有工业填料塔操作中存在的主要问题,一旦发生液泛会导致生产效率降低,严重时甚至会引起停车,影响整个生产系统的正常操作。基于深度学习对填料塔液泛进行监测能够实现生产过程智能化,保障填料塔安全高效运行,具有重要的应用价值和理论研究价值。本文首先综述了填料塔液泛监测的研究现状,提出基于深度学习建立数据驱动模型用于液泛监测的方法。结合填料塔过程变量数据的特点,提出一种三维长短期记忆神经网络结构对塔内压差进行监测,进而实现对液泛的间接监测。针对仅通过塔内压差的变化无法准确识别液泛状态的问题,提出一种卷积长短期记忆单元结构对填料塔视频数据建模,实现对液泛的直接监测。最后提出一种将两者结合的液泛监测工作流程。本文的主要工作和创新点如下:(1)采用塔内压差这一关键变量作为液泛监测的重要依据,利用循环神经网络对填料塔过程变量数据建立时序模型实现对塔内压差的监测。针对循环神经网络存在的“梯度弥散”问题并结合填料塔过程变量数据的特点,提出一种三维长短期记忆神经网络结构对塔内压差进行监测。经实验验证了监测模型的有效性和优越性,进而能够实现对液泛的间接监测。(2)针对仅通过塔内压差的变化无法准确识别液泛状态的问题,提出基于填料塔视频数据的液泛监测方法。将卷积神经网络和长短期记忆神经网络有机结合,提出一种卷积长短期记忆单元结构对填料塔视频数据建立时空模型,实现对液泛的直接监测,经实验验证了方法的有效性。最后提出一种将两者结合的液泛监测工作流程,保障填料塔安全高效运行。