在多模态过程中，基于质量意识的对抗性解耦方法用于软传感器建模

《Computers & Chemical Engineering》：Quality-Aware Adversarial Disentanglement for Soft Sensor Modeling in Multimodal Processes

多模态工业过程中软传感器建模的关键挑战在于有效分离模式相关/无关和质量相关/无关特征。本文提出QAD-SS方法，基于变分推断框架构建四分支潜在变量结构，通过不对称对抗训练确保质量相关特征模式不变性，互信息最大化强化质量特征与预测目标的关联，正交约束消除特征冗余。实验证明该方法在预测性能和可解释性上优于传统方法。

　　

Jingyun Xu|Chenghui Mo|Kexin Fang|Xinzhu Lin

中国湖州大学工程学院，湖州

摘要

在多模态工业过程的软传感器建模中，核心挑战在于有效地区分与模式相关或模式无关的特征、与质量相关或与质量无关的特征与过程变量。现有模型无法正确区分这些特征，严重影响了模型的可靠性和泛化能力。为了解决这个问题，提出了一种用于多模态过程软传感器建模的质量感知对抗性解耦方法（QAD-SS）。该方法基于变分推断框架，其关键创新在于将过程数据解耦为四个独立的潜在变量：与质量相关且与模式相关的变量、与质量相关但与模式无关的变量、与质量无关且与模式相关的变量以及与质量无关且与模式无关的变量。为了实现彻底和清晰的解耦，设计了一种三重约束机制：1）非对称对抗性训练，利用梯度反转层确保与质量相关的变量尽可能不受模式变化的影响，同时鼓励与质量无关的变量携带所有模式特定的信息；2）互信息最大化，从信息论的角度直接加强与质量相关变量与预测目标之间的内在关系，确保信息的完整性；3）正交约束，从统计上强制与质量相关和与质量无关的潜在变量组之间的相互独立性，以防止信息冗余。通过一个数值示例和一个TE过程案例研究的验证结果表明，由于有效的特征解耦，所提出的方法在提高模型可解释性的同时，比传统方法具有更优越的预测性能。

引言

在线实时监测关键质量参数（如成分、浓度等）对于确保批量过程的产品质量至关重要（Yang等人，2025年；Li等人，2025年；Yuan等人，2024年）。软传感器技术通过从过程变量构建到质量参数的推断模型提供了有效的解决方案（Wang等人，2025年；Yang等人，2025年）。然而，与连续过程相比，批量过程由于其多模态特性而面临更大的挑战：频繁的操作（如配方调整和原材料变化）导致过程数据分布在具有显著不同统计特性的多个稳态操作范围内（Zhou等人，2025年；Yan等人，2025年；Mao等人，2026年；Yue等人，2025年）。这种多模态分布引入了复杂的批次间变化和非线性映射关系，严重阻碍了单一全局模型提取稳定和通用质量特征的能力，从而限制了模型的泛化能力和鲁棒性（Liao等人，2026年；Wang等人，2025年；Li等人，2025年；Zhou等人，2025年）。

现有的批量过程软传感器方法大致可以分为两种技术路线：基于机制的分析和数据驱动的建模（Windmann，2022年）。基于机制的模型依赖于对物理化学过程的深入理解，但它们开发耗时且成本高昂，并且难以应用于复杂的反应过程（Sui等人，2024年）。相比之下，数据驱动的建模方法直接从历史数据中挖掘统计模式，无需复杂的先验知识，已成为研究和应用的主流（Windmann，2022年；Sui等人，2024年）。然而，批量过程数据的常见多模态和非平稳特性对传统的数据驱动模型提出了重大挑战。为了解决多模态问题，研究人员开发了一系列以“分而治之”方法为中心的策略（Jin等人，2024年）。早期方法通过假设每种模式内的线性关系来简化问题。例如，Zhang等人提出了一个基于高斯过程混合模型的领域适应方法，该方法利用高斯领域差异进行模式识别和领域映射，从而在传感器退化条件下提高了模型的鲁棒性（Zhang等人，2022年）。考虑到过程变量和质量变量在同一模式内是非线性的，Deng等人引入了一种改进的核偏最小二乘法与潜在因子聚类方法，该方法在潜在空间中对具有相似功能关系的数据进行聚类并构建非线性软传感器模型（Deng等人，2020年）。Wang等人开发了一种基于序列核模糊划分和即时相关向量机的软传感器方法，通过精确的相位划分和非线性算法提高了预测性能（Wang等人，2021年）。近年来，深度学习方法由于其强大的特征提取能力为多模态建模提供了新的范式。例如，Jin等人提出了一种无监督的动态加权领域适应网络，该网络通过对抗性训练和混合领域适应机制提取领域不变特征，实现了跨批次的知识转移（Jin等人，2024年）。Lu等人提出了一种模型不可知的元学习方法，该方法使用支持数据集来提高查询样本的预测性能并适应过程变量关系的变化（Lu等人，2021年）。

尽管上述方法在一定程度上解决了多模态问题，但它们的核心重点仍然在于数据的分割或对齐，未能从表示学习的角度深入区分跨模式共享的基本特征和模式特定的特征。最近，以变分自编码器（VAE）为代表的深度生成模型由于其强大的非线性特征提取能力和概率潜在变量框架，为多模态过程建模提供了新的方向。Shen等人提出的模式自适应加权解耦变分自编码器回归模型（MA-SW-DiVAER）通过引入β-VAE和梯度反转层（GRL）在解决多模态工业过程软感知问题方面取得了显著进展。然而，在追求特征解耦和模式适应性时，该模型仍存在三个未解决的缺点和困难：

1)

特征解耦的粒度不足：虽然模型将特征解耦为“基本特征”和“特定特征”，但它没有进一步明确区分与质量预测直接相关的语义特征和质量无关的过程波动特征。这种粗粒度的解耦导致用于回归的潜在变量仍然包含冗余信息，限制了预测精度的进一步提高。

2)

缺乏质量关联机制：该模型缺乏从信息论角度直接建立与质量相关特征与预测目标之间内在联系的机制。仅依赖回归任务的间接监督无法保证所有关键质量信息都被完全编码和保留，存在丢失有用信息的风险。

3)

特征独立性约束较弱：该模型对两个解耦特征组之间的统计独立性约束不足。简单的结构分离无法完全消除特征之间的非线性依赖性，导致与质量相关和与质量无关的变量之间可能存在信息冗余，从而削弱了解耦效果。

为了解决上述问题，本文提出了一种用于多模态过程软传感器建模的质量感知对抗性解耦模型（QAD-SS）。具体来说，主要贡献可以总结如下：

1)

四分支细粒度解耦架构：设计了一种新颖的四分支潜在变量结构，以明确地将过程数据解耦为与质量相关且与模式相关的变量、与质量相关但与模式无关的变量、与质量无关且与模式相关的变量以及与质量无关且与模式无关的变量，实现了更精细的特征语义分离。

2)

三重解耦约束机制：通过集成非对称对抗性训练、互信息最大化和正交约束，构建了一个创新的三重学习框架。梯度反转层用于尽可能确保与质量相关特征的模式不变性，互信息最大化加强了与质量相关变量与预测目标之间的关联，正交约束强制两个变量组之间的统计独立性，从而实现了彻底的特征解耦。

3)

完整的概率生成框架：在变分推断框架下，采用了一个精心设计的多任务损失函数（包括数据重建、质量预测、模式分类和解耦约束），在保持模型强大的非线性拟合能力的同时，平衡了预测准确性和特征可解释性。

本文的其余部分组织如下：第2节详细阐述了QAD-SS模型的理论框架；第3节介绍了基于QAD-SS的在线软传感器方法；第4节通过一个数值示例和一个TE过程案例研究验证了所提出模型的有效性；第5节总结了本文。

章节片段

模型结构

考虑到MA-SW-DiVAER模型的局限性，本文提出了质量感知对抗性解耦软传感器模型（QAD-SS）。该模型主要旨在解决四个关键问题：首先，它构建了一个明确的四分支潜在空间，将过程变量解耦为与质量相关且与模式相关的潜在变量$z_{rm}$、与质量相关但与模式无关的潜在变量$z_{ru}$、与质量无关且与模式相关的潜在变量$z_{im}$

案例研究

在本节中，通过两个典型的非平稳场景（一个数值示例和一个TE过程）验证了所提出方法的质量预测性能。为了更直观地展示性能差异，本节还提供了六种方法的详细性能比较：偏最小二乘法（PLS）（Zheng等人，2025年）、局部加权偏最小二乘法（LW-PLS）（Chen等人，2020年）、高斯混合回归（GMR）（Zhang等人，2019年）

结论

为了解决与质量相关特征与模式噪声之间的严重耦合问题，以及多模态工业过程软感知中模型的跨模态泛化能力不足的问题，本文提出了一种QAD-SS方法。在变分推断框架下，该方法构建了一个四分支潜在变量结构，将过程数据明确解耦为四组特征：与质量相关且与模式相关的特征、与质量相关但与模式无关的特征

资金信息

中央政府指导地方科技发展基金项目，授权/奖励编号：2025ZY01056。

CRediT作者贡献声明

Jingyun Xu：撰写 – 审稿与编辑、验证、方法论、概念化。Chenghui Mo：撰写 – 原始草稿、可视化、形式分析。Kexin Fang：资源获取、调查、数据管理。Xinzhu Lin：调查、形式分析、数据管理。