具有输入数据注意力机制的卷积神经网络用于氟化工产品质量预测

在氟化工等复杂的化工过程中,具有不同时间尺度的时变特性同时存在并作用于系统运行。这类复杂的强时变特性严重制约着各种先进控制策略的广泛应用。为了克服关键质量变量测量滞后所带来的不利因素,进一步提高氟化工过程先进控制系统的控制精度,本文提出了一种具有输入数据注意力机制的卷积神经网络（ACNN）并用于产品质量预测。通过引入注意力机制自适应地提取不同时间跨度输入数据的时间特性,来克服常规卷积神经网络因输入数据窗口固定而无法充分利用各类时变尺度特性的弊端,从而更为精准地提取氟化工过程复杂的强时变特性,更加准确地预测产品质量,辅助工业生产。应用氟化工过程真实数据和TE（Tennessee Eastman）模拟数据验证了方法的有效性和泛化性,结果表明对于强时变或同时具有长时间跨度的漂移波动而言,ACNN的质量预测模型具有更高的可靠性。