基于Attention-LSTM的化工过程故障诊断研究ChemicalProcessFaultDiagnosisBasedonAttention-LSTM陈思达张艳珠（沈阳理工大学自动化与电气工程学院，辽宁沈阳110159）摘要：随着工业生产水平的不断提高，对生产过程的稳定性要求也逐步提高，为避免因故障带来的损失，进行故障诊断研究具有十分重要的意义。针对化工过程数据具有多变量时序性的特点，提出了一种基于Attention-LSTM的深度学习方法对化工过程进行故障诊断。首先，该方法通过Attention机制捕捉不同变量间的关联程度，实现多变量解耦；然后再将At-tention机制的输出作为LSTM网络的输入，通过LSTM网络有效提取数据的时域特性，以实现动态数据去相关化；最后，通过线性层进行故障诊断。该方法在田纳西-伊斯曼化工过程上进行了验证，证明了该方法对化工过程故障诊断的有效性。关键词：故障诊断；化工过程；Attention机制；LSTM；深度学习Abstract:Withthecontinuousdevelopmentoftheindustrialproductionlevel,therequirementsforthestabilityoftheproductionprocessaregraduallyincreased.Inordertoavoidthelossescausedbyfault,itisofgreatsignificancetocarryoutfaultdiagnosisresearch.Aimingatthecharacteristicsofchemicalprocessdatawithmultivariatetimeseries,thispaperproposesadeeplearningmethodbasedonAttention-LSTMtochemicalprocessfaultdiagnosis.Firstly,themethodcap-turesthedegreeofassociationbetweendifferentvariablesthroughtheAttentionmechanism,andrealizesmultivariatedecou-pling.Then,theoutputoftheAttentionmechanismisusedastheinputoftheLSTMnetwork,andthetimecharacteristicsofthedataareeffectivelyextractedthroughtheLSTMnetworktoachievedynamicdatade-correlation.Finally,faultdiagno-sisisperformedthroughthelinearlayer.ThemethodisvalidatedontheTennessee-Eastmanchemicalprocess,whichprovedtheeffectivenessofthemethodforfaultdiagnosisofchemicalprocess.Keywords:faultdiagnosis,chemicalprocess,Attentionmechanism,LSTM随着科技的不断发展，化工生产过程规模不断扩大且日益复杂化，同时也增加了化工过程中发生故障的可能性［1］。而复杂的化工过程一旦发生故障，轻则导致产品质量受到影响，重则造成人身安全问题［2］。近年来，深度学习已经在图像、自然语言处理等诸多领域应用起来，同时也推动了化工过程故障诊断方法的研究。文献［...
