基于双向长短期记忆与积分梯度的非平稳工业过程在线更新鲁棒软测量模型

《Applied System Innovation》:An Online Updating Robust Soft Sensor for Nonstationary Industrial Processes Based on Bidirectional Long Short-Term Memory and Integrated Gradients

【字体: 大 中 小 】 时间:2026年08月27日 来源:Applied System Innovation 3.4

编辑推荐:

  在现代流程工业中,数据驱动的软测量模型已成为监测无法直接测量的关键过程变量所不可或缺的工具。然而,由于工业过程固有的复杂性,如时间序列行为、测量异常值、冗余变量以及潜在的概念漂移,其精确建模仍具挑战性。现有方法能够应对其中部分挑战,但普遍缺乏将鲁棒离线建模、变

  
在现代流程工业中,数据驱动的软测量模型已成为监测无法直接测量的关键过程变量所不可或缺的工具。然而,由于工业过程固有的复杂性,如时间序列行为、测量异常值、冗余变量以及潜在的概念漂移,其精确建模仍具挑战性。现有方法能够应对其中部分挑战,但普遍缺乏将鲁棒离线建模、变量重要性分析与高效在线自适应相统一的机制。为解决上述问题,本研究提出一种基于双向长短期记忆(BiLSTM)、积分梯度(IG)与平滑分位数损失(SQLoss)的在线更新鲁棒软测量框架。在离线建模阶段,利用BiLSTM构建软测量模型,并引入所提出的SQLoss以降低异常值的影响;随后采用IG方法评估输入变量的重要性,从而实现输入变量选择。在在线运行阶段,基于IG推导的变量重要性,选择性地更新与重要变量相关的模型参数,从而应对概念漂移。最后,在工业脱硫工艺上的实验结果表明,与性能最优的对比基础学习器相比,所提出的SQLoss-BiLSTM-IG将平均均方根误差(RMSE)和平均绝对百分比误差分别降低了5.26%和1.87%,同时平均相关系数提高了1.94%;在线评估中,所提出的更新策略实现了2.441的平均RMSE,证明了其处理概念漂移的有效性。此外,关键变量重要性分析与现场经验一致,为优化脱硫控制系统提供了有价值的见解。
**论文解读:基于BiLSTM与积分梯度的非平稳工业过程在线更新鲁棒软测量模型**

**研究背景与问题**
现代流程工业中,许多关键过程变量(如烟气脱硫系统中的SO?出口浓度)难以直接在线测量,或测量设备在标定、维护期间可能失效。数据驱动的软测量模型通过易测的辅助变量估计这些关键变量,已成为过程监测、预测控制和优化的重要工具。然而,工业过程固有的复杂性给软测量建模带来多重挑战:第一,过程变量间存在强非线性、显著时滞和高耦合的多元交互,传统前馈神经网络(如多层感知器、随机配置网络、径向基函数网络)难以有效捕捉时间序列中的时序依赖;第二,现场自动化系统中的数据常被噪声和异常值污染,而多数软测量模型采用均方误差(MSE)作为损失函数,对异常值极为敏感;第三,工业过程因工况漂移、设备磨损和环境波动而呈现非平稳性,导致离线模型的预测精度随时间下降;第四,输入变量间存在冗余,且现有在线更新方法普遍缺乏对模型可解释性的考虑,难以实现高效、有针对性且可解释的自适应。尽管已有研究分别针对动态建模、鲁棒学习、变量选择和在线自适应进行了探索,但现有方法通常仅能解决部分问题,缺乏一个将变量重要性分析与在线自适应相联系的统一机制。

**研究内容与主要结论**
针对上述问题,研究人员提出一种基于双向长短期记忆(BiLSTM)与积分梯度(IG)的在线更新鲁棒软测量框架。该框架分为离线训练和在线更新两个阶段。离线阶段,采用BiLSTM作为基础学习器以捕捉时序动态特性,引入一种新颖的平滑分位数损失(SQLoss)函数增强对异常值的鲁棒性,并利用IG方法评估输入变量重要性,剔除冗余变量。在线阶段,基于IG识别的重要变量,仅更新与这些变量相关的模型参数,以应对概念漂移。在华东某热电厂9号机组的湿法脱硫工艺数据集上进行了实验验证。结果表明,所提出的SQLoss-BiLSTM-IG模型在离线预测中相比最优的对比基础学习器,平均均方根误差(RMSE)降低5.26%,平均绝对百分比误差降低1.87%,平均相关系数提高1.94%。在线评估中,所提出的选择性更新策略取得2.441的平均RMSE,优于不更新、滑动窗口和弹性权重巩固等对比方法。此外,IG识别出的关键变量与过程机理和现场经验高度一致,验证了该方法在变量重要性分析方面的有效性。该在线更新软测量模型已部署于脱硫过程自动化系统数据平台,支持关键变量的实时监测和先进预测控制。研究发表于《Applied System Innovation》。

**关键技术方法**
研究人员采用的主要技术方法包括:
1. **BiLSTM**:通过正向和反向两个LSTM层并行处理输入序列,提取双向时序特征,捕捉工业过程中的动态依赖关系。
2. **平滑分位数损失(SQLoss)**:在传统分位数损失中引入平方项,使损失函数在零点附近平滑可微,兼顾分位数回归的鲁棒性和MSE的平滑梯度特性,提升训练稳定性。
3. **积分梯度(IG)**:通过沿参考基线到输入样本的直线路径积分梯度,计算每个输入特征对模型输出的贡献,用于变量重要性评估和输入变量选择。
4. **在线标准化**:采用增量更新均值和平方偏差的在线标准化方法,适应流式数据的分布变化。
5. **选择性参数更新机制**:根据IG识别的重要变量索引集,构建二进制梯度掩码,仅更新BiLSTM中输入相关权重矩阵中对应重要变量的列,其余参数固定。
数据来源于中国东部某热电厂9号机组脱硫工艺自动化系统,以5分钟间隔采集,共8000个样本,包含46个输入变量和1个目标变量(SO?出口浓度)。

**研究结果**
- **离线模型性能对比**:在FGD过程数据集上,对比LSTM、BiLSTM、BiGRU、Transformer和LASSO-CH-BiLSTM等模型,SQLoss-BiLSTM-IG取得最优预测精度。训练损失收敛曲线显示,SQLoss比MSE收敛更快、波动更小,验证了其优化稳定性。
- **滑动窗口大小影响**:通过网格搜索确定窗口大小W=500时RMSE最小,此时模型在利用历史信息和抑制冗余噪声间达到最优平衡。
- **在线更新策略对比**:与不更新基线、滑动窗口(SW)和弹性权重巩固(EWC)方法相比,所提出的选择性更新方法取得最佳预测性能,且所有方法的计算时间均远小于5分钟采样间隔,满足实时性要求。
- **预测动态跟踪**:测量值与预测值对比图显示,预测值能动态跟踪实际SO?浓度变化,表明模型能快速适应工况漂移。误差箱线图显示,所提算法的误差四分位距和离散度最小,验证了在线更新的可靠性。
- **变量重要性分析**:IG识别出8个关键变量(绝对重要性得分>0.02),分为三类:锅炉负荷相关变量(变量1、14)、烟气状态变量(变量2、20、12、3、17)和浆液相关变量(变量4、6)。这些变量与脱硫过程机理和现场经验一致,为优化控制提供了依据。
- **模型复杂度分析**:所提方法的训练时间略有增加,但推理时间和单次滑动窗口更新计算复杂度均在可接受范围内,不构成实际应用的瓶颈。
- **消融实验**:移除IG算法导致性能显著下降,验证了变量选择的作用;移除SQLoss则模型对异常值的鲁棒性减弱,证明了各组件对整体性能均有贡献。

**讨论与结论**
讨论部分指出,IG识别出的关键变量类别(锅炉负荷、烟气状态、浆液参数)与脱硫过程的物理化学机理高度吻合,表明所提方法不仅能提供准确的预测,还能增强模型的可解释性,为过程优化提供有价值的参考。研究结论总结如下:本研究提出了一种在线更新鲁棒软测量模型,用于解决工业过程中的时序动态、测量异常值、冗余变量和概念漂移等挑战。方法分为离线训练和在线更新两个阶段:离线阶段,利用SQLoss训练BiLSTM基学习器,并通过IG评估变量重要性以剔除冗余变量;在线阶段,当滑动窗口预测误差超过预设阈值时,触发模型更新,仅更新与IG识别的重要变量相关的参数。在真实工业数据集上的实验表明,所提方法在预测精度上优于现有方法。此外,该在线更新软测量模型已部署于FGD过程自动化系统数据平台,支持关键变量实时监测和先进预测控制。然而,该方法在处理FGD过程概念漂移方面表现良好,但不同工业过程的数据分布差异可能限制其适用性。未来研究将利用迁移学习和领域自适应方法,增强模型在不同工业过程中的适应性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号