近日，我院杨冲副研究员在工业过程智能感知与建模领域取得重要进展，相关研究成果以“Deep fusion of time series and visual data through temporal Features: A soft-sensor model for FeO content in sintering process”（《基于时序特征的时间序列与视觉数据深度融合：烧结过程FeO含量软测量模型》）为题，发表于人工智能领域国际顶级期刊《Expert Systems with Applications》。

在钢铁冶炼过程中，烧结矿的氧化亚铁（FeO）含量是衡量烧结矿质量与热状态的关键指标，对后续高炉冶炼的效率和能耗有决定性影响。然而，传统化学检测方法存在严重的滞后性，无法满足实时工艺调整的需求。针对这一工业难题，该研究创新性地提出了一种面向多源异构数据深度融合的软测量建模方法。

该研究的核心创新点主要体现在以下两个方面：

1. 提出双分支深度融合架构：研究构建了一个端到端的双分支Transformer网络，用于协同处理烧结过程中的时序工艺参数（如温度、压力、台车速度等传感器数据）与烧结机尾断面图像序列。该架构以“时序特征”为融合纽带，在特征层面实现了多模态数据的深度交互，从而更全面、精准地感知烧结过程的动态热状态。

2. 引入轻量化视觉Transformer提取动态视觉特征：针对工业现场标记样本稀缺、模型需轻量易部署的实际需求，研究引入了轻量级视觉Transformer来替代传统卷积神经网络。该方法不仅能有效提取单帧图像的瞬时特征，更能通过序列建模捕捉图像帧间的动态变化信息，在保证高精度的同时，显著降低了模型对大规模训练数据的依赖和对计算资源的消耗。

通过在真实烧结过程工业数据集上的验证，该深度融合架构展现出优异的鲁棒性与泛化能力。与多种主流基线模型相比，该模型对FeO含量的预测均方根误差降低了7.50%至19.44%，决定系数提升了3.46%至6.12%，为复杂工业过程的质量在线监测提供了高效、可靠的新方案。

该研究不仅为钢铁冶金行业的智能制造提供了关键技术支撑，也展现了我院在人工智能、工业大数据与复杂过程建模交叉领域的研究实力。

论文信息：

标题：Deep fusion of time series and visual data through temporal Features: A soft-sensor model for FeO content in sintering process

期刊：Expert Systems with Applications, Volume 268, 5 April 2025, 126334

链接：

https://www.sciencedirect.com/science/article/pii/S0957417424031105

一审：颜子钦

二审：汝绍锋

三审：张喜瑞