基于工程先验与数据衍生关系的图条件工业过程预测框架

《Entropy》：Graph-Conditioned Industrial Process Forecasting with Engineering and Data-Derived Relations

　　

准确的工艺变量预测对于复杂工业系统中的监测、控制和优化至关重要。尽管现有的时空预测方法通过建模时间依赖性和变量交互已取得显著性能，但如何在历史编码和未来目标表示中同时整合工程知识与数据衍生的依赖关系，仍是一个建模挑战。本文提出一种面向工业过程的图条件预测框架（graph-conditioned forecasting framework）。具体而言，开发了一个双先验时间-关系编码聚合模块（dual-prior temporal–relational encoding aggregation module），用于整合工程指定的静态图（engineering-specified static graph）与滞后条件预测关系（lagged conditional predictive relationships），从而对工艺变量间的物理交互和因果知情关系进行统一建模。一种图条件查询生成机制（graph-conditioned query generation mechanism）将未来时间嵌入与经数据估计图上的平均最短路径距离嵌入增强的变量嵌入相结合，将结构信息纳入未来预测查询；同时，一个拓扑感知的查询-状态对齐解码器（topology-aware query–state alignment decoder）计算自适应残差门控，将结构先验与历史动态状态融合，以增强预测表示。此外，一种流引导轨迹细化策略（flow-guided trajectory refinement strategy）利用历史过程上下文对初始多元预测轨迹进行细化。与各评估设置中最优基线相比，该框架在硫回收装置数据集上，对于12和96个时间步的预测视界，均方误差（MSE）分别降低约15.4%和4.9%；在脱丁烷塔数据集上，对于8和12个时间步的预测视界，相应降幅约为1.9%和3.0%。

# 基于工程先验与数据衍生关系的图条件工业过程预测框架：研究解读

## 1. 研究背景与问题

随着工业4.0的快速发展，复杂工业过程正逐步迈向数字化、精细化和智能化运行。过程变量连续反映运行工况、设备状态和产品质量，为生产调度、能源管理和安全保障提供关键信息。因此，准确预测这些变量是工业人工智能的基础任务。以硫回收装置（Sulfur Recovery Unit, SRU）为例，提前预判尾气中H?S和SO?浓度的变化，有助于操作人员在延迟的在线分析仪读数可用之前评估正在发展的偏差。

然而，工业过程数据具有复杂的时间演化规律、变量间强耦合关系以及随操作工况变化的动态特性，使得预测极具挑战性。现有时间序列预测方法虽然能通过注意力、循环、卷积或MLP机制学习时间依赖和变量交互，但这些学习到的依赖关系并不受物理连接、因果方向或控制回路约束。基于图的方法虽能引入关系结构，但工程知识与数据衍生依赖如何协调进入历史编码和未来目标表示，仍是一个未解决的建模问题。工程指定的结构先验无法确定哪些额外的滞后条件预测关系被观测数据支持，因此需要结合数据驱动的关系识别。同时，未来查询通常仅由时间位置和变量身份构成，缺乏目标在过程拓扑中的结构位置信息。此外，初始多元预测轨迹仍可能保留依赖于上下文的残差误差，需要利用历史过程上下文进行后续修正。这些挑战促使研究人员构建一个能够整合历史信息、编码关系目标结构、建模目标-状态交互并细化多元预测轨迹的预测架构。

## 2. 研究内容与主要方法

研究人员提出了一个过程知识引导的图条件预测框架，包含四个耦合组件：双先验时间-关系编码器、图条件查询生成机制、拓扑感知查询-状态对齐解码器，以及流引导轨迹细化策略。研究中，静态机制图由工程知识构建，因果知情关系图通过条件Granger因果或高斯条件互信息（Conditional Mutual Information, CMI）从训练观测中估计。实验在公开的硫回收装置（SRU）数据集和脱丁烷塔（DC）数据集上进行，采用6:2:2的时间顺序划分训练、验证和测试子集。主要技术方法包括：

- **双先验时间-关系编码**：融合时间注意力、静态机制图消息传递和滞后因果消息传递，生成未来导向的历史状态。
- **图条件查询生成**：利用数据估计图上的最短路径距离嵌入增强变量嵌入，构造拓扑感知的未来查询。
- **拓扑感知查询-状态对齐解码器**：通过自适应残差门控将结构先验与历史动态状态融合为预测状态。
- **流匹配轨迹细化**：冻结第一阶段预测器，学习从确定性预测到目标轨迹的条件传输场，修正轨迹残差误差。

## 3. 主要研究结果

### 3.1 预测性能对比

在SRU数据集的12步和96步预测任务中，所提模型的MSE分别为0.22和0.58，相对最优基线分别降低约15.4%和4.9%。在DC数据集的8步和12步预测任务中，MSE分别为0.51和0.64，相对最优基线分别降低约1.9%和3.0%。所提模型在全部四项任务中获得最低的平均MSE和动态时间规整（DTW）距离，并在三项任务中获得最低的平均绝对误差（MAE）。

### 3.2 不确定性分析

在视界间隔评估下，采用配对循环块自助法进行不确定性分析。结果显示，在SRU 336–96和DC 48–12任务中，所提模型的配对MSE差异分布中心低于零，95%块自助置信区间不包含零，表明相对于强基线SegRNN具有统计可区分的优势。此外，对SRU训练序列进行1000次移动块自助重采样，重新估计因果图，多数参考前三边具有较高的选择频率，加权Jaccard相似度均值约为0.79，表明图在时间依赖重采样下具有稳定性，但部分关系排序仍对采样区域敏感。

### 3.3 消融分析

移除静态图分支或依赖图分支均使MSE增加，说明两个图先验提供互补信息。移除时间注意力而仅保留两个图分支导致最大性能下降，表明图先验不能替代时间建模。将显式图消息传递替换为变量注意力、先验偏置注意力、KL约束注意力或学习图注意力均不如原始显式消息传递。查询构造方面，移除图距离上下文或变量身份均降低性能，随机查询、拉普拉斯编码和度编码均不如所提图条件查询。解码器方面，仅查询头或仅状态头均明显劣化，MLP头、直接拼接、交叉注意力以及反转状态-查询顺序均不如所提门控残差对齐形式。图级消融表明，静态图和动态图各自都有贡献，且两者组合性能最佳，工程先验与数据驱动关系部分重叠但非冗余。

### 3.4 鲁棒性分析

对静态机制图进行边删除、边添加、方向反转和边重连扰动。结果显示，边删除和重连具有最明显的严重度依赖效应，方向反转影响较弱，虚假边添加影响较小。模型对中等程度的工程知识不完美具有容忍性，但图质量仍需评估。对数据驱动图添加高斯噪声后，MSE保持在较窄范围内，但均劣于条件推断图。零图、全连接图和随机图均不如条件因果图，表明条件化关系先验更有效。第二阶段流匹配细化稳定了多次运行的方差，降低了运行间变异。

### 3.5 视界与超参数分析

随着预测视界增加，预测误差普遍增大，但所提方法的误差增长明显慢于基线方法。因果图滞后分析显示，滞后3为最优设置，过长滞后增加误差，表明短期预测任务中最有用的因果信号为相对短滞后依赖。最大图距离分析表明，过小的局部结构编码不足，过大距离范围收益有限，适度截断图距离可保留高阶关系信息而避免弱可解释位置主导查询。

### 3.6 模型效率

在SRU短期预测任务中，所提模型平均推理时间为6.01 ms/批，模型大小为22.1 MB，位于最低误差区域。与轻量级基线SegRNN相比，以额外计算换取了15.4%的MSE降低；与PatchTST相比，在可比参数量下取得更低MSE，推理时间适中，且显著快于图基基线。

## 4. 讨论与结论

研究人员讨论了工程先验与数据衍生关系在预测中的互补作用：静态机制图提供稳定的物理与控制知识，数据驱动的条件滞后图捕捉随操作工况变化的延迟方向依赖。注意力机制在变量局部模式相似时趋于平均化，显式图消息传递更适用于工业过程。条件化关系图优于边际依赖图，表明在闭环工业过程中考虑其他变量历史可减少混淆影响。流匹配细化不能改善所有指标，但显著降低运行间方差，符合其修正轨迹并稳定学习的设定。结论部分指出，准确的工业过程预测需要超越单纯拟合传感器数据的时间模式，因为过程变量通过物料流动、反馈控制回路和依赖操作工况的滞后效应相互联系。所提框架在硫回收装置和脱丁烷塔数据集上取得最低的平均MSE和DTW，支持在历史编码和未来目标建模中互补使用工程和数据衍生关系。潜在应用包括硫回收装置尾气组成偏差的早期预警和脱丁烷塔产品质量偏差预警。然而，因果图在测试期间假设主导操作机制足够稳定，在高维工厂和操作工况大幅变化下的性能仍需进一步研究。未来工作将考察更大规模工业系统、工况依赖预测性能以及变化操作条件下的图自适应。