基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.

如何开展“虚实融合+多模态感知交互”的智能实验?——以中学化学智能实验为例

现代信息技术的进步推动了虚拟仿真实验的发展,然而当前的虚拟仿真实验普遍缺乏实际操作感,且交互方式相对单一,不仅影响了学生的实验体验,而且不利于培养学生的动手能力。为此,文章首先参考虚实融合、多模态感知交互的相关研究成果,构建了“虚实融合+多模态感知交互”的智能实验模型,并设计了智能实验系统和流程以从技术上实现此模型。之后,为验证此模型的有效性,文章以钠与水的反应为实验内容,开展了“虚实融合+多模态感知交互”的中学化学智能实验。在此实验中,文章开发了中学化学智能实验原型系统,并通过对比实验比较了实验效果,结果发现:在相同的实验操作时间段内,无论是实验任务完成质量还是完成效率,使用原型系统的智能实验都优于使用NOBOOK在线仿真实验教学平台的仿真实验,参加智能实验的学生脑力负荷更小且更好地掌握了知识与操作技能。文章的研究可为虚实融合和多模态感知交互在智能实验教学中的融合应用提供理论指导,并可为人工智能赋能实验教学创新研究提供实践参考。