控制与决策

作者：韩永明,李帅,耿志强,汪京培,王孟志

单位：北京化工大学 信息科学与技术学院，北京 100029;智能过程系统工程教育部工程研究中心，北京 100029,,北京化工大学 信息科学与技术学院，北京 100029;智能过程系统工程教育部工程研究中心，北京 100029,,北京化工大学 信息科学与技术学院，北京 100029;智能过程系统工程教育部工程研究中心，北京 100029,,中国科学院空间应用工程与技术中心，北京 100094,,北京化工大学 信息科学与技术学院，北京 100029;智能过程系统工程教育部工程研究中心，北京 100029,

关键词：晋华炉;操作优化;LSTM;CNN;注意力机制;粒子群算法

基金：国家重点研发计划项目(2024YFB4105203)；国家自然科学基金优秀青年项目(62422303)；国家自然科学基金项目(62373035)；北京市自然科学基金-丰台创新联合基金重点项目(L241015).

煤气化过程具有强非线性、强耦合以及多目标冲突等特点, 传统基于机理模型的操作优化方法难以达到高效且稳健的效果. 晋华炉作为我国煤气化工艺中应用广泛的典型炉型, 其运行优化亟需智能化建模和决策支持. 鉴于此, 提出一种基于双通道卷积-长短期记忆网络-注意力机制(CNN-LSTM-Attention)预测模型的晋华炉操作优化方法. 预测模型使用双通道结构融合工艺特征和历史序列信息, 并利用层次化注意力机制提升关键特征的表达能力. 在氢气、一氧化碳比例预测任务中, 所构建双通道 CNN-LSTM-Attention 模型分别取得0.9322和0.9637的判定系数, 显示出良好的精度和鲁棒性. 在此基础上, 结合粒子群优化算法, 将预测模型作为代理模型对关键操作变量进行智能寻优. 实验结果表明, 优化方案相较于原始工况氢气比例提高了1.22%, 一氧化碳比例提高了1.51%, 总体有效气含量提升了1.38%. 该研究为晋华炉气化过程的智能建模和工况优化提供了有效支撑, 对煤气化典型炉型的高效运行具有重要参考价值.

来源：2026年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第4期