基于因果模型的复杂工业过程数据驱动软传感器自动特征选择方法

查看全文 作　　者：Yan-Ning [1]Sun;[1,2]秦威;Jin-Hua [1]Hu;Hong-Wei [1]Xu;Poly [1]Z.H.Sun 机构地区：[1]School of Mechanical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China;[2]Institute of Artificial Intelligence,Shanghai Jiao Tong University,Shanghai 200240,China 出　　处：《Engineering》索引2023年第3期,共12页 基　　金：the Ministry of Education-China Mobile Research Foundation Project of China(MCM20180703);the National Key Research and Development Program of China(2020YFB1711100)for financial support. 摘　　要：关键绩效指标(KPI)的软感知在复杂工业过程的决策中起着至关重要的作用。许多研究人员已经使用尖端的机器学习(ML)或深度学习(DL)模型开发出了数据驱动的软传感器。此外,特征选择是一个关键的问题,因为一个原始的工业数据集通常是高维的,并不是所有的特征都有利于软传感器的发展。一个完美的特征选择方法不应该依赖于超参数和后续的ML或DL模型。相反,它应该能够自动选择一个特征子集进行软传感器建模,其中每个特征对工业KPI都有独特的因果影响。因此,本研究提出了一种受因果模型启发的自动特征选择方法,用于工业KPI的软感知。首先,受后非线性因果模型的启发,本研究将该方法与信息论相结合,以量化原始工业数据集中每个特征和KPI之间的因果效应。然后,提出了一种新的特征选择方法,即自动选择具有非零因果效应的特征来构造特征的子集。最后,利用所构造的子集,通过AdaBoost集成策略开发KPI的软传感器。通过对两个实际工业应用的实验证实了该方法的有效性。在未来,该方法也可以应用于其他工业过程,以帮助开发更先进的数据驱动的软传感器。 关 键 词：Big data analytics Machine intelligence Quality prediction Soft sensors Intelligent manufacturing