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
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。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取