Die von komplexen Industriesystemen erzeugten Datenströme gehen oft mit Konzeptdrift und dynamischen raumzeitlichen Abhängigkeiten einher, die gemeinsam die Leistung und Zuverlässigkeit herkömmlicher Prognosemodelle beeinträchtigen, welche eine konstante Datenverteilung annehmen. Zur Bewältigung dieser Herausforderung schlägt dieser Artikel ein unsicherheitsbewusstes hierarchisches Graphneuronalnetzwerk (UHGNN) für driftende Datenströme vor. Die Methode integriert physikalische Topologie mit hochordentlichen Interaktionen zwischen Sensoren in einer hierarchischen Graphstruktur, um zeitliche und räumliche Merkmale im Datenstrom explizit zu extrahieren. Zusätzlich führt das Modell einen auf kognitiver Unsicherheit basierenden Drift-Erkennungsmechanismus ein, der Konzeptdrift in Echtzeit identifiziert und eine Feinabstimmung des Modells zur schnellen Anpassung auslöst. Experimente basierend auf einem realen Online-Industriesystem — einem Diesel-Hydroraffinerie-Prozessdatensatz — zeigen, dass UHGNN die negativen Auswirkungen von Konzeptdrift wirksam mildert und bei der Vorhersage driftender Datenströme eine höhere Prognosegenauigkeit als Basismodelle erzielt. Die Methode beweist zudem eine starke Robustheit gegenüber wichtigen Hyperparametern bei gleichzeitiger Erhaltung der rechnerischen Effizienz zur Unterstützung der industriellen Anwendung.

Konzeptdrift;Datenstrom;hierarchisches Graphneuronalnetzwerk;kognitive Unsicherheit