注意力增强多时间尺度LSTM在玉米淀粉液化过程软测量建模中的应用研究

《Chinese Journal of Chemical Engineering》：Attention-enhanced multi-time scale LSTM for soft sensor modeling of corn starch liquefaction

本文提出一种融合注意力机制与多尺度时序特征提取的AMT-LSTM模型，通过并行多尺度扩张因果卷积捕捉液化过程不同设备的停留时间差异，结合变量级通道注意力（Channel Attention）提升特征图关键部位识别能力，最终在玉米淀粉液化过程中实现葡萄糖当量（DE）值的精准预测（R2=0.9392），较传统模型提升4%-9%，为复杂化工过程的质量监控提供新思路。

　　

Highlight

本研究设计了一种结合多尺度卷积与LSTM的神经网络结构，能够提取多尺度时间特征，更好地适应液化过程中不同设备间的停留时间差异。

Methodology

本节介绍了注意力增强多时间尺度长短期记忆网络（AMT-LSTM）的架构。简要描述了网络的关键组成部分，包括变量级通道注意力机制、多尺度时间特征提取模块和长短期记忆（LSTM）网络。

Results and discussion

基于玉米液化过程开发了数据驱动模型，用于对液化产物的DE值进行软测量。将模型性能与多种预测模型进行比较，并对部分预测结果进行分析。

Conclusions

为解决淀粉液化过程数据中复杂的时间特性，本文提出了一种新颖的AMT-LSTM模型。该模型通过将并行多尺度扩张因果卷积与LSTM网络相结合，有效提取数据中的多时间尺度信息。与传统模型相比，该方法在玉米淀粉液化案例中实现了R²值0.9392的高精度。此外，模型引入了空间注意力结构，不仅提升了预测性能，还通过分析注意力权重为关键变量识别提供直观依据。