Causality-driven Sequence Segmentation for Enhancing Multiphase Industrial Process Data Analysis and Soft Sensing

本文介绍了一种因果驱动的序列分割（CDSS）模型，用于解决多相工业过程的动态特性对工业大数据建模的挑战。传统的软测量模型经常忽略过程动态特性，难以捕捉相变等瞬态现象。该模型首先识别因变量之间的本地动态特性，也称为因果机制，然后根据因果机制在相变期间发生的突然变化将序列分段为不同的相。此外，设计了一种新的度量标准——相似度距离，用于评估因果机制的时间一致性，包括因果相似度距离和稳定相似度距离。每个相中发现的因果关系表示为一个时间因果图（TCG）。此外，使用TCG的时间扩展数据和邻接矩阵，为每个相训练了一种软测量模型，称为时间因果图卷积网络（TC-GCN）。数值实例用于验证所提出的CDSS模型，分割结果表明CDSS在分割稳定和不稳定的多相序列方面具有出色的性能。特别是，与其他方法相比，它在分离非平稳时间序列方面具有更高的准确性。通过青霉素发酵过程验证了所提出的CDSS模型和TC-GCN模型的有效性。实验结果表明，CDSS发现的断点与反应机制很好地对齐，而TC-GCN具有显着的预测准确性。

本文旨在解决工业大数据建模中多相工艺动态特性所带来的挑战。传统的软测量模型往往忽略了过程动态特性，难以捕捉相变等瞬态现象。作者提出了一种因果驱动的序列分段（CDSS）模型，通过识别变量之间的因果关系的本地动态特性（即因果机制）来分段序列。此外，还设计了一种新的度量方法，即相似度距离，用于评估因果机制的时间一致性。在每个阶段发现的因果关系表示为一个时间因果图（TCG），并使用TCG的时间扩展数据和邻接矩阵训练每个阶段的软测量模型，即时间因果图卷积网络（TC-GCN）。实验结果表明，CDSS在分段稳定和不稳定的多相序列方面表现出色，尤其在分离非平稳时间序列方面具有更高的准确性。作者还通过青霉素发酵过程验证了CDSS模型和TC-GCN模型的有效性。

本文提出了一种因果驱动的序列分段（CDSS）模型，通过识别变量之间的因果关系的本地动态特性（即因果机制）来分段序列，并使用时间因果图卷积网络（TC-GCN）进行软测量模型训练。

本文提出的CDSS模型在分段稳定和不稳定的多相序列方面表现出色，尤其在分离非平稳时间序列方面具有更高的准确性。作者还通过青霉素发酵过程验证了CDSS模型和TC-GCN模型的有效性。

近期的相关研究包括：1）基于LSTM的多相流体过程预测；2）基于多变量统计过程控制的多相流体过程建模；3）基于深度学习的多相流体过程建模。