TACSTechnology and Application of Computer Science2998-89262998-8934Art and Technology10.61369/TACS.2026050011ArticleCNN-LSTM 融合算法铝电解异常检测研究https://artdesignp.com/journal/TACS/3/5/10.61369/TACS.2026050011陈威2026352026-03-14基于CNN-LSTM 融合算法开展铝电解异常检测研究，对于解决铝电解多物理场耦合过程中的异常识别难题、提升生产安全性与效率、推动行业智能化转型具有重要意义。当前铝电解异常检测存在传统方法精度低、漏检率高，难以捕捉参数时空关联特征的痛点。本文结合铝电解生产关键参数特性，设计CNN-LSTM 融合算法架构，通过CNN 提取工艺参数局部空间特征，LSTM 捕捉时序依赖关系，引入注意力机制优化融合效果，构建完整异常检测系统，助力行业实现数字化、绿色化生产升级。CNN-LSTM 融合算法,铝电解,异常检测,时空特征

[1] 电解铝生产碳排放关键参数测试_ 北检（北京）检测技术研究院| 第三方科研检测机构- 北检院https://www.bjytest.com/bjy/clfx/ylqx/132495.html[2] 肖飞扬, 顾幸生. 基于并行LSTM-CNN 的化工过程故障检测[J]. 华东理工大学学报( 自然科学版),2023,49(03):382-390.[3] 高翔. 基于统计过程控制方法的铝电解生产工艺优化[J]. 中国金属通报,2025,(09):17-19.[4] 新工业网李劼、施辉洪：铝电解智能制造与数字孪生融合应用 - ENI 文章 - ENI 经济和信息化网_ 聚焦产业创新 助推智能转型https://www.enicn.com/Enicn/2025/article_0819/86758.html[5] 尹刚, 朱淼, 全鹏程, 等. 基于PID 搜索优化的CNN-LSTM-Attention 铝电解槽电解温度预测方法研究[J]. 仪器仪表学报,2025,46(01):324-337.