摘要：本文介绍一种新方法，将人机界面 (HMI) 状态（一种涵盖操作员动作和过程状态的视觉反馈状态模式）从多变量时间序列转换为自然语言处理 (NLP) 建模领域。该​​方法的目标是在给定 k 个滞后过去 HMI 状态模式的情况下，预测 n 个提前时间步长窗口的操作员响应模式。NLP 方法提供了在 HMI 状态模式中编码 (语义) 上下文关系的可能性。为此，介绍了一种使用序列到序列 (seq2seq) 深度学习机器翻译算法构建原始 HMI 数据以进行监督训练的技术。此外，基于注意力等当前最先进的设计元素的自定义 Seq2Seq 卷积神经网络 (CNN) NLP 模型与基于标准循环神经网络 (RNN) 的 NLP 模型进行了比较。结果表明，用于建模 HMI 状态的两种 NLP 模型设计具有相当的有效性。 RNN NLP 模型显示出更高的（≈ 26%）预测准确度，一般来说，无论是样本内还是样本外的测试数据集。然而，自定义 CNN NLP 模型显示出更高的（≈ 53%）验证准确度，表明在相同数量的可用训练数据的情况下，过度拟合较少。所提出的工业 HMI NLP 建模的实际应用，例如在发电站控制室、航空（驾驶舱）等，正朝着现实的方向发展