基于MIC图卷积网络与局部慢特征分析的工业过程运行性能评估方法研究

针对工业过程性能评估中局部空间结构特征和时序慢变特征提取不足的问题，研究人员提出融合最大信息系数（MIC）的图卷积网络（GCN）与局部慢特征分析（SFA）的SFASGCN模型。通过构建动态图结构捕捉空间交互信息，结合Siamese GCNs和SFA同步挖掘时空演化特征，实验验证其在煤泥浮选等工业场景中显著提升评估精度，为复杂系统状态监测提供新范式。

　　

在工业4.0与智能制造快速发展的背景下，工业过程的运行性能评估成为保障生产安全与效率的核心环节。然而，环境变化、设备老化等因素常导致系统偏离最优状态，传统统计方法如马尔可夫链、核局部线性嵌入偏最小二乘（KLLEPLS）难以刻画复杂非线性关系，而深度学习方法虽能自主学习特征，却往往忽略时空动态交互。尤其当面对煤泥浮选等强非线性工业过程时，现有模型对局部几何结构和慢变特征的捕捉不足，严重制约评估精度。

为此，中国矿业大学等机构的研究团队在《Neural Networks》发表研究，提出基于MIC图卷积网络（MIC-GCN）与局部慢特征分析（SFA）的SFASGCN模型。该研究通过MIC构建动态图结构保留数据局部几何特征，利用Siamese GCNs并行处理连续时序样本，结合SFA约束潜在空间中的慢变特征，最终在煤泥浮选和重介质选煤平台上验证了模型优越性。关键技术包括：1）MIC驱动的图结构构建；2）局部SFA特征提取；3）Siamese GCNs时空动态建模；4）基于工业真实数据的多级性能评估。

研究结果

1. 问题描述：定义工业过程数据为高斯分布的时空图结构，通过MIC量化节点间非线性相关性，将性能评估转化为图分类任务。
2. 方法设计：SFASGCN模型包含三层架构——MIC图构建层捕捉高维交互，Siamese GCNs层对比相邻时序拓扑变化，局部SFA层提取慢变特征约束损失函数。
3. 案例验证：在煤泥浮选过程中，模型对精煤回收率的评估准确率达92.7%，较传统SFA-LSTM提升14.3%，显著优于GCN、TGAN等基线方法。

结论与意义
该研究首次实现时空慢变特征与动态图结构的协同建模：1）MIC-GCN突破传统GCN单图处理的局限，通过最大信息系数揭示变量间隐含关联；2）局部SFA与Siamese架构的融合，使模型能敏感捕捉如介质密度渐变等关键工艺偏移；3）实验证明该方法对早期性能退化预警的F1-score提升21%，为智能工厂的自主优化提供新工具。作者团队进一步指出，未来可结合因果推理增强模型可解释性，并在多模态工业场景中拓展应用。