用于工业过程软传感的潜在时间特征双头协调网络

《Canadian Journal of Chemical Engineering》：Latent temporal feature dual-head coordination network for industrial process soft sensing

时空动态建模|标签稀缺问题|双头协调网络|后验生成模块|LTFDHCN

　　

摘要

为了解决复杂工业过程中显著的时间特征和标记数据稀缺的问题，特别是针对那些在过程演变过程中难以直接观察到的潜在时间动态，本文提出了一种基于潜在时间特征的雙头協調网络（LTFDHCN）。首先构建了一个后验生成（PG）模块，该模块利用双向长短期记忆（Bi-LSTM）网络提取双向时间上下文，并推断潜在空间中的后验分布。其次，设计了一个先验预测（PP）模块，该模块基于前一个时间步的潜在变量建立动态时间模型。这种机制能够预测当前时刻的先验分布，打破了变分自编码器（VAE）中潜在变量遵循静态先验的传统假设，从而捕捉到更深的潜在时间动态。通过使用Kullback–Leibler（KL）散度来最小化后验分布和动态先验分布之间的差异，强制潜在空间编码时间依赖性。此外，还提出了一种雙头協調（DHC）策略。该策略利用共享的潜在空间和解码器框架，同时执行无监督数据重建和有监督质量预测。通过显式挖掘未标记数据中嵌入的潜在信息，该策略有效克服了标记数据稀缺的问题。模型通过一个加权目标函数进行优化，该函数整合了KL散度、重建损失和预测损失。在脱丁烷塔和热电发电过程中的仿真实验表明，所提出的方法优于基线方法（包括VAE、VAE-LSTM、VRNN和TCN-VAE），验证了其在处理复杂工业数据方面的有效性和优越性。

利益冲突声明

所有作者均无需要披露的利益冲突。

同行评审

为了保证透明度，与本文相关的同行评审文件可在https://doi.org/10.1002/cjce.70387获取。

第二轮评审
编辑决定函	2026/02/27
作者回复附件1	2026/02/24
第一轮评审
编辑决定函	2026/02/12
评审员1的报告	2026/02/09

数据可用性声明

支持本研究发现的数据可在https://github.com/JustusvLiebig/的Soft_Sensor_Experiments中找到。这些数据来源于公共领域的以下资源：GitHub仓库：Soft_Sensor_Experiments。