基于LSTM-MACNN的油色谱在线监测装置误告警识别

针对油色谱在线监测会产生大量误告警的问题,文章利用告警前在线监测数据的趋势类型判断该告警是否准确,为了实现数据趋势的精确识别,提出了长短期记忆多尺度注意力卷积神经网络(long short-term memory multi-scale attention convolutional neural network,LSTM-MACNN)模型.该模型首先使用LSTM网络提取油色谱在线监测数据的长期依赖特征,然后加入残差连接,使用多尺度卷积提取原始数据不同尺度的复杂局部特征和LSTM处理后的时序依赖特征,最后使用注意力机制帮助模型有选择地增强重要特征信息,抑制无关信息.实验结果表明,LSTM-MACNN 模型在 H2-总烃测试集上趋势识别的准确率为 96.3%,在 C2H2 测试集上的准确率为98.6%.通过实例验证可知,利用装置告警前数据趋势类型识别误告警的准确率达到 97%,所提方法可以为油色谱在线监测装置的误告警判断提供重要参考.