Uma Rede de Dois Fluxos de Tempo-Frequência Baseada em Grafo para Previsão Multietapa de Indicadores de Desempenho Chave em Processos Industriais

Métodos de modelagem de sensores suaves baseados em aprendizado profundo têm sido amplamente estudados e aplicados a processos industriais na última década. No entanto, os modelos de sensores suaves existentes se concentram principalmente na previsão do passo atual em tempo real e ignoram a previsão multietapa antecipadamente. Em aplicações industriais reais, em comparação com a previsão do passo atual, é mais útil para trabalhadores no local prever alguns indicadores de desempenho-chave com antecedência. Atualmente, a tarefa de previsão multietapa ainda enfrenta dois problemas principais: 1) relacionamentos de acoplamento complexos entre variáveis do processo e 2) aprendizado de dependência de longo prazo. Para resolver esses dois problemas, neste artigo, propomos uma rede de dois fluxos de tempo-frequência baseada em grafo para alcançar previsão multietapa. Especificamente, uma camada de atenção multigráfico é proposta para modelar os relacionamentos de acoplamento dinâmicos entre variáveis do processo a partir da perspectiva do grafo. Em seguida, na rede de dois fluxos de tempo-frequência, o multi-GAT é utilizado para extrair características do domínio do tempo e características do domínio da frequência para dependência de longo prazo, respectivamente. Além disso, propomos um módulo de fusão de características para combinar esses dois tipos de características com base no paradigma de aprendizado de mínima redundância e máxima correlação. Finalmente, experimentos extensivos em dois conjuntos de dados industriais do mundo real mostram que o modelo de previsão multietapa proposto supera os modelos de ponta. Em particular, em comparação com o método SOTA existente, o método proposto alcançou melhorias de 12,40%, 22,49% e 21,98% em RMSE, MAE e MAPE na tarefa de previsão de três passos usando o conjunto de dados de incineração de resíduos.