arXiv cs.AI· Rohit Murali, Benaissa Dekhici, Tao Chen, Dongda Zhang, Michael Short·· 13 小时前AI 评分18
基于 LSTM-beta-VAE 生成数据增强的多输出 LSTM 软测量用于工业厌氧共消化
Multi-output LSTM soft sensors for industrial anaerobic co-digestion using LSTM-beta-VAE generative data augmentation
AI 导读
研究提出 LSTM-beta-VAE 生成式数据增强框架结合多输出 LSTM（MO-LSTM）软测量，用一年全规模工厂数据合成不稳定运行序列，填补稀疏特征空间。基线评估显示数据稀缺使 Random Forest、XGBoost 和未增强 LSTM 无法识别向不稳定运行的转变，稳定性指标估计较差；在增强数据上训练的 MO-LSTM 实现了所有目标的同时稳健估计。
正文 · AI 翻译
摘要：厌氧消化（AD）需要密切监测关键过程变量，包括 pH、挥发性有机酸与碱性缓冲容量的比值以及沼气产量，以维持生物稳定性并防止过程失败。虽然诸如厌氧消化模型第 1 号之类的机理框架参数化程度高、计算成本昂贵且难以针对实时应用进行校准，但数据驱动的长短期记忆（LSTM）网络提供了一种可能更具适应性的替代方案。然而，当前 AD 中的数据驱动方法主要局限于仅关注产量的单输出架构，而非同时预测关键的稳定性指标。此外，工业 AD 数据集通常稀疏且偏向稳态运行。基线评估表明，这种稀缺性使标准算法（随机森林、XGBoost）和未增强的 LSTM 无法识别向不稳定运行的转变，导致稳定性指标估计不佳。为克服这些挑战，本研究提出了一种新颖的生成式数据增强框架，使用 LSTM-beta-变分自编码器与多输出 LSTM（MO-LSTM）软测量相结合。通过从一年的全规模工厂数据中合成这些向不稳定运行转变的物理有效序列，该方法安全地填充了特征空间的稀疏区域。在此增强数据集上训练后，MO-LSTM 实现了对所有目标的稳健同时估计。该方法缓解了数据稀疏性，为工业生物过程中的混合机理-数据驱动建模和预警软测量提供了基础。
| 评论： | 33 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；系统与控制（eess.SY） |
| 引用为： | arXiv:2610.39768 [cs.LG] |
| （或 arXiv:2610.39768v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.39768 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Michael Short [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 10:18:56 UTC（2,125 KB）
来源：arXiv cs.AI · arxiv.org