基于深度AttLSTM网络的脱硫过程建模.pdfVIP

第50卷第2期北京工业大学学报Vol.50No.2

2024年2月JOURNALOFBEIJINGUNIVERSITYOFTECHNOLOGYFeb.2024

引用格式:刘泉伯,李晓理,王康.基于深度AttLSTM网络的脱硫过程建模[J].北京工业大学学报,2024,50(2):140鄄151.

LIUQB,LIXL,WANGK.DesulfurizationprocessmodelingbyusingdeepAttLSTM鄄basednetwork[J].Journalof

BeijingUniversityofTechnology,2024,50(2):140鄄151.(inChinese)

基于深度AttLSTM网络的脱硫过程建模

11,2,31

刘泉伯,李晓理,王摇康

(1.北京工业大学信息学部,北京摇100124;2.计算智能与智能系统北京市重点实验室,北京摇100124;

3.数字社区教育部工程研究中心,北京摇100124)

摘摇要: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(attentionmechanism鄄basedlongshort鄄termmemory,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。

关键词:湿法烟气脱硫;过程建模;长短期记忆网络;注意力机制;自动编码器;大气污染

中图分类号:TP301文献标志码:A文章编号:0254-0037(2024)02-0140-12

doi:10.11936/bjutxb2023070037

DesulfurizationProcessModelingbyUsingDeep

AttLSTM鄄basedNetwork

11,2,31

LIUQuanbo,LIXiaoli,WANGKang

(1.FacultyofInformationTechnology,BeijingUniversityofTechnology,Beijing100124,China;

2.BeijingKeyLaboratoryofComputationalIntelligenceandIntelligentSystem,Beijing100124,China;

3.MoE蒺sEngineeringResearchCenterofDigitalCommunity,Beijing100124,China)

Abstract:Thedesu