在具有时滞特性的工业过程中，关键参数的长时精准预测对智能感知与优化决策具有重要意义。然而，工业时序数据通常具有非线性、信息稀疏、随机噪声、非平稳等复杂特性，使得现有预测建模方法难以有效解耦混杂因素、适应未知不确定性。
着眼于上述挑战，近日，中国科学院沈阳自动化研究所数字工厂研究室科研团队提出了一种多频解耦网络与双阶段移位分段建模的工业长时序预测建模方法，围绕工业关键参数长时预测建模难等问题，从数据分解、动态建模与分布自适应等方面进行了优化。
科研人员通过多频解耦网络分离时序数据的噪声与高频干扰，同时，针对中频分量提出了一种双阶段移位分段建模方法，有效缓解了信息稀疏与随机噪声的影响。此外，科研人员设计了加权位置方向对齐损失与可逆双波段条件自适应归一化机制，增强了网络学习与非平稳数据处理能力，为工业过程智能感知与优化决策提供了新思路。
该成果以Multifrequency Decoupling Network With Dual-Stage Shift Segmental Modeling for Long-Term Prediction of Industrial Parameters为题，发表于工业信息领域国际期刊IEEE Transactions on Industrial Informatics。沈阳自动化所硕士研究生吕长垚为论文第一作者，周晓锋研究员、李帅副研究员为通讯作者。该研究得到了国家自然科学基金重大研究计划重点支持项目、国家自然科学基金青年基金、沈阳自动化所基础研究计划重点项目的支持。(数字工厂研究室)
