欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

化工过程变量时序预测:用 LSTM 预判反应器温度与压力趋势

上邦 AI 工程团队2026-10-02阅读 约 8 分钟
化工反应器的温度、压力一旦失稳,轻则产品质量波动,重则触发联锁停车。本文用 PyTorch 搭建一个单变量 LSTM 时序预测模型,以滑动窗口构造样本,对反应器关键变量做多步前瞻预测,并给出 MinMax 归一化、早停与误差监控的可复现代码,帮助工艺团队把异常处置从事后追查转为事前预判。

为什么做过程变量预测

在连续化工生产中,反应器温度、压力、流量等变量存在强时序依赖。等到仪表报警往往已经滞后,若能基于历史序列提前若干步预判趋势,就能在越限前调整进料或冷却,把风险挡在联锁之外。时序预测因此成为过程监控中回报确定的一环。

第一步:数据准备与归一化

以某反应器出口温度为例,按时间顺序读取 CSV,用 MinMaxScaler 把数值缩放到 0 到 1,避免量纲差异拖慢收敛。下面用 pandas 与 scikit-learn 完成第一步:
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

df = pd.read_csv('reactor_temp.csv')  # 列: ts, temp
vals = df['temp'].values.astype('float32').reshape(-1, 1)
scaler = MinMaxScaler()
y = scaler.fit_transform(vals)

第二步:滑动窗口构造样本

监督学习需要把时间序列切成输入窗口与预测目标。窗口长度设为 24 个采样点,预测未来 6 个点,用如下函数生成样本:
def make_windows(series, in_len=24, out_len=6):
    X, Y = [], []
    for i in range(len(series) - in_len - out_len + 1):
        X.append(series[i:i+in_len])
        Y.append(series[i+in_len:i+in_len+out_len])
    return np.array(X), np.array(Y)

X, Y = make_windows(y, 24, 6)
X = X.reshape(-1, 24, 1)

第三步:搭建单变量 LSTM

一个两层 LSTM 加一个全连接输出头即可胜任多数单变量预测。下面用 PyTorch 定义模型并训练若干轮:
import torch
import torch.nn as nn

class LSTMNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(1, 64, batch_first=True, num_layers=2)
        self.fc = nn.Linear(64, 6)
    def forward(self, x):
        out, _ = self.lstm(x)
        return self.fc(out[:, -1, :])

model = LSTMNet()
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.MSELoss()
X_t = torch.tensor(X, dtype=torch.float32)
Y_t = torch.tensor(Y, dtype=torch.float32)
for ep in range(40):
    opt.zero_grad()
    loss = loss_fn(model(X_t), Y_t)
    loss.backward(); opt.step()
真实装置数据常有缺失与跳变,训练前应先做插值补齐与离群裁剪;若某段数据来源与本体工况不一致,模型会学到假规律,预测将失真。

第四步:反归一化与误差监控

预测结果需经 scaler.inverse_transform 还原为真实温度,再计算 MAE 与 RMSE 作为上线阈值依据。建议把滚动预测误差接入看板,一旦误差连续走高即提示模型漂移,需重新训练。

参考来源

PyTorch 官方文档:LSTM 与序列建模教程 - PyTorch;scikit-learn 官方文档:MinMaxScaler 特征缩放 - scikit-learn;The Tennessee Eastman Problem 过程控制基准数据集与建模综述 - Computers & Chemical Engineering(Downs 与 Vogel,1993)。
相关标签:过程建模时序预测LSTMPyTorch化工AI

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案