基于注意力机制的Multi-head CNN-LSTM软测量建模

软测量建模通过选取辅助变量，建立辅助变量与关键质量变量关系，能够高效地实现对关键质量变量的预测。然而当辅助变量维数较高，且对关键质量变量的影响程度不一时，网络预测误差将较大。针对这一问题，提出一种基于注意力机制的Multi-head CNNLSTM模型，首先根据辅助变量自身属性和特点将其切分成多组子变量后，使用多组独立并行工作的CNN-LSTM群对其子变量进行单独处理；再提取各组子变量上的特征向量，融合注意力机制，实现子变量特征向量的权重分配。所提算法不需提前根据工艺知识选择辅助变量，而是通过深度学习机制自动选择特征；最后，在乙烯精馏塔塔顶乙烷浓度软测量建模中进行应用，所提模型的预测精度优于LSTM以及CNN-LSTM软测量模型。