通过嵌入式混合建模提升可解释的软感知技术:用于工业过程的GraphTrans方法

《ISA Transactions》:Enhancing interpretable soft sensing with embedded hybrid modeling: the GraphTrans approach for industrial processes

【字体: 大 中 小 】 时间:2026年07月09日 来源:ISA Transactions 6.6

编辑推荐:

  彭孔|孙贝|黄柯柯|李永刚|杨春华•本文提出了一种基于GraphTrans的可解释混合框架,用于参数识别和精确的软感知。•GraphTrans利用图卷积和多头注意力机制来处理长距离依赖关系及高阶交互作用。•多头注意力机制中的图掩码矩阵能够有选择地聚焦于变量间具有因果关系的交互作用

  彭孔|孙贝|黄柯柯|李永刚|杨春华•本文提出了一种基于GraphTrans的可解释混合框架,用于参数识别和精确的软感知。•GraphTrans利用图卷积和多头注意力机制来处理长距离依赖关系及高阶交互作用。•多头注意力机制中的图掩码矩阵能够有选择地聚焦于变量间具有因果关系的交互作用。•核投影模块通过将不完整的观测值映射到高维空间,从而减轻缺失数据带来的影响。•该混合框架可通过参数变化检测异常样本,进而实现故障诊断与过程监控。

引言模型作为模拟和分析物理系统的通用语言,为优化和控制产品生命周期的各个阶段提供了重要基础[1]、[2]、[3]。近年来,面对对产品质量、制造成本、污染物排放、能源效率以及安全性等生产指标的严格要求,制造企业开始研究智能制造技术在生产线上的具体应用[4]、[5]。准确且可解释的过程模型在这些场景中发挥着关键作用。机理模型因其良好的可解释性而备受重视,其结构反映了过程内在的物理和化学规律[6]。然而,工业过程与机理模型参数之间的关系十分复杂[7]。机理模型的内部参数具有特定的物理意义,能够体现被建模过程在不同操作条件下的差异[8]。对于具有动态反应特性的系统,其机理参数必须能够动态变化。而固定的机理参数则会妨碍对这类动态过程的准确描述,从而导致误差并降低建模效果[9]、[10]、[11]。为了在保持机理模型可解释性的同时提升其准确性,有必要探索一种能够动态识别机理模型参数的建模方法。研究人员为克服机理模型的局限性进行了大量研究,并取得了诸多成果。一种策略是针对不同的操作条件分别建立相应的机理模型[12]、[13]、[14]。其核心思想是通过多组固定的机理参数及其加权组合来描述工业过程的动态反应特性。例如,孙等人[15]提出了一种全面的状态空间框架,将该状态空间划分为对应不同操作条件的子空间,每个子空间都对应独特的模型参数,从而使该框架能够将这些子模型的加权之和作为整体系统动态的近似值,其中权重代表了当前操作点处于特定条件下的可能性。不过,这种方法仍受限于固定参数与不同操作条件下动态特性之间的矛盾。另一种解决方案是将机理模型与数据驱动模型相结合[16]、[17]、[18]。混合建模旨在结合机理模型的物理可解释性与数据驱动模型的灵活表征能力。正如Stosch等人[19]所总结的,混合建模为整合领域知识与数据提供了一种通用方法,在透明度、知识利用以及经济高效的模型开发方面都具有优势。根据机理模型与数据驱动组件之间的交互模式,现有的混合建模方法大致可分为并行式、残差补偿式、串行式和嵌入式框架。在并行混合建模中,机理模型与数据驱动模型通常分别生成输出,最终预测结果则是通过加权融合或其他组合策略得到的[20]、[21]、[22]。一种常见的变体是残差补偿型混合建模,即数据驱动模型学习机理模型的残差误差,以此纠正因模型简化或未建模动态因素造成的偏差[23]、[24]、[25]。并行混合建模的另一种变体是加权求和,即利用预先定义或学习得到的权重将机理模型与数据驱动模型的预测结果进行组合[26]。与并行框架相比,串行混合建模在两个模型之间建立了顺序关联,其中一个模型的输出会成为另一个模型的输入、参数或中间变量[27]、[28]、[29]。这种串行交互通常能使机理知识与数据驱动推理之间的结构耦合更为紧密。最近,混合建模在科学机器学习以及知识嵌入型工业建模的更广泛背景下得到了进一步发展。一些代表性研究表明,可将可训练的神经网络组件嵌入到机理模型中,从而在保持物理意义上合理的结构的同时提升预测性能[30]、[31]、[32]。在上述各类方法中,本研究提出的框架属于嵌入式混合建模范畴,因为数据驱动模型是被整合到机理模型的内部参数识别过程中,而非仅用于输出融合或残差校正。尽管现有的混合建模研究已取得一定进展,但在动态操作条件下的工业软感知仍然面临诸多挑战,包括对时变机理参数的样本级识别、对结构化变量依赖关系的有效建模,以及在不完整观测条件下进行稳健的特征提取。为解决这些问题,本研究开发了一种可用于动态机理参数识别及关键工艺指标软感知的可解释嵌入式混合建模框架。受条件识别和数据驱动补偿原理的启发,本文提出了一种混合建模框架,如图1的概念图所示。该框架采用双层架构:第一层负责对机理模型参数进行数据驱动式的校准,而第二层则基于机理模型进行指标估算。或者,该框架也可被视为一个集成系统,其中数据模型作为参数生成器嵌入在机理模型之中。数据驱动模型捕捉动态反应特性的能力是决定混合模型准确性的关键因素[33]。具有特殊结构的模型往往在特定的建模任务中表现更出色[34]。例如,卷积架构非常适合用于图像数据建模[35]、[36],而循环架构则适用于时间序列数据[37]、[38]。鉴于工业过程中变量之间复杂的拓扑关系[39],充分考虑这些相关性对于实现更高的建模精度至关重要。利用图结构的图神经网络在从工业过程数据中提取局部关系模式方面展现出强大的能力[40]、[41]、[42]。相比之下,基于Transformer的模型则能通过注意力机制有效地捕捉全局交互作用[43]、[44]、[45]。然而,对于工业软感知而言,仅仅依靠局部依赖关系提取和全局交互作用建模是不够的,因为不完整的观测数据可能会进一步阻碍稳健的特征表示。为统一解决这些挑战,我们提出了一种全新的架构——GraphTrans(见图1),它整合了图卷积、多头注意力机制以及核投影模块。本文的主要创新点和贡献如下:(1)我们提出了一种可解释的嵌入式混合建模框架,将数据驱动的精确性与机理模型的可解释性相结合。该框架利用数据驱动模型实时识别机理模型参数,从而高保真地捕捉工业过程的行为特征。同时,机理模型则可实现對关键工艺指标的高可解释性软感知。(2)我们在多头自注意力机制中引入了图掩码矩阵,从而提升了工业过程中复杂变量关系建模的能力。该矩阵通过纳入变量相关性信息,有选择地消除与无关变量相关的注意力权重,从而有效聚焦于具有因果关系的交互作用。(3)我们设计了一个核投影模块,该模块利用可学习的高斯核基向量将不完整的工艺特征映射到高维、全面的特征空间中。该模块能够有效重建未被观测或缺失的变量的特征,解决了由于观测数据有限而导致时空特征表示不完整的问题。通过双重投影机制,它能够通过聚合所有工艺变量的信息来稳健地估计机理参数。综上所述,这些创新点共同构成了一条从结构化特征提取到动态机理参数识别以及基于机理的指标估算的嵌入式混合建模路径。所提出的框架有望在保持物理可解释性的同时提升预测性能,并为在变量相关性复杂、观测数据不完整以及操作条件动态变化的工业环境下的软感知问题提供可行的建模方案。本文的其余结构如下:第2节介绍建模过程,并阐述机理模型的建立方法;第3节概述所提出的建模框架;第4节详细说明对比实验的设计,呈现仿真结果,并进行分析与讨论;最后,第5节对全文进行总结。

研究对象与机理模型本研究围绕锌冶炼厂中的净化过程开展了仿真实验。如图2所示,该工艺流程图分为两个阶段:铜去除和钴去除,共包含七个级联反应器。净化过程主要是向体系中加入锌粉作为还原剂,再配合砷盐和废酸,利用锌粉使杂质离子发生还原并沉淀。在所提出的混合建模框架的建模方法部分本节介绍了所提出的嵌入式混合建模框架的整体方法论,包括建模目标、系统结构、计算流程以及模型评估的实验方案。

仿真与分析本节展示了所提方法与对比模型在三个反应器数据集上的仿真结果。文中依次报告并分析了四项设计的实验结果,以此评估所提混合建模框架的有效性、GraphTrans的作用以及机理模型的贡献。

结论本研究提出了一种可解释的嵌入式混合建模框架,并引入了一种新的数据驱动模型架构——GraphTrans。针对以复杂变量相关性及动态反应行为为特征的典型工业场景——锌净化过程,开展了仿真实验。GraphTrans利用图卷积网络捕捉局部变量依赖关系,同时借助多头注意力机制对全局关系进行建模。

ACRediT作者贡献声明彭孔:写作——审阅与编辑,写作——初稿撰写,验证,软件,形式分析,概念构建。孙贝:写作——审阅与编辑,方法论,研究实施,资金获取。黄柯柯:写作——审阅与编辑,方法论,研究实施。李永刚:写作——审阅与编辑,方法论,研究实施。杨春华:写作——审阅与编辑,项目管理,研究实施。

利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢本研究得到了福州市重大科技“公开招标择优支持”项目(2023-ZD-013)、国家自然科学基金重大项目(62394340)以及湖南省自然科学基金(2025JJ10007)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号