Fluxos de dados gerados por sistemas industriais complexos frequentemente acompanham deriva de conceito e dependências espaço-temporais dinâmicas e evolutivas, fatores que conjuntamente prejudicam o desempenho e a confiabilidade dos modelos preditivos convencionais que assumem distribuição de dados estática. Para enfrentar esse desafio, este artigo propõe uma rede neural gráfica hierárquica consciente de incerteza para fluxos de dados com deriva (UHGNN). O método integra a topologia física com interações de alta ordem entre sensores dentro de uma estrutura gráfica hierárquica, extraindo explicitamente características temporais e espaciais do fluxo de dados. Além disso, o modelo introduz um mecanismo de detecção de deriva baseado em incerteza cognitiva, identificando em tempo real a deriva de conceito e ativando o ajuste fino do modelo para adaptação rápida. Experimentos baseados em um sistema industrial online real — conjunto de dados do processo de refino de hidrotratamento de diesel — mostram que o UHGNN mitiga efetivamente os efeitos adversos da deriva de conceito, alcançando maior precisão preditiva em tarefas de previsão de fluxos com deriva em comparação com modelos base. O método também demonstra forte robustez a hiperparâmetros-chave, mantendo a eficiência computacional que suporta a implantação industrial.

deriva de conceito;fluxo de dados;rede neural gráfica hierárquica;incerteza cognitiva