用于过程监控的图自编码器
机器学习
2026-05-21 v2 人工智能
摘要
为提高工业过程监控的可靠性和可解释性，本文提出了一种因果图时空自编码器（CGSTAE）。CGSTAE的网络架构结合了两个组件：基于空间自注意力机制（SSAM）的相关图结构学习模块和利用图卷积长短期记忆（GCLSTM）的时空编码器-解码器模块。SSAM通过捕获变量间的动态关系学习相关图，同时引入一种新颖的三步因果图结构学习算法，从这些相关图中推导出因果图。该算法利用因果不变性原理的逆向视角，从变化的相关性中揭示不变的因果图。基于GCLSTM单元构建的时空编码器-解码器，在序列到序列框架内重建时间序列过程数据。所提出的CGSTAE通过特征空间和残差空间中的两个统计量实现有效的过程监控和故障检测。最后，我们通过田纳西-伊斯曼过程和真实世界的空分过程验证了CGSTAE在过程监控中的有效性。
引用
@article{arxiv.2602.03004,
title = {Graph Autoencoder for Process Monitoring},
author = {Xiangrui Zhang},
journal= {arXiv preprint arXiv:2602.03004},
year = {2026}
}