복잡한 산업 시스템에서 생성된 데이터 흐름은 개념 드리프팅 및 동적 시공간 종속성과 함께 발생하는 경우가 많으며, 이러한 요인들은 데이터 분포가 변하지 않는다는 가정을 가진 기존 예측 모델의 성능과 신뢰성에 악영향을 미칩니다. 이에 대응하기 위해 본 논문에서는 드리프팅 데이터 흐름에 특화된 불확실성 인지 계층화 그래프 신경망(UHGNN)을 제안합니다. 이 방법은 물리적 토폴로지와 센서 간 고차 상호작용을 계층적 그래프 구조로 융합하여 데이터 흐름의 시공간 특성을 명시적으로 추출합니다. 또한 인지 불확실성 기반 드리프팅 감지 메커니즘을 도입하여 개념 드리프팅을 실시간으로 식별하고 모델 미세조정을 촉발해 빠른 적응을 가능하게 합니다. 실제 온라인 산업 시스템인 디젤 수소 처리 정제 공정 데이터셋을 기반으로 한 실험 결과, UHGNN은 개념 드리프팅의 부정적 영향을 효과적으로 완화하였으며, 드리프팅 데이터 흐름 예측 과제에서 베이스라인 모델보다 높은 예측 정확도를 달성하였습니다. 또한 이 방법은 핵심 하이퍼파라미터에 대해 강력한 견고성을 입증하며, 산업 배포를 지원하는 계산 효율성도 유지합니다.

개념 드리프팅;데이터 흐름;계층화 그래프 신경망;인지 불확실성