多维度CNN-BiLSTM-Attention模型的化工装置早期预警方法  

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[1,2] WANG Su-yang;FANG Ye-xiang

机构地区：[1]南京工业大学经济与管理学院,江苏南京211816 [2]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

出　　处：《制造业自动化》2024年第11期86-93,共8页Manufacturing Automation

基　　金：江苏省社会科学基金(21GLB010)。

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。

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 

分 类 号：TQ51[化学工程] TP31[自动化与计算机技术—计算机软件与理论]