工业过程关键指标预测的知识协同进化增强图卷积网络方法
牟天昊
邹媛媛
李少远
上海交通大学自动化系,上海 200240;系统控制与信息处理教育部重点实验室,上海 200240
摘要：在流程工业关键变量预测领域,已有研究致力于将过程知识与大数据相结合,以实现更高的准确性,降低过拟合风险和提高可解释性.然而,现有工作存在准确的先验知识构建成本高、无法从丰富的数据中挖掘知识等问题,限制了这些方法在实际工业过程中的广泛应用.为了解决这些挑战,本文提出了一种基于知识协同进化的增强图卷积网络方法.首先,利用易获取的过程流图构建低成本的粗粒度流程知识.然后,在图卷积神经网络模型训练中引入图探索,实现知识更新.最后,为了降低知识复杂度并保持一致性,设计了一种知识过滤机制.所提出的方法在基准的脱丁烷塔工艺过程上进行了验证.实验结果表明,该方法具有出色的预测准确性,并获得高质量的新知识.
关键词：关键指标预测流程工业知识挖掘图卷积神经网络数据-知识驱动建模脱丁烷塔
论文发表日期：2024-03-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 416-427 )
英文信息