中文題目：基于稀疏關系圖注意力網絡的數據驅動帶鋼熱連軋軟傳感器

論文題目：Data-Driven Soft Sensor Based on Sparse Relational Graph Attention Network for Hot Strip Mill Process

錄用期刊/會議：IFAC Safeprocess2024 (CAA-A類 EI會議論文)

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

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

錄用/見刊時間：2024年

作者列表：

1）李   康 中國石油大學（北京）人工智能學院 自動化系教師

2）高小永 中國石油大學（北京）人工智能學院 自動化系教師

3）薛建業 清華大學 信息科學技術學院 自動化系博士生

4）葉   昊 清華大學 信息科學技術學院 自動化系教師

5）張來斌 中國石油大學（北京）安全與海洋工程學院 安全工程系教師

摘要:

本研究提出了一種基于稀疏關系圖注意網絡（SRGAT）的高效軟傳感器技術，用于在熱連軋過程中實時在線估計材料力學性能（MPs）。通過稀疏關系學習（SRL）模塊和圖注意力網絡（GAT），我們能夠深入挖掘過程變量之間的關系，并聚焦于對MP預測最關鍵的信息。實驗結果表明，SRGAT軟傳感器在實際工業應用中展現出有效性和優越性。

背景與動機:

熱軋工序是煉鋼中帶鋼生產的核心環節，產品的力學性能（MPs）是質量評估的關鍵指標之一。隨著對高質量帶材需求的增加，實現MPs的在線監測與控制變得至關重要。目前，預測條帶MPs的方法主要包括樣品分析、在線分析儀器和軟傳感器三大類。樣品分析準確但耗時長，無法滿足實時性要求；在線分析儀器實時性高但成本昂貴。在此背景下，軟測量方法備受關注。軟測量方法分為基于機理和數據驅動兩類，前者依賴對物理過程的深入理解，后者通過挖掘大量數據構建預測模型。鑒于現有方法的局限性，開發一種高效、經濟且可靠的軟傳感器用于在線精準預測熱軋過程中的MPs具有重要的實際應用價值和理論研究意義。

設計與實現:

HSMP是鋼鐵工業中的關鍵程序，包括加熱爐、粗軋機、輸送臺、剪切機、精軋機、冷卻臺和卷取機等設備。如圖1所示，HSMP的目標是通過軋制鋼板來滿足特定的MP要求。為了設計一個數據驅動的軟傳感器來測量MPs，有必要確定影響MPs的變量。

圖1 熱軋帶鋼工藝

軟測量是回歸問題，用于預測MP。數據驅動的軟傳感器訓練回歸模型F，將輸入變量X映射到MPs，并減小它們之間的差異。在線測量階段，將新樣本輸入軟傳感器，實時預測MP。SRGAT方法通過圖學習變量關系，并構建用于在線預測MPs的GNN模型。它包含兩個主要組件：SRL模塊用于圖結構學，GAT模塊用于軟傳感器建模。圖2概述了SRGAT軟傳感器的框架。

圖2 SRGAT軟傳感器概述

為了從HSMP變量中自動學習稀疏關聯圖，采用包含一個用于學習相對稀疏的圖結構的圖自編碼器（GAE）和用于進一步稀疏化的sparsemax變換組件的SRL模塊j將圖結構學習被轉化為基于GAE的優化問題：

為了輔助解決方案，將上述問題轉化為增廣拉格朗日描述，并采用梯度下降法按照以下更新準則進行求解：

主要內容:

為了從HSMP變量中自動學習稀疏關聯圖，采用包含一個用于學習相對稀疏的圖結構的圖自編碼器（GAE）和用于進一步稀疏化的sparsemax變換組件的SRL模塊將圖結構學習被轉化為基于GAE的優化問題：

為了輔助解決方案，將上述問題轉化為增廣拉格朗日乘子法進行描述，并采用梯度下降法按照以下更新準則進行求解：

將GAE學習到的鄰接矩陣A輸入到sparsemax變換分量中

這樣可以突出節點間稀疏關系的重要性，并且可以學習稀疏圖結構As，用于后續基于GAT的MP預測。

本文采用GAT模型，上述學習到的稀疏圖結構，將節點信息與相鄰節點信息融合，捕捉節點之間的關系，預測鋼帶的MPs構造節點i的聚合表示zi如下：

在訓練階段，使用預測輸出與真實值之間的均方誤差(MSE)作為損失函數:

在線預測階段，將新到達的數據x(new)輸入GAT模型中，用于預測鋼帶MPs。

實驗結果及分析:

傳統模型與本文方法的各項回歸評價指標比較如表1所示，其中每個MP的軟測量結果為5次重復的平均值。一般R2越大，RMSE越小，MAE越小，說明預測越準確。很明顯，所提出的SRGAT在RMSE、MAE和R2方面優于其他三種方法，證明了其優越性。此外，除了MLP在EL上的表現略遜于PLSR，在大多數情況下，包括SRGAT和MLP在內的基于神經網絡的方法在HSMP的MP軟測量中比傳統回歸具有優勢。

表1 各類軟傳感器的性能比較

此外，不同軟測量模型的預測結果對比如圖3所示。與KSVR對應的黃色三角形散點(SPs)、PLSR對應的綠色方形散點(SPs)和MLP對應的藍色星形散點(SPs)相比，本文提出的SRGAT對應的紅色圓形散點(SPs)明顯更接近對角線，預測誤差較大的點較少，所以提出的軟傳感器是可行的和有效的在線預測MP。

圖3 不同模型下測試樣本的預測散點圖。(a) YS， (b) TS， (c) EL

結論:

本文提出了一種基于GNN的軟傳感器SRGAT，通過輸入過程變量在線測量HSMP的MPs。在SRGAT中，使用SRL模塊以合理且可解釋的方式學習稀疏圖結構?；趯W習到的稀疏圖結構和過程變量，利用GAT算法建立了軟測量模型，得到了較好的MP估計。在一個真實的HSMP數據集上進行了大量的實驗。與過渡軟傳感器在不同MP在線預測上的多方面對比實驗結果證明了所提出的SRGAT軟傳感器的有效性和優越性。

作者簡介:

李康，師資博士后，博士，中國石油大學（北京）人工智能學院自動化系教師，主要研究方向為故障診斷與容錯控制。