面向工业物联网软测量的物理增强图神经网络

工业物联网（IIoT）正在重塑制造业、工业流程和基础设施管理。通过促进新水平的自动化、效率和预测性维护，IIoT 正在将传统产业转变为智能、无缝互联的生态系统。然而，实现高可靠性的 IIoT 可能会受到诸多因素的阻碍，例如安装大量传感器的成本、在现有系统中加装传感器的限制，或可能使传感器安装不切实际的恶劣环境条件。软（虚拟）测量利用数学模型从物理传感器数据中估计变量，为这些挑战提供了解决方案。数据驱动和基于物理的建模是广泛用于软测量的两种主要方法。这些策略之间的选择取决于底层系统的复杂性，当基于物理的推理模型非常复杂且对状态估计提出挑战时，通常首选数据驱动方法。然而，传统的深度学习模型通常因其无法显式表示各种传感器之间的复杂相互作用而受到阻碍。为了解决这一局限性，我们采用了图神经网络（GNNs），以其有效捕获传感器测量之间复杂关系的能力而闻名。在本研究中，我们提出了物理增强的 GNNs，将物理原理集成到基于图的方法中。这是通过从物理过程的底层特征中导出的额外节点来扩充输入图实现的。我们在区域供热网络的案例研究上对所提出的方法进行了评估，结果显示，即使在存在噪声和参数不准确的情况下，相较于纯数据驱动的 GNNs 也取得了显著的改进。