ABSTRAK
Untuk mengatasi kehilangan informasi selama penumpukan jaringan dan menangkap karakteristik temporal dari data proses industri, makalah ini mengusulkan metode sensor lunak yang diberi nama Self-Supervised Stacked Isomorphic Hierarchical Mapping Autoencoder Based on Dual-Constraint Mechanism (SSIHMAE). Dekoder model secara langsung merekonstruksi input asli. Selain itu, ia memproyeksikan output setiap lapisan encoder kembali ke dimensi input yang sesuai melalui lapisan pemetaan. Dengan menggabungkan kesamaan kosinus antara nilai yang dipetakan dan input ke dalam fungsi kerugian, model tersebut secara efektif mengurangi kehilangan informasi dalam jaringan dalam. Di lapisan teratas jaringan, pembelajaran kontras temporal yang diawasi sendiri diperkenalkan. Pasangan data yang berdekatan dalam waktu berfungsi sebagai sampel positif, sementara pasangan data yang dipisahkan interval bertindak sebagai sampel negatif. Model tersebut meminimalkan jarak antara fitur sampel jangkar dan sampel yang berdekatan secara temporal dengan mengoptimalkan fungsi tujuan InfoNCE, sambil menolak sampel yang dipisahkan oleh interval. Dengan cara ini, fitur temporal multiskala ditangkap. Akhirnya, lapisan yang terhubung penuh membangun model prediksi. Hasil simulasi pada data pemulihan sulfur dan pembangkitan listrik tenaga batu bara menunjukkan bahwa metode yang diusulkan mencapai akurasi prediksi 12,4% dan 5,1% lebih tinggi daripada model SAE tradisional. Hasil ini memvalidasi kemanjuran metode tersebut.