基于深度AttLSTM网络的脱硫过程建模

TP301; 脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测.该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中.从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术...

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 50; no. 2; pp. 140 - 151
Main Authors 刘泉伯, 李晓理, 王康
Format Journal Article
LanguageChinese
Published 数字社区教育部工程研究中心,北京 100124 01.02.2024
计算智能与智能系统北京市重点实验室,北京 100124
北京工业大学信息学部,北京 100124%北京工业大学信息学部,北京 100124
Subjects
湿法烟气脱硫
长短期记忆网络
注意力机制
autoencoder
大气污染
attention mechanism
自动编码器
过程建模
long short-term memory(LSTM)network
atmospheric polution
wet flue gas desulfurization
process modeling
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2023070037

Cover

More Information
Summary:TP301; 脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测.该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中.从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考.实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性.
ISSN:0254-0037
DOI:10.11936/bjutxb2023070037