多维度CNN-BiLSTM-Attention模型的化工装置早期预警方法

扫码查看

原文链接

万方数据
维普

中文摘要：针对现有化工装置运行风险预警多采用统计分析方法,其对于化工过程数据具有非线性、时序性、动态性强等特性时效果不佳,提出一种多维度CNN-BiLSTM-Attention模型的精馏装置预警方法,兼顾化工过程数据所具备的复杂特性,并提高精度.首先,将CNN与BiLSTM网络相结合充分提取数据的特征.然后引入注意力机制自动为各隐藏层分配权重,以区分不同序列的重要性,能有效减少历史信息的丢失并突出关键节点信息.最终通过全连接层输出最终预测结果.通过Aspen HYSYS模拟数据进行实验分析,并横向对比LSTM、BiLSTM、CNN-LSTM模型,最终得出该方法具有较高预测精度,可以为化工装置预警提供可靠依据.

外文标题：An Early Warning Method for Chemical Plant Equipment Based on the Multi-Dimensional CNN-BiLSTM-Attention Model

作者：

王苏洋、方叶祥

展开 >

作者单位：

南京工业大学经济与管理学院,江苏南京 211816

江苏省重点培育智库南京工业大学应急治理与政策研究院,江苏南京 211816

关键词：

化工装置运行风险卷积神经网络双向长短期记忆网络注意力机制

出版年：

2024

DOI：

10.3969/j.issn.1009-0134.2024.11.012

制造业自动化

北京机械工业自动化研究所

制造业自动化

CSTPCD

影响因子：0.482

ISSN：1009-0134

年,卷(期)：2024.46(11)