工业过程的运行性能评估基于MIC图形卷积网络与局部缓慢特征分析

科学领域:

• 工业过程监控 工业过程监控
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 深度神经网络被广泛用于工业过程性能评估.
• 现有的模型难以捕捉局部空间结构和缓慢变化的时间特征.
• 这种限制阻碍了对复杂系统动态的准确评估.

研究的目的:

• 开发一种先进的工业流程运营性能评估方法.
• 解决现有模型在捕捉时空相互作用方面的局限性.
• 提高工业过程监控的准确性和响应性.

主要方法:

• 提出了一个基于最大信息系数的图形卷积网络 (MIC-GCN).
• 使用MIC用于图形构造,以保存本地几何结构和空间相互作用.
• 采用局部缓慢特征分析 (SFA) 来进行动态相关提取.
• 设计的罗GCN可以处理连续的时间步骤来缓慢变化的特征.

主要成果:

• MIC-GCN有效地从过程数据中提取复杂的时空特征.
• 该方法证明了对空间交互信息的改进利用.
• 观察到对复杂的系统状态转换有更强的响应性.
• 实验验证证了该方法在煤炭加工平台上的有效性.

结论:

• 拟议的MIC-GCN方法显著提高了工业过程性能评估的准确性.
• 这种方法有效地挖掘了深层的时空互动特征.
• 该方法为安全和稳定的工业运作提供了可靠的解决方案.