基于知识驱动迁移学习的工业质量变量预测方法及系统
知识产权简介
本发明提供一种基于知识驱动迁移学习的工业质量变量预测方法及系统,旨在解决工业过程在小样本及变工况条件下的质量变量预测难题。该方法首先采集源域与目标域的工艺数据并构建反映变量间逻辑关系的图结构;随后构建SAGL-Fusion深度神经网络,利用自注意力(SA)机制、多层图卷积网络(GCN)和长短期记忆网络(LSTM)协同提取数据的空间依赖性、结构化知识及时间动态特性;核心采用注意力引导知识迁移策略对齐跨域知识表征,并通过渐进式层级迁移策略,先对齐注意力表征再逐步适配网络参数,实现知识从源域到目标域的有效迁移。本发明显著提升了在目标域标注数据匮乏情况下的预测精度与模型稳定性,适用于浮式液化天然气预处理阶段脱酸工艺的硫回收工业应用场景
转化前景
本发明提出的知识驱动工业质量预测系统有效解决了工业过程在小样本和变工况条件下的质量预测难题。其核心技术在于采用注意力引导的跨域知识迁移策略和渐进式层级迁移方法,显著提升了目标域数据匮乏时的预测精度与模型稳定性,特别适用于复杂流程工业如天然气液化等高端工业场景。该技术不仅具备显著的经济效益,还具有减少碳排放和提升生产安全性的社会价值,产业化前景广阔。