化工过程中,掌握关键工艺参数的变化趋势对于消除潜在波动、维持工况稳定作用巨大.然而,传统的浅层静态模型很难对非线性和动态性显著的复杂序列数据进行精准预测.针对上述难题,提出一种深度预测模型TA-ConvBiLSTM,将卷积神经网络(convolutional neural networks,CNN)和双向长短时记忆网络(bi-directional long short term memory,BiLSTM)集成到统一框架内,使其不仅能在每个时间步上自动挖掘高维变量间的隐含关联,更能横跨所有时间步自适应提取有用的深层时序特征.此外,引入时间注意力(temporal attention,TA)机制,为反映目标变化规律的重要信息增加权重,避免其因输入序列过长、深层特征太多而被掩盖.所提出方法的有效性在国内某延迟焦化装置炉管温度预测的案例中得到验证.
Critical parameters prediction based on TA-ConvBiLSTM for chemical process
国家科技期刊平台
NSTL
万方数据
维普
