论文标题： An Interpretable Light Attention–Convolution–Gate Recurrent Unit Architecture for the Highly Accurate Modeling of Actual Chemical Dynamic Processes

期刊：Engineering

作者：Yue Li, Ning Li, Jingzheng Ren, Weifeng Shen

发表时间： August 2024

DOI：https://doi.org/10.1016/j.eng.2024.07.009

微信链接：点击此处阅读微信文章

智能制造是化工产业升级的一个重要途径，而深度学习建模技术具备强大的拟合和预测能力，在产业升级中起着关键作用。与此同时，由于化工过程的复杂性，存在简单套用深度学习技术、模型应用时泛化能力差等挑战，因此，亟待开发更具可解释性和泛化能力的深度学习建模技术。

近日，重庆大学申威峰教授团队在中国工程院院刊《Engineering》期刊上发表了重要研究成果，提出了一种用于化工过程建模的轻注意力–卷积–门控循环单元可解释深度学习架构。为了处理化工过程中复杂的变量关联，通过将过程变量变化的驱动力划分为基本动态行为、瞬时扰动和其他干扰因素三个部分，在提出的建模架构中设计了三种不同的深度学习模块分别进行学习，并将三个子模块作用关系进行巧妙的底层设计，实现对动态化工过程的精准建模。

图. 一种面向化工过程建模的可解释轻注意力–卷积–门控循环单元架构

与前馈神经网络、卷积神经网络、长短期记忆等常用的深度神经网络不同，提出的深度学习模块是根据过程实际动态行为的特征设计的：采用卷积层来拟合过程变量的时间关联，提出一种轻注意力模块来捕获瞬时的变量扰动，并嵌入一个包含门控循环单元的残差模块来消除时序数据中的干扰因素。

提出的建模架构实现了对一个工业脱乙烷过程的高精度建模，并在不同的数据集上显示出了优越的鲁棒性。同时，对建立的深度学习模型展开了详细的可解释性研究。研究发现，从模型中提取出来的参数能够有效揭示过程的动态行为特征，并且这些参数规律与脱乙烷过程理论模型的模拟结果高度一致，证明了模型参数的可解释性。将深度学习模型的可解释参数与理论的模拟结果进行对比，这是一种全新的尝试。另外，该工作还比较了提出的新建模架构与常用的注意力长短期记忆深度神经网络的可解释能力。新的建模架构揭示了更多关于过程变量关联的细节，在可解释性上要显著优于注意力长短期记忆网络。

总而言之，该研究提供了一种可靠的化工动态过程深度学习建模架构。相比传统的深度神经网络，提出的新建模架构具备优异的预测精度、泛化能力和可解释性，为化工智能制造系统中大数据与机理模型的深度融合提供了一种可靠有效的新范式。智能制造是化工行业应对双碳目标、可持续发展等挑战的必然趋势，该研究通过深度融合人工智能技术和化工过程机理，为化工过程的智能建模研究提供了一种全新的思路，为智能化工提供理论依据和应用基础，赋能化学工业的新质生产力。

引用信息：Yue Li, Ning Li, Jingzheng Ren, Weifeng Shen, An Interpretable Light Attention–Convolution–Gate Recurrent Unit Architecture for the Highly Accurate Modeling of Actual Chemical Dynamic Processes, Engineering, 2024.

Open access

开放获取全文

https://doi.org/10.1016/j.eng.2024.07.009

推荐阅读

钱锋院士：流程工业智能制造的未来

专题征稿：智能制造 | Engineering

赵宪庚院士团队深度解析：核能的环境挑战与未来展望

Engineering 2024年8月刊目录 | 化学工程中的人工智能专题

【问卷】我国科技期刊对优秀科研成果吸纳力调查问卷