基于ETCN-LSTM网络的天然气净化脱硫装置安全预警模型研究

石油炼制与化工 ›› 2026, Vol. 57 ›› Issue (3): 102-108.

基于ETCN-LSTM网络的天然气净化脱硫装置安全预警模型研究

伏思华¹,谈潇麟²,徐传真²

1. 山东协和学院工学院
2. 湖南省鹰眼在线电子科技有限公司

收稿日期:2025-09-09 修回日期:2025-11-18 出版日期:2026-03-12 发布日期:2026-03-02
通讯作者: 伏思华 E-mail:fusihua@sdxiehe.edu.cn

STUDY ON SAFETY EARLY WARNING MODEL FOR NATURAL GAS DESULFURIZATION PURIFICATION UNIT BASED ON ETCN-LSTM NETWORK

Received:2025-09-09 Revised:2025-11-18 Online:2026-03-12 Published:2026-03-02

摘要/Abstract

摘要： 针对天然气脱硫净化装置空泡现象造成监测传感器数值异常波动而误预警问题，提出基于扩充时间卷积神经网络（ETCN）改进长短时记忆网络(LSTM)的多传感器数据融合技术，通过融合与空泡现象相关的多传感器数据进行发泡程序建模预测。结果表明：采用ETCN-LSTM网络模型能够准确融合多传感器数据并在时间维度上预测装置发泡程度，预测结果与真实值具有良好的拟合度；相比于LSTM网络，ETCN-LSTM网络模型预测结果的均方根误差(RMSE)和平均绝对误差(MAE)分别提升了12.0%和26.4%；同时，ETCN-LSTM网络模型的参数量保持较低水平，计算成本较低，提升了长期预测的稳定性。

关键词: 空泡现象, 监测预警, 扩充时间卷积神经网络, 长短时记忆网络, 多传感器数据, 生产效率

Abstract: To address the false alarm issue caused by abnormal sensor fluctuations due to cavitation in natural gas desulfurization purification unit, this study proposes a multi-sensor data fusion technology based on an expanded time-convolutional neural network (ETCN) enhanced long short-term memory (LSTM) network. The ETCN-LSTM model integrates data from multiple sensors related to cavitation to predict foaming behavior. Results demonstrate that the ETCN-LSTM model effectively fuses multi-sensor data and accurately predicts foaming levels over time, with predictions showing strong alignment with actual values. Compared to the standard LSTM, the ETCN-LSTM reduces root mean square error (RMSE) and mean absolute error (MAE) by 12.0% and 26.4%, respectively, while maintaining low computational cost and improving long-term prediction stability.

Key words: vacuole phenomenon, monitoring and early warning, ETCN, LSTM networks, multi sensor data, production efficiency

伏思华谈潇麟徐传真. 基于ETCN-LSTM网络的天然气净化脱硫装置安全预警模型研究[J]. 石油炼制与化工, 2026, 57(3): 102-108.

参考文献

[1]赵晓弘, 胡西娅, 纪博睿, 等.人工神经网络在石油化工中的应用研究进展[J].当代化工, 2024, 53(5):1228-1232 [2]廖铁, 廖品全, 苏梦瑶, 等.天然气净化厂脱硫溶液污染物来源及发泡控制措施[J].石油与天然气化工, 2021, 50(1):7- [3]曹东, 李显良, 曾强, 等.天然气净化厂脱硫溶液的发泡与预防[J].石油与天然气化工, 2010, 39(S1):13-15 [4]周斯雅, 代娟, 曾思逊, 等.基于人工智能预警天然气净化装置非正常工况[J].智能计算机与应用, 2021, 11(08):61-66 [5]王曙燕, 同艳丽, 李冠雄, 等.混合与卷积神经网络的氧气提取率预测方法[J].现代电子技术, 2024, 47(10):123-128 [6]林祥, 张浩, 马玉立, 等.基于改进神经网络的电动汽车充电负荷预测[J].现代电子技术, 2024, 47(6):97-101 [7]汤俊, 罗曼柔, 唐志强, 等.溶剂发泡对天然气净化装置的影响分析[J].辽宁化工, 2024, 53(06):962-966 [8]王伟.基于多传感器信息融合的LNG液位检测系统设计[D]. 长安大学, 2015. [9]Shaojie Bai, J.Zico Kolter, Vladlen Koltun. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling[Z]: 1-14. [10]韩文杰, 李勇, 李云鹏.基于注意力机制的-景区客流量预测模型[J].现代电子技术, 2022, 45(19):105-110 [11]项子健.基于深度学习的固体发动机试验数据增强方法及应用研究[D]. 沈阳航空航天大学, 2023. [12]代娟, 曾思逊, 黄俊莉, 等.基于人工智能技术的天然气净化厂脱硫溶液系统“发泡”预警模型研究[C]//第31届全国天然气学术年会（2019）论文集（06储运安全环保及综合）, 2019: 19-27. [13]Huang S L, Wang X C, Tao D C.Stochastic Partial Swap: Enhanced Model Generalization and Interpretability for Fine-grained Recognition[C]//2021 IEEE/CVF International Conference on Computer Vision (ICCV). 2021: 600-609. [14]项平川.基于LSTM与多传感器信息融合的火灾检测研究[D]. 桂林电子科技大学, 2023. [15]Wu T T, Lange K.Coordinate descent algorithms for lasso penalized regression[J].Annals of Applied Stats, 2008, 2(1):224-244 [16]张玉宏.深度学习之美:AI时代的数据处理与最佳实践[M].电子工业出版社:201807:679