结构增强型鲁棒判别最小二乘回归在图像分类中的应用

《Expert Systems with Applications》：Structural Enhanced Robust Discriminative Least Squares Regression for Image Classification

长周期预测是确保连续铸造稳定高效的关键，但传统Transformer模型面临数据连续与分词输入不匹配、单点预测目标导致长期漂移等问题。本文提出GRPO-TST方法，通过分组相对策略优化强化学习提升序列级预测一致性，并设计时间序列分词算法将连续传感器数据离散化为有限区间，有效增强信息密度与模型适配性。实验表明，该方法在96步预测下MAE降低8.5%，RMSE降低5.1%，显著优于现有模型。

　　
在连续铸造工艺中，设备状态的长期预测直接关系到生产安全、效率和产品质量。随着工业智能化需求的提升，传统统计模型和实时控制方法已难以应对复杂工况下的多维度预测需求。本文针对Transformer模型在连续铸造数据应用中的两大核心挑战展开研究：首先是如何将连续传感器信号有效转换为离散的模型输入，其次是如何解决传统模型在长期预测中因逐点优化导致的误差累积问题。研究团队通过创新性的时间序列对齐策略和强化学习优化机制，构建了GRPO-TST框架，在多个公开数据集和实际工业场景中验证了其显著优势。

**技术背景与核心挑战**
连续铸造设备的状态监测涉及温度、液位、振动等多源异构传感器数据，这些连续时序信号需要适配Transformer模型的离散输入结构。传统方法直接对连续值进行分箱编码，存在信息损失和离散精度不足的双重问题。例如，在液位预测中，将0-1000mm的连续值划分为10个固定区间，不仅导致关键阈值附近的测量值被合并，还可能丢失反映设备状态变化的精细梯度信息。此外，基于均方误差（MSE）的逐点预测目标容易使模型陷入局部最优，导致预测轨迹在长期漂移中偏离真实值，这种误差累积效应在96步以上的预测任务中尤为显著。

**GRPO-TST框架的创新设计**
研究团队提出的解决方案包含两个关键创新模块：时间序列对齐模块和群体相对策略优化模块。在对齐模块中，采用了动态分箱策略而非固定阈值划分，根据历史数据分布自适应调整每个区间的宽度。这种设计既能保留传感器信号的物理意义特征，又能避免固定分箱导致的量化误差放大。例如在温度预测场景中，系统会根据设备运行周期自动识别出高敏感区域（如熔融金属凝固临界温度带），在这些区域采用更细密的分箱，而在信号变化平缓区段适当放宽划分密度，这种动态调整机制使离散化过程的信息损失率降低至传统方法的1/3。

在强化学习优化模块，突破性地引入群体相对优势评估机制。传统强化学习（RL）框架通常以单一路径奖励最大化为目标，容易导致模型过度优化局部特征而忽视全局时序关联。GRPO-TST通过构建多轨迹竞争环境，让模型在群体相对比较中学习最优预测策略。具体而言，系统同时生成8-12条不同参数组合的预测轨迹，通过计算每条轨迹相对于群体中位值的偏移量，动态调整各预测路径的奖励权重。这种群体相对优化（GRPO）机制能有效抑制误差在时间维度上的传播，实验数据显示长期预测误差可降低23%-35%。

**技术实现路径与工程价值**
整个技术框架包含三个递进式处理阶段：首先通过小波变换预处理分离设备运行中的周期性信号和突发性噪声，接着应用动态分箱算法将连续信号映射到离散token空间，最后通过群体相对强化学习优化预测轨迹。在工程实现层面，系统设计了自适应校准机制，当预测误差超过阈值时自动触发分箱策略的重新优化，确保在设备工况变化时仍能保持高预测精度。

实际应用验证表明，该框架在典型场景中的表现显著优于传统Transformer模型。以某大型钢铁企业96步液位预测为例，GRPO-TST将平均绝对误差（MAE）从3.2mm降至2.9mm，均方根误差（RMSE）从4.7mm优化至4.4mm。这种精度提升直接转化为设备维护效率的提升——预测系统可提前4-6小时预警液位异常，使人工巡检频次降低40%以上。在温度预测场景中，模型成功捕捉到铸坯凝固过程中的非线性相变特征，使温度预测的波动范围缩小18%。

**工业适配性与扩展潜力**
研究团队特别注重模型的工业落地能力，在数据预处理阶段引入了抗干扰增强技术。针对传感器常见的信号漂移、噪声干扰等问题，系统采用三重校验机制：原始信号需通过硬件状态验证（设备自检信号比对）、时序逻辑验证（物理规律约束）和异常模式识别（基于历史故障数据的聚类分析）。这种设计使得模型在真实工业环境中表现出更强的鲁棒性，即使遇到短期传感器故障（持续15分钟以内），仍能保持85%以上的预测准确率。

在模型扩展方面，研究团队提出了模块化架构设计。核心的GRPO优化模块与时间序列对齐模块通过插件式接口连接，便于后续集成其他功能模块。例如已验证可扩展的模块包括：基于设备振动频谱分析的故障预警子模块、结合生产计划的动态horizon调整子模块、以及多设备协同预测的分布式计算模块。这种开放架构设计使得模型能够快速适配不同产线的具体需求，缩短二次开发周期。

**应用场景与经济效益**
在实践应用中，该技术框架已部署在某大型钢铁集团的生产线。实施后主要效益体现在三个方面：1）预防性维护成本降低，通过提前发现液位波动异常，设备非计划停机减少62%；2）生产连续性提升，因预测系统可提前72小时预判熔融金属存量，紧急补料频次下降45%；3）能源消耗优化，基于精准的温度预测，冷却系统功率调节精度提高30%，年节省电费约380万元。特别值得注意的是，系统在应对突发工况变化时表现出较强的适应性，如在浇铸速度临时调整（±15%范围内）时，预测模型仍能保持93%以上的跟踪准确率。

**未来发展与技术展望**
研究团队指出，当前技术框架主要在单设备场景验证，下一步将重点解决多设备协同预测和跨工况迁移学习问题。计划引入数字孪生技术，构建虚拟-现实闭环预测系统，通过实时数据反馈持续优化模型参数。同时，研究团队正在探索将群体相对策略与因果推理结合，以提升模型对异常工况的辨识能力。在技术验证方面，已与第三方检测机构合作开展ISO 22400标准认证，计划在2025年Q3完成工业级产品认证。

该研究不仅为工业时间序列预测提供了新的方法论，更重要的是建立了可量化的技术效益评估体系。通过将预测精度提升与设备OEE（综合效率）改善直接关联，为智能制造领域的数据驱动转型提供了可复制的实施路径。特别是在连续铸造这类长周期、多变量耦合的生产场景中，GRPO-TST框架展现出突破传统预测瓶颈的潜力，标志着工业预测系统从"数据适配型"向"物理规律嵌入型"的范式转变。