Soft sensor design using domain-adversarial Gaussian processes-A transfer learning framework

doi:10.1016/j.jprocont.2026.103847

Soft sensor design using domain-adversarial Gaussian processes-A transfer learning framework

2026-09-01

0

PRE

AI

DOI：10.1016/j.jprocont.2026.103847

原文链接

原文求助

摘要

En 中文

本文的主要目标是开发一种软传感器，用于在训练和测试数据来自相似但不同分布时预测质量变量。挑战在于仅当有限标签数据可用时开发软传感器，这需要从相关源操作条件中转移知识以提高软传感器在目标任务上的性能。为此，我们提出了一种新颖的迁移学习方法，称为领域对抗高斯过程（DAGP）。在该框架中，集成了一个特征提取器和领域分类器，以学习跨域不变的特征表示。此外，开发了一个预测器，以最小化来自源域数据集和有限目标数据集的输入与其对应输出之间的拟合误差。因此，从数据充足的源操作条件和数据有限的目标操作条件中学习到的特征提取和预测知识可以转移，以提高目标软传感器的性能。整个框架进行联合训练，其参数使用变分推断方法进行估计，以对抗方式对齐跨域的特征提取器和回归模型。我们在模拟研究、传感器校准不当的连续搅拌反应器基准以及工业蒸汽辅助重力泄油实例上验证了所提出方法的有效性，表明DAGP可以在有限标签训练数据可用时提高软传感器的预测性能。

Keyword:

Transfer learning

Gaussian process

Domain-adversarial

Variational inference

Soft sensor design using domain-adversarial Gaussian processes-A transfer learning framework

摘要

期刊

机构

引用论文