科研之友
微信
新浪微博
Facebook
分享链接
摘要
关键绩效指标（KPI）的软感知在复杂工业过程的决策中起着至关重要的作用。许多研究人员已经使用尖端的机器学习（ML）或深度学习（DL）模型开发出了数据驱动的软传感器。此外，特征选择是一个关键的问题，因为一个原始的工业数据集通常是高维的，并不是所有的特征都有利于软传感器的发展。一个完美的特征选择方法不应该依赖于超参数和后续的ML或DL模型。相反，它应该能够自动选择一个特征子集进行软传感器建模，其中每个特征对工业KPI都有独特的因果影响。因此，本研究提出了一种受因果模型启发的自动特征选择方法，用于工业KPI的软感知。首先，受后非线性因果模型的启发，本研究将该方法与信息论相结合，以量化原始工业数据集中每个特征和KPI之间的因果效应。然后，提出了一种新的特征选择方法，即自动选择具有非零因果效应的特征来构造特征的子集。最后，利用所构造的子集，通过Ada Boost集成策略开发KPI的软传感器。通过对两个实际工业应用的实验证实了该方法的有效性。在未来，该方法也可以应用于其他工业过程，以帮助开发更先进的数据驱动的软传感器。
- 单位
