Prototype-Driven Diffusion Transformer for Multimode Industrial Soft Sensing

Pengfei Wang

doi:10.1109/tase.2026.3725874

Prototype-Driven Diffusion Transformer for Multimode Industrial Soft Sensing

2026-08-21

0

PRE

AI

DOI：10.1109/tase.2026.3725874

原文链接

原文求助

摘要

En 中文

软传感器通过从易于获取的过程数据中提供关键质量变量的虚拟测量，在现代过程工业中发挥着关键作用。然而，实际工业过程通常表现出多种运行条件、强非线性和明显的时间变化，同时可靠的工况标签很少可用，这使得传统深度软传感器难以保持准确性和鲁棒性。为解决这些挑战，本文提出了一种原型驱动的扩散Transformer，称为PD-DiffFormer，用于多模态工业过程的软测量。PD-DiffFormer采用基于Transformer的编码器提取时序表示，构建一组可学习的原型以形成判别性多模态潜在空间，使用原型门控专家混合回归器实现工况自适应预测，并引入一个工况感知的扩散分支，对潜在轨迹进行多尺度去噪并施加结构化时序先验。通过紧密耦合基于原型的多模态表示学习与基于扩散的时序正则化，所提出的框架在多模态运行条件下实现了改进的预测准确性和鲁棒性。在电厂燃气轮机NOx排放数据集和两相流过程数据集上的案例研究表明，PD-DiffFormer在预测准确性和泛化能力方面持续优于多个代表性基线。实践者注意事项——软传感器广泛应用于过程工业中用于质量变量的在线估计，但由于多模态运行、强非线性和历史数据中缺乏可靠的工况标签，其实际性能往往会下降。在这种情况下，单一全局模型或手动分段的每模态模型难以维护，并且可能对训练与现场条件之间的分布偏移高度敏感。本文提出的PD-DiffFormer是一种原型驱动的扩散Transformer，专为直接部署在多模态工业过程中而设计，无需显式工况标签。Transformer编码器提取时序特征，可学习原型空间自动发现潜在运行模态，原型门控专家混合回归器执行模态自适应预测。一个模态感知的扩散分支进一步正则化时序动态，提高模态转换下的鲁棒性。在燃气轮机NOx排放数据集和两相流过程上的案例研究表明，PD-DiffFormer比常见基线实现显著更低的预测误差，表明它可作为工程师在复杂工厂中需要稳定、模态自适应软传感器的实用选项。

Keyword:

Soft sensing

multimode industrial processes

diffusion models

transformer networks

industrial time-series modeling

Prototype-Driven Diffusion Transformer for Multimode Industrial Soft Sensing

摘要

期刊

机构

引用论文