تترافق تدفقات البيانات الناتجة عن أنظمة صناعية معقدة غالبًا مع انحراف المفاهيم وعلاقات التبعية الزمانية والمكانية الديناميكية التي تتطور، وهذه العوامل معًا تضر بأداء وموثوقية نماذج التنبؤ التقليدية التي تفترض أن توزيع البيانات ثابت. لمواجهة هذا التحدي، يقترح هذا البحث شبكة عصبية بيانية هرمية مدركة لعدم اليقين موجهة لتدفقات البيانات المنحرفة (UHGNN). تعتمد الطريقة على دمج الهيكل الطوبولوجي الفيزيائي مع التفاعلات عالية الرتبة بين المستشعرات ضمن هيكل بياني هرمي لاستخراج الخصائص الزمنية والمكانية من تدفق البيانات بشكل صريح. بالإضافة إلى ذلك، يدمج النموذج آلية كشف انحراف مبنية على عدم اليقين الإدراكي، تتيح التعرف الوقت الحقيقي على انحراف المفهوم وتفعيل التعديل الدقيق للنموذج لتحقيق التكيف السريع. أظهرت التجارب المعتمدة على بيانات عملية تكرير الهدرجة للدیزيل في نظام صناعي عبر الإنترنت أن UHGNN تخفف بفعالية التأثيرات السلبية لانحراف المفاهيم وحققت دقة تنبؤية أعلى مقارنة بالنماذج الأساسية في مهام تنبؤ التدفق المنحرف. كما أثبتت الطريقة متانة قوية تجاه المعلمات الفائقة الرئيسية مع الحفاظ على كفاءة حسابية تدعم النشر الصناعي.

انحراف المفاهيم;تدفق البيانات;شبكات عصبية بيانية هرمية;عدم اليقين الإدراكي