基于工厂数据的注意力LSTM网络辨识方法

• 作者: 王雅欣 徐宝昌 徐朝农 董秀娟 许立伟
• 来源期刊: 化工学报
• 关键词: 化工过程建模 系统辨识 非线性动态模型 长短时记忆 数字化虚拟装置
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 过程系统工程
• 页码范围: 5664-5671
• 页数: 7页
• 分类号: TP273
• 语种: 中文
• DOI: 10.11949/0438-1157.20201067

摘要

化工企业控制系统日益复杂，辨识被控对象模型是自动控制和优化设计的首要任务。针对化工过程多数辨识实验需要对过程施加测试信号，可能导致生产中断或引发安全事故的问题，利用长短时记忆（long short-term memory，LSTM）网络对含高维度、强耦合、非线性等特点的工厂时序数据具有的强适应性的特点，提出一种结合注意力机制思想的LSTM非线性动态模型辨识算法。该算法在LSTM模型基础上考虑输入变量对目标变量的重要性，为输入序列中影响输出结果的关键特征分配更多注意力，提高了LSTM模型的泛化能力。基于工厂日常运行数据构建LSTM网络模型可作为被辨识对象的数字化虚拟装置，利用人工测试信号在虚拟装置上离线辨识局部线性模型。在Tennessee-Eastman（TE）过程上的辨识实验验证了本文方法的有效性。