完备时空信息引导的工业过程内生变量缺失下的鲁棒KPI预测OA

关键性能指标(KPI)预测对工业过程优化和安全至关重要.然而,在现实工业环境中传感器故障常导致推理阶段内生变量(预测目标)缺失,引发信息不对称.现有方法在推理阶段因缺乏内生变量的历史自回归信息,难以建立鲁棒时空特征映射,严重影响多步预测性能.针对该挑战,提出完备时空信息引导网络.该网络采用包含“完备变量引导”和“外生变量学习”的双流架构,基于贝叶斯理论将内生变量缺失下的预测问题转换为特征对齐任务,通过分布对齐约束使网络在变量缺失时仍能学习到逼近完备变量提取的时空表征;同时,提出多尺度时空聚合模块,结合图结构学习与注意力机制动态建模变量间的耦合关系,并精炼特征空间,有效捕获与KPI相关的复杂时空关联.在电力变压器温度数据集和氧化铝回转窑烧结温度数据集上的实验表明,在内生变量缺失下,所提网络表现出良好的泛化能力和鲁棒的多步预测性能.