一种基于概率双注意力门控时序卷积网络的方法，用于复杂工业过程中的软传感器建模

《Expert Systems with Applications》：A probabilistic dual-attention gated temporal convolutional network for soft-sensor modeling for complex industrial processes

　　

周周|Can Zhou

摘要

数据驱动的深度学习已成为复杂工业过程中软传感器建模的主流方法。然而，大多数现有的数据驱动软传感器仅关注从过程变量到目标指标的确定性映射的学习，隐式地仅建模了条件期望，而忽略了历史数据中的条件分布信息。因此，数据中固有的先验知识并未被充分利用，这限制了这些模型在处理动态、噪声较大且高度不确定的工业时间序列数据时的鲁棒性和泛化能力。为了解决这一限制，本文提出了一种基于概率的双注意力门控时序卷积网络（PDAGTCN）。在该方法中，使用深度高斯过程（DGP）来估计过程指标的条件概率分布，以构建先验知识矩阵。然后通过基于自注意力机制和交叉注意力机制的双流融合模块将这些概率先验与原始输入序列融合，使模型能够将分布级别的信息纳入时间特征学习中。此外，门控时序卷积网络（GTCN）通过选择性地保留有信息量的特征来捕捉长期依赖性。最后，使用多层感知器生成过程指标的最终预测。在铜冶炼厂的实际生产数据上的实验表明，PDAGTCN的R2值超过了0.9，优于其他现有方法，验证了其在工业软传感中的有效性。