IEEETRANSACTIONSONCYBERNETICS,基于图的时频双流网络用于工业过程关键性能指标的多步预测
近十年来，基于深度学习的软测量建模方法在工业过程中得到了广泛的研究和应用。然而，现有的软测量模型主要关注实时的当前步长预测，而忽略了提前的多步预测。在实际工业应用中，与当前的步骤预测相比，现场工作人员提前预测一些关键绩效指标更有用。目前，多步预测任务仍然存在两个关键问题：1）过程变量之间的复杂耦合关系和2）长期依赖学习。为了解决这两个问题，本文提出了一种基于图的时频双流网络来实现多步预测。具体而言，提出了一种多图注意层，从图的角度对过程变量之间的动态耦合关系进行建模。然后，在时频双流网络中，使用多GAT分别提取长期依赖性的时域特征和频域特征。此外，我们提出了一种基于最小冗余和最大相关学习范式的安全融合模块，将这两种特征结合起来。最后，在两个现实世界的工业数据集上进行的广泛实验表明，所提出的多步预测模型优于最先进的模型。特别是，与现有的SOTA方法相比，该方法在使用垃圾焚烧数据集的三步预测任务中，RMSE、MAE和MAPE分别提高了12.40%、22.49%和21.98%。
