Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things

工业物联网（IIoT）正在改变制造业、工业过程和基础设施管理。通过促进新的自动化、效率和预测性维护，IIoT正在将传统产业转变为智能、无缝连接的生态系统。然而，实现高度可靠的IIoT可能会受到诸如安装大量传感器的成本、在现有系统中安装传感器的限制或恶劣环境条件可能使传感器安装不切实际等因素的阻碍。软（虚拟）传感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模型的建模是软传感广泛使用的两种主要方法论。在选择这些策略之间时，取决于底层系统的复杂性，当基于物理推断模型复杂并对状态估计提出挑战时，通常优先选择数据驱动方法。然而，传统的深度学习模型通常受到其无法明确表示各种传感器之间复杂交互的限制。为了解决这个问题，我们采用了图神经网络（GNNs），这种网络以其有效捕捉传感器测量之间复杂关系的能力而闻名。在这项研究中，我们提出了物理增强GNNs，将物理原理融入基于图的方法中。这是通过从物理过程的基本特征中补充额外的节点来实现的。我们对区域供热网络案例研究中提出的方法进行评估，结果显示，在存在噪声和参数不准确性的情况下，与纯数据驱动的GNN相比，我们提出的方法有显著的改进。

本文旨在解决工业物联网中传感器数量大、传感器安装困难和恶劣环境下传感器安装不可行等问题，提出了软传感的解决方案。

本文提出了物理增强型图神经网络的方法，通过在输入图中添加源自物理过程的附加节点来将物理原理融入图形方法中，以解决当前深度学习模型无法明确表示各种传感器之间复杂相互作用的问题。

本文的实验采用了城市供热网络的案例研究，证明了物理增强型图神经网络的有效性，即使在存在噪声和参数不准确的情况下，也比纯数据驱动的图神经网络有更好的表现。本文的方法为解决工业物联网中的传感器问题提供了新思路。

在此领域中的相关研究包括数据驱动建模和基于物理的推断模型两种方法。本文的方法将这两种方法相结合，提出了物理增强型图神经网络的思想。此外，近年来还有一些相关研究，例如“基于深度学习的软测量在工业过程控制中的应用”等。