引用本文

王凯, 张小刚, 雷捷维, 陈华. 完备时空信息引导的工业过程内生变量缺失下的鲁棒KPI预测. 自动化学报, 2026, 52(7): 1449−1462 doi: 10.16383/j.aas.c250653

Wang Kai, Zhang Xiao-Gang, Lei Jie-Wei, Chen Hua. A complete spatio-temporal information guided approach for robust KPI forecasting under endogenous-variable missingness. Acta Automatica Sinica, 2026, 52(7): 1449−1462 doi: 10.16383/j.aas.c250653

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250653

关键词

关键性能指标预测，内生变量缺失，特征对齐，时空表征

摘要

关键性能指标(KPI)预测对工业过程优化和安全至关重要. 然而, 在现实工业环境中传感器故障常导致推理阶段内生变量(预测目标)缺失, 引发信息不对称. 现有方法在推理阶段因缺乏内生变量的历史自回归信息, 难以建立鲁棒时空特征映射, 严重影响多步预测性能. 针对该挑战, 提出完备时空信息引导网络. 该网络采用包含“完备变量引导”和“外生变量学习”的双流架构, 基于贝叶斯理论将内生变量缺失下的预测问题转换为特征对齐任务, 通过分布对齐约束使网络在变量缺失时仍能学习到逼近完备变量提取的时空表征; 同时, 提出多尺度时空聚合模块, 结合图结构学习与注意力机制动态建模变量间的耦合关系, 并精炼特征空间, 有效捕获与KPI相关的复杂时空关联. 在电力变压器温度数据集和氧化铝回转窑烧结温度数据集上的实验表明, 在内生变量缺失下, 所提网络表现出良好的泛化能力和鲁棒的多步预测性能.

文章导读

在工业过程中, 关键性能指标(key performance indicators, KPI)是理解与优化生产系统的基础. 基于分布式控制系统(distributed control system, DCS)中的多变量工业过程数据对KPI进行分析和预测, 可实现工艺过程的控制优化[1]、设备的预测性维护[2]和异常工况的早期预警[3]. 因此, KPI预测技术已广泛应用于化工[4]、电力[5]与金属冶炼[6]等工业领域, 在提升生产效率和保障安全运行等方面发挥着关键作用.

随着传感器和大数据分析技术的发展, 基于数据驱动的KPI预测方法逐渐成为主流. 由于工业过程数据固有的非线性、动态和多变量强耦合等特点[7], 实现KPI的准确预测极具挑战. 现有方法可分为传统统计模型、经典机器学习方法与深度学习方法. 传统统计模型如自回归移动平均[8]、高斯过程[9]等, 非线性拟合能力有限, 难以适应工业过程的复杂特性, 预测精度受限; 机器学习方法如支持向量回归[10]、随机森林[11]等虽然增强了非线性拟合能力, 但因其捕捉长程依赖和时变耦合关系能力有限, 难以实现多步准确预测; 近年来, 深度学习凭借其强大的非线性特征提取能力, 在多步KPI预测方面取得突出成就: 以Transformer为代表的序列神经网络[12−15]可有效建模长期依赖, 基于分解的框架[16−17]则增强了复杂时序模式的表示能力, 动态时空图注意力网络[18]与交叉注意力变体模型[19−20]显式地捕捉变量间跨时空维度的交互关系. 尽管现有方法在理论与应用上取得了显著进展, 但数据驱动模型的有效性严重依赖输入数据的质量. 然而, 实际工业应用中的数据采集常受测量困难或传感器故障影响, 出现信息粒度差异[21]或数据缺失[22], 从而产生信息不对称问题, 导致模型性能严重下降. 如何建立鲁棒的预测模型, 使其在信息不对称的情况下也能保持较高的预测性能, 是一个亟待解决的重要问题.

工业现场信息不对称的一种情况是信息部分缺失, 可分为两种场景. 一种场景是变量数据存在数值粒度差异的不对称: 采集的传感器数据由于测量困难、存储效率及其他一些限制, 导致一些连续的信号被记录为离散值形式, 使得输入信息由连续和离散两种混合变量组成, 离散变量与连续变量之间存在数值粒度上的差异, 造成变量间信息不对称. 针对这种情况, 近年来研究者们有较为成熟的解决方案: 如MiTCD[21]和MiTSformer[23]利用连续变量作为指导, 结合对抗训练与自监督学习恢复离散变量的潜在连续性. 另一种场景是变量在时间维度有少量时刻数据缺失: 由于噪声干扰、传输丢失或传感器短期故障, 在部分变量序列中某些时刻或短时段出现数据丢失, 致使缺失变量与完整变量在时间层面产生信息不对称. 现有研究通常利用缺失变量自身上下文信息对缺失部分进行插补或恢复其时空表征[24], 以缓解少量数据缺失导致的预测精度下降问题. 例如, 庞昭辰等[25]提出基于条件扩散模型的时间序列补全方法, 通过条件扩散方法建模缺失值的后验分布, 实现对卫星遥测数据缺失值的精准插补; Dai等[26]通过掩码重建任务与马尔可夫动态变分自编码器, 从非完整时序中提取概率化时空潜在表示; Li等[27]提出包含“历史重建”与“未来预测”　 两阶段的Transformer模型, 通过自蒸馏机制将预测阶段学到的变量关系反馈至重建阶段, 学习缺失数据与其他数据的时空表征. 上述信息部分缺失所导致的信息不对称, 因仅存在信息缺失而变量本身未完全缺失, 故可借助其他变量结合待补全变量未缺失的上下文, 对缺失部分进行插补或学习其隐式表征, 以减轻部分信息缺失对预测精度的影响.

工业现场信息不对称另一种更严重的情况是变量数目不对称. 这是由于传感器较长时间损坏, 导致相应变量整段历史数据不可用, 致使模型在推理与建模时可用的输入变量数目不相等. 与部分信息缺失不同, 当整条变量信息完全缺失时, 其自身的局部上下文无法被利用. 此时, 上述基于上下文信息插补和寻找隐式表征的方法失效, 插补及学习难度大, 其研究相对缺乏. 一些研究者尝试采用整段填充或掩膜的方式使模型推理与建模时变量数目一致来简化问题, 如Chauhan等[28]通过序列的相似性计算在原训练数据中检索与缺失序列相似的片段, 将其对缺失序列进行整段填充后再基于标准预测模型进行预测; Yu等[29]在训练时就对缺失变量进行掩膜处理, 用图卷积与插值注意力从可用变量中恢复缺失变量隐式特征表示. 上述方法在一定程度上解决了当变量数目信息不对称时的KPI预测问题, 但当面临如图1所示的内生变量本身(待预测KPI)在推理阶段发生序列级缺失而仅存在外生变量(其他辅助变量)时, 这些方法将面临严峻挑战.

图1  工业过程推理阶段内生变量缺失下的KPI预测

图2  CSTG-Net结构图

图3  代理合成机制结构

为有效解决工业过程中因传感器故障导致内生变量缺失引发训练推理变量信息不对称, 进而导致预测模型精度显著下降的问题, 本文提出一种完备时空信息引导的工业过程KPI预测方法CSTG-Net. 首先, 该方法基于贝叶斯理论, 将内生变量缺失下的预测问题创新性地构建为特征对齐任务; 其次, 设计包含完备变量引导分支与外生变量学习分支的双流神经网络, 并藉由分布对齐约束, 使网络在内生变量缺失下仍能学习到接近完备的时空表征, 有效缓解了分布偏移带来的映射偏差; 此外, 本文构建了多尺度时空聚合模块, 该架构融合图结构学习、图注意力与多通道时空信息聚合机制, 充分捕捉工业时序中复杂的动态时空耦合; 最后, 为验证所提方法的有效性和优越性, 本文在某氧化铝回转窑烧结温度数据集和四个公开的电力变压器温度数据集上进行了广泛实验. 实验结果表明, 所提方法在内生变量缺失下表现出良好的性能和泛化能力, 与现有方法相比, 展示出更高的准确性, 为工业过程优化与运行安全等下游任务提供了有力支持.

作者简介

王凯

湖南大学人工智能与机器人学院博士研究生. 2020年获得南昌大学计算机技术专业硕士学位. 主要研究方向为复杂系统时空建模, 时序分析. E-mail: wangkai1024@hnu.edu.cn

张小刚

湖南大学电气与信息工程学院教授. 2003年获得湖南大学博士学位. 主要研究方向为工业控制系统的模式识别与数据挖掘. 本文通信作者. E-mail: zhangxg@hnu.edu.cn

雷捷维

湖南大学电气与信息工程学院博士研究生. 2020年获得南昌大学计算机科学与技术专业硕士学位. 主要研究方向为强化学习, 时序分析. E-mail: leijw@hnu.edu.cn

陈华

湖南大学计算机学院副教授. 2014年获得湖南大学博士学位. 主要研究方向为图像与视频处理, 计算机视觉和数据挖掘. E-mail: chua@hnu.edu.cn

支持单位：