控制理论与应用

作者：牟天昊,邹媛媛,李少远

单位：上海交通大学,上海交通大学,上海交通大学

关键词：关键指标预测; 流程工业; 知识挖掘; 图卷积神经网络; 数据–知识驱动建模; 脱丁烷塔

基金：国家重点基础研究发展计划 (2018AAA0101701),国家自然科学基金(61833012, 62173224).

在流程工业关键变量预测领域, 已有研究致力于将过程知识与大数据相结合, 以实现更高的准确性, 降低过拟合风险和提高可解释性. 然而, 现有工作存在准确的先验知识构建成本高、无法从丰富的数据中挖掘知识等问题, 限制了这些方法在实际工业过程中的广泛应用. 为了解决这些挑战, 本文提出了一种基于知识协同进化的增强图卷积网络方法. 首先, 利用易获取的过程流图构建低成本的粗粒度流程知识. 然后, 在图卷积神经网络模型训练中引入图探索, 实现知识更新. 最后, 为了降低知识复杂度并保持一致性, 设计了一种知识过滤机制. 所提出的方法在基准的脱丁烷塔工艺过程上进行了验证. 实验结果表明, 该方法具有出色的预测准确性, 并获得高质量的新知识.

来源：2024年第3期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第3期