一种基于时空注意力的双向LSTM模型用于干燥过程中的水分含量预测

准确预测水分含量对确保气缸干燥过程的稳定性和产品质量至关重要。然而，干燥过程表现出复杂的时空特征和强干扰，这使得深度学习方法准确预测变得具有挑战性。为了解决这个问题，本文提出了一种新的基于时空注意力的双向长短期记忆网络（STA-BiLSTM）模型，用于准确预测水分含量。首先，采用最大相关最小冗余（mRMR）方法识别与水分含量高度相关的最佳特征。其次，利用双向长短期记忆（Bi-LSTM）网络从序列数据中提取时间依赖性。随后，设计时空注意力机制，自适应地聚焦于最相关的特征和时间步，增强模型的泛化能力。最后，由于严酷的工业环境，采用极端梯度提升（XGBoost）来提升模型的可泛化性和鲁棒性。在真实工业干燥过程的数据集上进行的广泛实验表明，提出的STA-BiLSTM方法在预测水分含量方面显著优于其他方法，验证了其有效性和优越性.