基于图采样和时间特征聚合的工业预测方法

《Canadian Journal of Chemical Engineering》：Industrial prediction method based on graph sampling and aggregation of temporal features

软传感器技术通过融合图采样聚合、时序卷积网络优化及双注意力机制，有效解决了传统模型特征提取不足与时序依赖捕捉不力的问题。基于MIC和KDE筛选高相关特征，GraphSAGE实现局部图采样与特征聚合，FRN技术优化时序卷积结构，显著提升模型对异构工业数据的处理能力和预测精度，实验验证其有效性。

　　

摘要

软传感器技术被广泛用于管理非线性和动态的工业过程变量，以预测关键的质量变量。传统的软传感器模型在特征提取方面存在局限性，无法捕捉过程变量之间的序列依赖关系。为了解决这些问题，提出了一种图采样和聚合时序卷积网络（GTTL），该网络结合了变换器编码器（Transformer Encoder）和长短期记忆网络（LSTM），并采用了双重注意力机制。首先，使用最大信息系数（MIC）和核密度估计（KDE）方法选择具有强相关性的特征变量。接下来，利用GraphSAGE从节点的局部邻域中采样和聚合特征，并对提取的特征进行序列化处理。随后，应用过滤响应归一化（FRN）技术来优化时序卷积网络（TCN）中的残差结构，从而提高模型在处理异构数据时的泛化能力和鲁棒性。变换器编码器和具有双重注意力机制的LSTM网络能够有效捕捉序列中的长距离依赖关系，识别与质量变量相关的过程变量和时间点，从而提高质量变量预测的准确性。最后，通过真实的工业过程数据集证明了所提出的软传感器模型的有效性和优势。本研究的源代码可访问：https://github.com/Forgun/model.git。

利益冲突声明

作者声明不存在可能影响研究的利益冲突。