一种用于工业过程软测量的自学习进化节点感知图网络
近十年来，软测量深度模型在工业过程中的应用越来越广泛。然而，现有的大多数软测量模型都是为了从欧几里德空间中的规则数据中学习而开发的，忽略了过程变量之间的复杂耦合关系。另一方面，图网络在处理工业数据中的非欧几里德关系方面越来越受欢迎。然而，现有的软测量模型上的图网络仍然存在两个主要问题：1）如何从动态和强耦合的工业数据中捕捉变量间的结构关系和变量内的时间依赖关系；2）如何从对软测量任务具有独特重要性的节点中学习。为了解决这些问题，我们提出了一种用于工业软测量的自学习进化和节点感知图网络（SENGraph）。我们首先开发了一个自学习图生成（SLG）模块，将粗粒度图和细粒度图结合起来，从过程数据中捕获全局趋势和局部动态。然后，我们构建了一个自进化图模块（EGM），使用变异和交叉策略从整个图中获取多样化的节点特征。最后，我们设计了一个节点感知模块（NAM）来突出信息节点并抑制不太重要的节点，以进一步提高下游软测量的判别能力。对四个真实世界工业数据集的广泛实验结果和分析表明，我们提出的SENGraph模型优于现有的最先进（SOTA）软测量方法。
