来源：期刊VIP网 时间：
作者：杨琛;周宁;孔立新;
单位：上海海洋大学工程学院;中石化北京燕山分公司;
摘要：在石油化工生产过程中，针对关键变量的在线监测与预警对预防事故发生至关重要。为准确预测石油化工过程中的关键变量，提出了一种基于改进粒子群优化(Improved Particle Swarm Optimization, IPSO)算法优化双向长短期记忆(Bi-directional Long Short-Term Memory, BiLSTM)神经网络的预测模型，并特别引入注意力机制，以强化关键信息的表达。以北京市某化工企业初馏塔为研究对象，首先利用皮尔逊相关系数、最大信息系数筛选高相关性变量；同时，利用极端梯度提升(eXtreme Gradient Boosting, XGBoost)树构造关键衍生特征，增强输入变量的有效性。其次，采用BiLSTM建模，捕捉关键变量前后时序依赖性；同时结合IPSO优化隐藏层节点数、学习率、L2正则化系数和学习率调整因子，以获得最优超参数组合，实现对初馏塔换热终温的精确预测。试验结果表明，所提出的模型具有较强泛化能力，在预测准确率和稳定性方面均优于传统模型，不仅能有效避免陷入局部最优解，还能精准捕捉关键变量的变化趋势，可为实现石油化工过程关键变量的预测提供参考。
关键词：安全工程;;双向长短期记忆神经网络;;注意力机制;;极端梯度提升树;;改进粒子群优化算法
基金资助：崇明区科委2023年度可持续发展科技创新行动计划项目(CKST2023-01)
