《Sensors》:ProMix-DGNet: A Process-Aware Spatiotemporal Network for Sintering System Prediction
Zhili Zhang,
Yuxin Wan,
Liya Wang and
Jie Li
编辑推荐:
对铁矿烧结过程中关键状态的多步超前预测对于维持生产稳定性、提升能源效率以及减少工业排放至关重要。然而,大时间延迟、强耦合以及条件漂移对现有的时空图神经网络(STGNNs)构成了挑战。本文提出了一种过程感知混合动态图网络(ProMix-DGNet),该网络集成了
对铁矿烧结过程中关键状态的多步超前预测对于维持生产稳定性、提升能源效率以及减少工业排放至关重要。然而,大时间延迟、强耦合以及条件漂移对现有的时空图神经网络(STGNNs)构成了挑战。本文提出了一种过程感知混合动态图网络(ProMix-DGNet),该网络集成了解耦双流拓扑学习机制——融合自适应静态图与径向基函数(RBF)驱动的动态图构造器——以确保在高噪声条件下实现鲁棒的空间建模。此外,过程视图全局混合器显式捕获整个烧结带上长距离的过程耦合,克服了传统图卷积的接收场限制。在解码阶段,一个未来控制信息模块利用双向长短期记忆网络(BiLSTM)和全局混合器,将已知的未来控制设定值与系统的空间拓扑对齐。这些特征通过一个门控残差机制进行集成,该机制动态调节控制意图与历史表征之间的交互。在两个真实工业数据集Sinter-A和Sinter-B上进行的大量实验表明,ProMix-DGNet在包括平均绝对误差(MAE)和均方根误差(RMSE)在内的多个指标上持续优于主流基线。结果验证了该模型在复杂大时间延迟系统中具有更高的准确性和鲁棒性,为烧结过程的智能监控与闭环优化提供了一个可靠的框架。
**论文解读:ProMix-DGNet——面向烧结系统预测的过程感知时空网络**
**研究背景、存在问题与研究动机**
铁矿烧结是高炉炼铁的关键原料准备工序,其成品烧结矿的产量和质量直接影响后续炼铁阶段的生产效率与能耗。同时,烧结也是钢铁工业中能源消耗和污染物排放的主要来源之一。因此,对烧结过程中传感器网络(例如风箱温度分布、废气成分、燃烧点)进行精确的多步超前预测,是构建闭环智能控制系统、降低工业排放的数据基础。然而,烧结环境具有恶劣的现场条件、高度耦合的过程参数以及显著的非线性和时变动态特性,传统基于热力学或化学反应机理的建模方法难以适应波动的生产条件。近年来,基于深度学习的时空图神经网络(STGNN)被引入工业过程建模,但现有STGNN方法在复杂烧结过程中面临三个关键挑战:第一,动态图学习对工业随机噪声的鲁棒性不足,高幅值噪声常导致拓扑退化、样本不可区分和特征坍塌;第二,传统图卷积网络(GCN)的局部接收场严重限制了对宏观空间耦合和大时间延迟的捕捉能力;第三,未来控制变量未被充分利用,现有模型通常仅通过简单拼接处理已知的未来设定值,忽略了控制信号时间演化对系统状态的主动驱动作用。为解决这些问题,研究人员提出了过程感知混合动态图网络(ProMix-DGNet)。该研究基于《Sensors》期刊发表。
**主要关键技术方法**
研究人员采用了以下关键技术方法:(1)解耦双流拓扑学习机制:融合基于物理过程时滞初始化的自适应静态图与径向基函数(RBF)驱动的动态图构造器,以在高噪声条件下提供鲁棒的空间建模;(2)过程视图全局混合器(Process-View Global Mixer):通过在空间节点维度上采用多层感知机(MLP)进行全局交互,克服传统GCN的接收场限制,并以线性复杂度(O(N))捕获整个烧结带的长距离热力学耦合;(3)未来控制信息解码模块:利用双向长短期记忆网络(BiLSTM)提取未来控制设定值的时间依赖,再经过程视图全局混合器对齐空间拓扑,通过门控残差机制动态调制历史基线预测。实验数据来自某大型钢铁企业的两个实际烧结生产线(Sinter-A与Sinter-B),分别包含183个和221个节点,覆盖了从配料、混合、烧结到烟气循环的全流程。
**研究结果**
**5.3 性能评估**
通过与三类基线方法(统计基线、基础深度学习、先进STGNN)的比较,ProMix-DGNet在大多数绝对评估指标上取得最低预测误差。在高波动的Sinter-B数据集上,该模型在MAE和RMSE上比最强基线TGGC分别降低超过2.3%,配对t检验证实p<0.001,表明架构设计带来的性能提升具有统计显著性。在标准场景Sinter-A上,模型在MAE和WAPE上领先,而TGGC在RMSE和MAPE上略优,但整体差距微小。
**5.4 消融研究**
**5.4.1 核心模块分析**:移除过程视图全局混合器后,Sinter-B上的RMSE从952.83升至985.78(+32.95),证实了其在波动条件下捕捉宏观热力学场的关键作用;移除动态图构造器在稳定Sinter-A上RMSE从59.59升至61.47,表明其在稳态下提升局部拓扑精度;移除未来控制引导模块在Sinter-B上RMSE降低约2.82,提供了辅助性增益。
**5.4.2 组件变体分析**:将过程视图全局混合器替换为通道混合MLP或空间自注意力,均导致Sinter-B上RMSE上升(分别至985.67和981.43),表明空间MLP对工业噪声更鲁棒;RBF核优于点积注意力(Sinter-B上RMSE 952.83 vs. 957.77),因RBF的指数衰减效应截断了极端异常值的影响;BiLSTM优于Transformer解码器(Sinter-B上RMSE 952.83 vs. 953.76),且计算复杂度更低。
**5.5 参数敏感性分析**
**5.5.1 动态稀疏度阈值k**:Sinter-A最优k=20(RMSE 59.13),Sinter-B最优k=15(RMSE 954.08),越大反而引入噪声。
**5.5.2 静态图嵌入维度D
d**:Sinter-A最优D
d=16(RMSE 59.11),Sinter-B在D
d=64时RMSE最低,但D
d=24在MAE与参数效率间取得平衡。
**5.5.3 全局混合器扩展比r**:Sinter-A最优r=0.5(RMSE 59.17),Sinter-B最优r=1.0(RMSE 952.79),过大扩展比导致过拟合。
**5.6 实用性与可解释性分析**
**5.6.1 不同噪声下的鲁棒性**:在随机特征丢失和加性高斯噪声的应力测试中,ProMix-DGNet在低噪声水平(σ≤0.3)及高丢失率下保持更低误差,得益于静态图、全局混合器及未来控制锚点的补偿作用。当σ≥0.4时,RBF核的欧氏距离被极端白噪声扭曲,模型被基于余弦相似度的基线超越,但此类极端噪声在实际DCS中极少出现。
**5.6.2 案例研究**:在快速热转变和脉冲式测量异常场景中,ProMix-DGNet避免了TGGC的尖峰过冲和振荡回波,分别将最高点降至69.35°C(vs. 74.66°C)并在异常后MAE降低18.7%。
**5.6.3 计算复杂度**:模型参数量0.41M(Sinter-A)和0.69M(Sinter-B),GPU推理延迟分别为264ms和338ms,加上数据I/O后总时间<1秒,支持边缘端ONNX部署于ARM NPU,满足工业实时闭环控制需求。
**讨论与结论**
讨论部分消融实验和鲁棒性分析验证了各模块的设计合理性:过程视图全局混合器在高波动条件下不可或缺失,动态图构造器在稳态下提升精度,未来控制引导提供辅助约束;RBF核较点积注意力对噪声更鲁棒,空间MLP较自注意力更稳定。研究结论翻译如下:本研究提出了用于烧结系统预测的过程感知混合动态图网络(ProMix-DGNet)。通过利用全局特征广播和输入投影,模型显式编码了过程级边界条件与局部传感器数据之间的多变量耦合。研究人员通过解耦双流拓扑学习机制和过程视图全局混合器有效捕捉了时空相关性,这些机制旨在建模自适应动态依赖和长距离过程耦合。此外,引入的未来控制信息模块动态整合已知的未来控制设定值,增强了模型对非平稳条件漂移的适应能力。在两个真实工业数据集(Sinter-A和Sinter-B)上的大量实验证明了ProMix-DGNet的竞争性能。未来,研究人员计划探索使用生成模型在信号缺失时推断潜在控制意图,并将该模型嵌入强化学习框架中,以实现烧结过程的闭环智能调控。