用于具有学习路由的过程系统的保守混合图网络

arXiv:2608.28896v1 公告类型：新摘要：工业过程网络在运行时不会维持单一有效的拓扑：流被节流或旁路，单元在空闲、过渡和活动状态之间移动。此类系统的模型通常在测量的状态轨迹上进行训练，而生成它们的操作机制仍然是潜在的，并且无约束的图网络可以拟合这样的轨迹，而无需为恢复的路由分配稳定的物理意义。我们使用保守混合图网络（CHGN）解决这两个问题，该网络学习路由、区域分配和去除率作为数据驱动的替代项，并将它们插入到固定的传输方程中，以便通过构建任何预测的路由来保持质量平衡。在 10-20 个节点的网络上训练的 CHGN 在无需重新训练的情况下将零样本传输到 25-40 个节点的未见图，在相同协议下，GNN 基线的 RMSE 达到 2.1e-3，相对于 6e-2 到 9e-2，门 MAE 为 7.9e-3，状态准确度为 94.3%（在固定训练拓扑上分别为 1.2e-2 和 96.4%）。在流体混合试点工厂中，CHGN 改进了保留的物理故障的持久性基线，但无法预测手动干预，因为手动干预无法观察到调节阀的动作。因此，该模型无需重新训练即可跨流程拓扑转移，并暴露控制工厂行为的潜在机制以供检查。