《Chinese Journal of Chemical Engineering》：Combining multiscale decomposition with time-series modeling: An approach for petrochemical processes
编辑推荐：
多尺度预测框架DATCN融合变分模态分解、注意力机制与时间卷积网络，有效捕捉非线性、多尺度动态特征，在TE和FCC数据集验证中实现预测精度提升24.75%，为石化过程智能优化提供新方法。
罗梦杰|张梦轩|史晓刚|兰星颖|刘永东|李伟
中国石油大学（北京）重油加工国家重点实验室，北京102249，中国
摘要
准确预测关键产品特性对于石化过程的安全性和优化至关重要。然而，传统的数据驱动型AI模型往往难以充分捕捉这些系统的强非线性和多尺度特性。为了解决这一挑战，本文提出了一种多尺度预测框架，该框架整合了变分模态分解（VMD）、注意力机制和时间卷积网络（TCN），称为DATCN。该框架能够提取时间、空间和频率域中的多尺度特征，从而实现复杂过程中的跨尺度交互建模。在Tennessee Eastman（TE）基准测试和工业流化催化裂化（FCC）长期时间序列数据集上的比较实验表明，所提出的模型具有更高的预测准确性（RMSE相比其他深度学习模型降低了24.75%至37.26%）。结果证明了该框架在处理非线性动态和时空异质性方面的能力，为石化生产的智能优化提供了有前景的解决方案。
引言
石化工业处于能源和材料供应链的核心，在全球经济中发挥着重要作用[1]。随着对新能源法规的收紧和对高价值材料需求的增长，迫切需要优化和控制石化过程。这要求工业模型既准确又具有广泛的适用性。然而，石化过程通常涉及多相流动、耦合的热质传递和复杂的化学反应[2]，[3]。它们在时间和空间上表现出明显的多尺度行为[4]，[5]，[6]，并且对原料变化反应强烈。开发能够高精度和普遍性地捕捉这些多尺度动态的机理单元操作模型仍然是一个主要挑战。
人工智能模型已成为从工业数据中释放价值的催化剂[7]，[8]，并在石化领域得到广泛应用[9]，[10]，[11]，[12]，[13]，[14]。前馈神经网络在预测产量和优化过程输出方面表现出色[15]，[16]，[17]，[18]。卷积神经网络（CNN）和长短期记忆网络（LSTM）因强大的特征提取和长依赖性学习能力而受到关注[19]，[20]，[21]。
然而，像流化催化裂化、加氢裂化和重整这样的复杂石化过程需要多个单元的协调运行，其中关键特征紧密相关[22]，[23]。过程特征（例如温度、压力、流速）和潜在的化学反应之间存在强烈的相互作用[24]，[25]。这些相互作用导致了非线性、多尺度和非稳态行为[23]，[24]，[26]，[27]，[28]。因此，直接从原始多变量时间序列数据构建的数据驱动模型通常具有有限的预测性能[29]，[30]。一些研究人员构建了混合框架，结合了多种预测模型以揭示非线性系统中的隐藏模式[31]，[32]，[33]，[34]。然而，多单元过程的高维性和多尺度特性仍然对实现高准确性和强泛化能力构成了严峻挑战[23]。这一限制主要源于两个因素。首先，原始数据中不同时间尺度的动态特征混合在一起，使得模型无法清晰区分长期趋势和短期波动。其次，在建模过程中，高维空间中积累了冗余和不相关的变量，掩盖了驱动预测任务的关键动态特征。因此，在时间序列建模之前分离多尺度特征并对高维变量进行有针对性的筛选和重构对于提高石化过程模型的预测性能至关重要。
VMD是一种自适应的非递归信号处理方法，有效解决了经验模态分解（EMD）及其变体中的模态混合问题[35]，[36]，[37]，[38]，[39]。它将时间序列分解为多个频率尺度上的一组平滑的内在模态函数（IMFs），减少了非平稳性和模态混合[23]。通过减少非线性和冗余，VMD改善了动态特征提取，并已在复杂的工业数据分析中得到广泛应用[23]，[40]，[41]，[42]，[43]。然而，对于传统的时间模型来说，捕捉这些多尺度特征中的长期依赖性是一个挑战，因为它们存在梯度消失或爆炸的问题、并行性有限以及长期依赖性建模能力较弱。TCN正是为了解决这些问题而开发的[44]。TCN结合了CNN的局部模式提取能力和循环架构的时间建模优势[45]，[46]。没有循环机制，TCN避免了梯度问题，并能够稳定地学习长期依赖性。因果卷积进一步保持了时间顺序，确保了预测的有效性[47]，[48]。
< />基于上述分析，本文解决了石化过程中非平稳性、高维耦合和多尺度动态的建模挑战。我们提出了DATCN，这是一种基于多尺度的注意力时间预测框架，整合了VMD分解、特征重新校准和TCN建模。主要创新和贡献总结如下三点：
(1)多尺度信号解耦和结构化特征表示
改进的VMD将非平稳的石化信号分解为不同的频率成分，有效解决了特征重叠问题，为模型提供了结构化的输入。
(2)多变量多尺度特征重新校准
在时间建模之前整合了挤压-激励（SE）注意力机制，以自适应地加权和过滤结构化特征，抑制冗余噪声，同时突出对过程监控至关重要的关键动态信息。
(3)利用因果卷积进行长期序列建模
TCN通过扩张的因果卷积捕捉长期依赖性，提高了在复杂操作条件下的稳定性和泛化能力。
本文的其余部分结构如下：第2章介绍了所使用的数学和物理模型，第3章概述了建模过程和工业实验结果，分析了TE过程和工业FCC单元。
方法片段
提出的方法
如图1所示，本文提出了DATCN，这是一个用于复杂石化过程建模的多尺度建模框架，整合了时间-空间-频率特性。首先，从石化单元收集操作数据，并通过清洗、异常值去除和标准化进行预处理，以构建一个高维的结构化时间序列数据集。为了减少冗余特征的影响，应用了我们团队开发的混合滤波器-包装器特征选择方法[31]，
结果与讨论
为了检验DATCN模型在复杂化学过程中的性能和应用潜力，我们通过TE模拟过程和工业FCC过程全面验证了该模型的性能。
结论
为了解决石化过程数据的强非线性、多尺度特性和非平稳性问题，本文提出了DATCN预测框架，该框架以协同的方式整合了模态分解、注意力机制和TCN。VMD将原始信号分解为多个尺度上的模态。注意力机制自适应地重新校准这些特征，以强调关键动态同时抑制噪声。TCN通过因果扩张捕捉长期依赖性
CRediT作者贡献声明
兰星颖：撰写 – 审稿与编辑、验证、监督、资源管理、方法论、资金获取、概念化。刘永东：验证、资源管理。李伟：验证、资源管理。罗梦杰：撰写 – 原稿撰写、可视化、方法论、调查、正式分析、数据管理、概念化。张梦轩：方法论。史晓刚：撰写 – 审稿与编辑、监督、资源管理
利益声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本项工作得到了国家自然科学基金（22021004）的财政支持。
