动态因果性在观察者基准软传感器设计中的威力

本文提出一种新型框架，通过动态因果性分析优化基于观察者的软传感器。传统的传感器选择方法常依赖线性可观测性指数或统计相关性，这些方法无法捕捉复杂系统的时间演化特征。我们通过利用液体时间常数（LTC）网络——一种具有输入依赖性时间常数的连续时间神经网络结构——系统性地识别和剔除对状态估计影响微小的传感器输入。我们的方法性地实现了一个迭代流程：在候选输入上训练 LTC 观察者，对每项输入通过受控扰动分析来量化其因果影响，删除影响微小的输入，并继续训练直至性能发生下降。我们在三个机理测试平台上进行验证，这些平台分别代表不同的物理域：一个受谐振驱动的弹簧-质量-阻尼系统、一个非线性连续搅拌反应器，以及一个遵循 Lotka-Volterra 模型结构但带有季节性驱动和额外复杂性的捕食者-猎物模型。结果表明，我们的因果引导式修剪方法一致识别出与底层物理机制相符的最小传感器集合，同时提高了预测精度。该框架自动区分基本物理测量与噪声，并确定派生相互作用项是提供补充信息还是冗余信息。除计算效率外，这种方法通过将传感器选择决策置于动态因果关系而非静态相关性的基础上，提高了可解释性，为工艺工程、生态监测和农业领域的软传感器应用提供了显著优势。