静态和增量鲁棒核分解嵌入图正则化用于病态工业数据恢复

论文题目：静态和增量鲁棒核分解嵌入图正则化用于病态工业数据恢复

原文题目：Static and incremental robust kernel factorization embedding graph regularization supporting ill-conditioned industrial data recovery

发表期刊：Expert Systems with Applications (JCR Q1, TOP)

原文 DOI: 10.1016/j.eswa.2022.118921

作者列表:

1) 张明卿, 中国石油大学（北京）信息科学与工程学院 自动化系博18

2) 罗雄麟 (通讯作者), 中国石油大学（北京）信息科学与工程学院 自动化系

文章简介:

在这项工作中，我们提出了一种稳健的核分解嵌入图正则化方法，用于静态插补缺失的测量值。具体来说，通过核稀疏字典分解病态数据的隐式高维特征空间。然后，在目标函数中执行鲁棒稀疏范数和图正则化约束，以确保空间信息的一致性。在优化参数过程中，采用一种分布式自适应近邻牛顿梯度下降学习策略来加快收敛速度。此外，考虑到工业数据的动态时间序列和潜在的非平稳结构，提出了扩展的增量版本，以减轻整个模型计算的复杂性。最后，在实际工业数据集中进行仿真实验验证了算法的有效性。

设计与实现:

将鲁棒非凸Schatten-p拟范数与局部加权k-最近邻图相结合，提出了RKFG数据恢复模型，该优化模型表示为：

参数优化采用一阶最优性与自适应近邻牛顿梯度下降学习策略交替更新。

与静态数据不同，工业过程数据具有固有的时间序列和非平稳特性，为此提出了增量RKFG。与RKFG相比，该方法简化了计算复杂度，并通过点对点的方式不断更新缺失元素。

参数优化手段与RKFG一致。

实验结果及分析:

以增压系统提供可测量水、油和空气流量的多相流过程为例，该工艺包括各种孔口、管道和气液两相分离器，以提供空气、水、油等材料要求。整个系统采用艾默生管理现场总线，方便数据传输。在这种情况下，通过模拟不同的空气和水流通过随机种子，收集了23个不同的过程变量。

图 1 不同数据缺失率条件下的对比结果

我们针对上述实际工业过程设置两种缺失条件并伴随缺失部分（5%、10%、20%和30%）条目以执行数据补全任务。恢复结果如图1所示。在最佳参数操作下，得到了每种算法10倍的平均数值结果。可以看出，提出的目的方法在不同的缺失模式和不同的缺失率下均提供了令人满意的结果。

通讯作者简介:

罗雄麟，教授、博士生导师。北京人工智能学会理事会常务理事、北京自动化学会理事会理事。从事控制理论及应用、过程控制工程和过程系统工程等研究工作，同时从事炼油化工过程软测量仪表与先进控制、过程流程模拟与实时优化等技术开发与工程应用工作。主持和参加“六五”至“九五”国家重点科技攻关项目多项、“十五”国家863项目1项、国家自然科学基金项目5项（主持2项）、国家重点基础研究发展计划（973计划）项目1项，主持和参加省部级科研项目和炼油化工公司科技开发项目30多项。获省部级奖5次。出版专著3部，发表教学和科研学术研究论文490多篇，SCI、ISTP和EI检索收录380多篇次，获国家发明专利授权11项。