使用 LSTM-beta-VAE 生成式数据增强的工业厌氧共消化多输出 LSTM 软传感器

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之比以及沼气产量，以维持生物稳定性并防止过程失效。尽管 Anaerobic Digestion Model No. 1 等机理框架参数众多、计算成本高昂且难以针对实时应用进行校准，但数据驱动的 Long Short-Term Memory（LSTM）网络提供了一种适应性更强的潜在替代方案。然而，目前 AD 中的数据驱动方法主要局限于单输出架构，仅关注产量，而不是同时预测关键稳定性指标。此外，工业 AD 数据集通常较为稀疏，并且偏向于稳态运行。基线评估表明，这种数据稀缺性使标准算法（Random Forest、XGBoost）和未经增强的 LSTM 无法识别向不稳定运行状态的转变，导致对稳定性指标的估计效果较差。为应对这些挑战，本研究提出了一种新型生成式数据增强框架，采用 LSTM-beta-Variational Autoencoder，并将其与多输出 LSTM（MO-LSTM）软传感器相结合。该方法利用一年期全规模工厂数据，合成从当前状态向不稳定运行状态转变过程中具有物理有效性的序列，从而安全地填充特征空间中的稀疏区域。在增强数据集上训练后，MO-LSTM 对所有目标实现了稳健的同步估计。该方法缓解了数据稀疏问题，为工业生物过程中的机理-数据驱动混合建模和预警软传感器提供了基础。