中文题目：基于稀疏关系图注意力网络的数据驱动带钢热连轧软传感器

论文题目：Data-Driven Soft Sensor Based on Sparse Relational Graph Attention Network for Hot Strip Mill Process

录用期刊/会议：IFAC Safeprocess2024 (CAA-A类 EI会议论文)

原文DOI：https://doi.org/10.1016/j.ifacol.2024.07.246

原文链接：https://www.sciencedirect.com/science/article/pii/S2405896324003306?via%3Dihub

录用/见刊时间：2024年

作者列表：

1）李   康 中国石油大学（北京）人工智能学院 自动化系教师

2）高小永 中国石油大学（北京）人工智能学院 自动化系教师

3）薛建业 清华大学 信息科学技术学院 自动化系博士生

4）叶   昊 清华大学 信息科学技术学院 自动化系教师

5）张来斌 中国石油大学（北京）安全与海洋工程学院 安全工程系教师

摘要:

本研究提出了一种基于稀疏关系图注意网络（SRGAT）的高效软传感器技术，用于在热连轧过程中实时在线估计材料力学性能（MPs）。通过稀疏关系学习（SRL）模块和图注意力网络（GAT），我们能够深入挖掘过程变量之间的关系，并聚焦于对MP预测最关键的信息。实验结果表明，SRGAT软传感器在实际工业应用中展现出有效性和优越性。

背景与动机:

热轧工序是炼钢中带钢生产的核心环节，产品的力学性能（MPs）是质量评估的关键指标之一。随着对高质量带材需求的增加，实现MPs的在线监测与控制变得至关重要。目前，预测条带MPs的方法主要包括样品分析、在线分析仪器和软传感器三大类。样品分析准确但耗时长，无法满足实时性要求；在线分析仪器实时性高但成本昂贵。在此背景下，软测量方法备受关注。软测量方法分为基于机理和数据驱动两类，前者依赖对物理过程的深入理解，后者通过挖掘大量数据构建预测模型。鉴于现有方法的局限性，开发一种高效、经济且可靠的软传感器用于在线精准预测热轧过程中的MPs具有重要的实际应用价值和理论研究意义。

设计与实现:

HSMP是钢铁工业中的关键程序，包括加热炉、粗轧机、输送台、剪切机、精轧机、冷却台和卷取机等设备。如图1所示，HSMP的目标是通过轧制钢板来满足特定的MP要求。为了设计一个数据驱动的软传感器来测量MPs，有必要确定影响MPs的变量。

图1 热轧带钢工艺

软测量是回归问题，用于预测MP。数据驱动的软传感器训练回归模型F，将输入变量X映射到MPs，并减小它们之间的差异。在线测量阶段，将新样本输入软传感器，实时预测MP。SRGAT方法通过图学习变量关系，并构建用于在线预测MPs的GNN模型。它包含两个主要组件：SRL模块用于图结构学，GAT模块用于软传感器建模。图2概述了SRGAT软传感器的框架。

图2 SRGAT软传感器概述

为了从HSMP变量中自动学习稀疏关联图，采用包含一个用于学习相对稀疏的图结构的图自编码器（GAE）和用于进一步稀疏化的sparsemax变换组件的SRL模块j将图结构学习被转化为基于GAE的优化问题：

为了辅助解决方案，将上述问题转化为增广拉格朗日描述，并采用梯度下降法按照以下更新准则进行求解：

主要内容:

为了从HSMP变量中自动学习稀疏关联图，采用包含一个用于学习相对稀疏的图结构的图自编码器（GAE）和用于进一步稀疏化的sparsemax变换组件的SRL模块将图结构学习被转化为基于GAE的优化问题：

为了辅助解决方案，将上述问题转化为增广拉格朗日乘子法进行描述，并采用梯度下降法按照以下更新准则进行求解：

将GAE学习到的邻接矩阵A输入到sparsemax变换分量中

这样可以突出节点间稀疏关系的重要性，并且可以学习稀疏图结构As，用于后续基于GAT的MP预测。

本文采用GAT模型，上述学习到的稀疏图结构，将节点信息与相邻节点信息融合，捕捉节点之间的关系，预测钢带的MPs构造节点i的聚合表示zi如下：

在训练阶段，使用预测输出与真实值之间的均方误差(MSE)作为损失函数:

在线预测阶段，将新到达的数据x(new)输入GAT模型中，用于预测钢带MPs。

实验结果及分析:

传统模型与本文方法的各项回归评价指标比较如表1所示，其中每个MP的软测量结果为5次重复的平均值。一般R2越大，RMSE越小，MAE越小，说明预测越准确。很明显，所提出的SRGAT在RMSE、MAE和R2方面优于其他三种方法，证明了其优越性。此外，除了MLP在EL上的表现略逊于PLSR，在大多数情况下，包括SRGAT和MLP在内的基于神经网络的方法在HSMP的MP软测量中比传统回归具有优势。

表1 各类软传感器的性能比较

此外，不同软测量模型的预测结果对比如图3所示。与KSVR对应的黄色三角形散点(SPs)、PLSR对应的绿色方形散点(SPs)和MLP对应的蓝色星形散点(SPs)相比，本文提出的SRGAT对应的红色圆形散点(SPs)明显更接近对角线，预测误差较大的点较少，所以提出的软传感器是可行的和有效的在线预测MP。

图3 不同模型下测试样本的预测散点图。(a) YS， (b) TS， (c) EL

结论:

本文提出了一种基于GNN的软传感器SRGAT，通过输入过程变量在线测量HSMP的MPs。在SRGAT中，使用SRL模块以合理且可解释的方式学习稀疏图结构。基于学习到的稀疏图结构和过程变量，利用GAT算法建立了软测量模型，得到了较好的MP估计。在一个真实的HSMP数据集上进行了大量的实验。与过渡软传感器在不同MP在线预测上的多方面对比实验结果证明了所提出的SRGAT软传感器的有效性和优越性。

作者简介:

李康，师资博士后，博士，中国石油大学（北京）人工智能学院自动化系教师，主要研究方向为故障诊断与容错控制。