【Objetivo】 Em face ao problema de que a previsão de contrapressão de unidades de resfriamento a ar tradicionalmente baseada em dados geralmente foca no uso de parâmetros do processo, considerando pouco as informações termodinâmicas ocultas nas imagens do campo de temperatura dos tubos aletados, é proposto um modelo de previsão de contrapressão baseado em um mecanismo híbrido de aprendizado profundo que combina visão computacional e modelo de linguagem. 【Métodos】 Baseado em dados multimodais compostos por imagens infravermelhas dos tubos aletados e parâmetros do processo da unidade, o modelo funde redes neurais convolucionais (CNN), redes bidirecionais de memória de curto e longo prazo (BiLSTM) e mecanismo de atenção (Attention). O modelo utiliza CNN para extrair características térmicas espaciais das imagens infravermelhas dos feixes de tubos aletados, BiLSTM para extrair características temporais dos parâmetros operacionais da unidade, e através do mecanismo de atenção reforça informações críticas das etapas temporais, realizando a fusão das informações multimodais no nível de características. Além disso, para melhorar a robustez e precisão do modelo, utiliza-se otimização bayesiana para ajustar os hiperparâmetros da rede neural, e através da seleção e normalização de características melhora a qualidade dos dados multimodais. 【Resultados】 Os resultados experimentais mostram que o modelo proposto BiLSTM+CNN+Attention apresenta vantagens significativas em precisão de previsão e capacidade de generalização em comparação com o aprendizado de máquina tradicional e aprendizado profundo sem imagens térmicas, melhorando substancialmente a precisão e a tempestividade da previsão de contrapressão. 【Conclusão】 Os resultados do estudo fornecem uma solução eficaz de modelagem online para controle preditivo do modelo da extremidade fria da unidade de resfriamento a ar e otimização operacional multiobjetivo.

Unidade de resfriamento a ar;Previsão de contrapressão;BiLSTM;CNN;Mecanismo de atenção;Dados multimodais