KANS：用于多变量工业过程软传感的知识发现图注意力网络
机器学习
2025-01-07 v1 人工智能
系统与控制
信号处理
系统与控制
摘要
硬件测量变量的软传感在工业过程中往往至关重要。当前实践依赖于高度依赖常规建模技术，这些技术在提高准确性方面取得了成功。但它们忽视了复杂过程变量之间非线性特性、动态特征以及非欧几里得依赖关系。为此，我们提出了一种称为知识发现图注意力网络（KANS）以高效软传感的框架。不同于现有的深度学习软传感模型，KANS 能够在无需预定义拓扑结构的情况下发现多变量工业过程之间的内在关联和不规则关系。首先，引入一种无监督图结构学习方法，融合不同传感器嵌入之间的余弦相似性，以捕获传感器之间的关联。接下来，我们提出了一种基于图注意力的表示学习方法，可并行计算多变量数据，从而增强模型在学习复杂传感器节点和边的能力。为了充分发挥 KANS 的潜力，我们还开展了知识发现分析，以演示模型的可解释性。实验结果表明，KANS 在软传感性能上显著优于所有基线方法和最新方法。进一步地，分析显示，KANS 能够在无需领域知识的情况下找到与不同过程变量密切相关的传感器，显著提高了软传感准确性。
引用
@article{arxiv.2501.02015,
title = {KANS: Knowledge Discovery Graph Attention Network for Soft Sensing in Multivariate Industrial Processes},
author = {Hwa Hui Tew and Gaoxuan Li and Fan Ding and Xuewen Luo and Junn Yong Loo and Chee-Ming Ting and Ze Yang Ding and Chee Pin Tan},
journal= {arXiv preprint arXiv:2501.02015},
year = {2025}
}
备注
Accepted at IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2024)