本發(fā)明屬于工業(yè)生產(chǎn)過程運(yùn)行狀態(tài)評價(jià)，具體涉及一種基于局部慢特征siamese圖卷積網(wǎng)絡(luò)的復(fù)雜工業(yè)過程運(yùn)行狀態(tài)評價(jià)方法。

背景技術(shù)：

1、在當(dāng)前工業(yè)生產(chǎn)過程中，維持生產(chǎn)系統(tǒng)的基本運(yùn)行已遠(yuǎn)不能滿足高效率與高產(chǎn)出的制造需求。現(xiàn)代工業(yè)生產(chǎn)追求的是最大化的效率和最優(yōu)化的資源利用，這要求生產(chǎn)過程不僅要穩(wěn)定，還要能夠自適應(yīng)各種變化，以維持最佳的運(yùn)行狀態(tài)。然而，在實(shí)際工業(yè)生產(chǎn)過程中，由于受到生產(chǎn)環(huán)境的變化、設(shè)備的老化磨損、以及人員操作的不規(guī)范等外界因素的影響，運(yùn)行過程經(jīng)常面臨偏離最優(yōu)運(yùn)行軌道的危險(xiǎn)。這些因素可能導(dǎo)致生產(chǎn)效率下降，產(chǎn)品質(zhì)量波動，甚至引發(fā)安全事故，從而無法保障產(chǎn)品質(zhì)量以及經(jīng)濟(jì)效益的持續(xù)提升。因此，對工業(yè)過程的運(yùn)行狀態(tài)實(shí)施及時(shí)、精準(zhǔn)的評價(jià)，指導(dǎo)生產(chǎn)操作人員對工業(yè)過程進(jìn)行有效的調(diào)控，對提高工業(yè)過程的運(yùn)行性能，方便企業(yè)的生產(chǎn)管理，均具有重要的實(shí)際意義。

2、在工業(yè)過程的運(yùn)行狀態(tài)評價(jià)中，現(xiàn)有的數(shù)據(jù)驅(qū)動方法往往集中于從數(shù)值數(shù)據(jù)中提取特征，卻忽略了時(shí)間序列之間的空間結(jié)構(gòu)關(guān)系所隱藏的特征信息。因此，系統(tǒng)地挖掘和分析這些關(guān)系對于實(shí)現(xiàn)準(zhǔn)確的運(yùn)行狀態(tài)評價(jià)至關(guān)重要。為了更有效地利用這些信息，研究者們開始探索將網(wǎng)格數(shù)據(jù)類型轉(zhuǎn)換為圖結(jié)構(gòu)數(shù)據(jù)類型，其中節(jié)點(diǎn)可以表示不同的監(jiān)控變量或過程組件，而邊則表征了這些節(jié)點(diǎn)間的連接關(guān)系。這種表示方式使得圖卷積網(wǎng)絡(luò)成為分析此類數(shù)據(jù)的理想工具。圖卷積網(wǎng)絡(luò)能夠處理非歐幾里得結(jié)構(gòu)的數(shù)據(jù)，已在多種領(lǐng)域表現(xiàn)出其強(qiáng)大的分類和特征學(xué)習(xí)能力。但基于圖卷積網(wǎng)絡(luò)的深度學(xué)習(xí)特征提取方法都是基于全局拓?fù)浣Y(jié)構(gòu)節(jié)點(diǎn)特征關(guān)系展開，忽視了局部時(shí)間序列的拓?fù)潢P(guān)系內(nèi)在本質(zhì)特征的動態(tài)變化對整個(gè)工業(yè)過程能否始終保持最優(yōu)運(yùn)行狀態(tài)具有重要影響。因此，在復(fù)雜工業(yè)過程的運(yùn)行狀態(tài)評價(jià)中，數(shù)據(jù)的緩慢變化特性和時(shí)間序列相關(guān)性是兩個(gè)不可忽視的因素。這些特性表明，歷史數(shù)據(jù)中的內(nèi)在本質(zhì)特征變化緩慢，且具有局部時(shí)間依賴性。

技術(shù)實(shí)現(xiàn)思路

1、針對上述現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種基于局部慢特征siamese圖卷積網(wǎng)絡(luò)來提取復(fù)雜工業(yè)過程中的緩慢變化的空間結(jié)構(gòu)特征。針對工業(yè)過程數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)特征復(fù)雜交互關(guān)系，如線性、非線性、周期性等，構(gòu)建局部時(shí)間依賴的圖結(jié)構(gòu)模型，從而提高空間結(jié)構(gòu)中影響過程變化最本質(zhì)的一部分特征表達(dá)能力。該方法可以學(xué)習(xí)局部時(shí)間序列的復(fù)雜空間特征之間的交互關(guān)系，并提取過程狀態(tài)具有緩慢變化的本質(zhì)特征，從而實(shí)現(xiàn)性能等級的精細(xì)化劃分。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于局部慢特征siamese圖卷積網(wǎng)絡(luò)的復(fù)雜工業(yè)過程運(yùn)行狀態(tài)評價(jià)方法，使用離線數(shù)據(jù)訓(xùn)練慢特征siamese圖卷積網(wǎng)絡(luò)特征提取模型，建立狀態(tài)評價(jià)離線模型；使用在線數(shù)據(jù)進(jìn)行運(yùn)行狀態(tài)評價(jià)；通過數(shù)據(jù)收集得到的t和t-1時(shí)刻下的過程數(shù)據(jù)xt，xt-1，并對其進(jìn)行標(biāo)準(zhǔn)化處理；利用滑動窗口對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，得到長度為w的時(shí)間序列。然后通過最大信息系數(shù)，即maximum?informationcoefficient、簡稱mic，將時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為圖結(jié)構(gòu)數(shù)據(jù)；將過程數(shù)據(jù)矩陣和圖結(jié)構(gòu)數(shù)據(jù)矩陣輸入運(yùn)行狀態(tài)評價(jià)模型，對兩個(gè)相鄰時(shí)刻下的圖結(jié)構(gòu)數(shù)據(jù)潛在特征進(jìn)行特征提取，同時(shí)使用慢特征對潛在特征進(jìn)行約束，最后得到在線數(shù)據(jù)屬于不同運(yùn)行狀態(tài)評價(jià)等級的后驗(yàn)概率，最終的評價(jià)結(jié)果為當(dāng)前時(shí)刻最大后驗(yàn)概率對應(yīng)的狀態(tài)等級；該方法可以學(xué)習(xí)局部時(shí)間序列復(fù)雜空間特征之間的相互作用，并提取過程狀態(tài)具有緩慢變化的本質(zhì)特征，從而有助于實(shí)現(xiàn)更精準(zhǔn)的過程運(yùn)行狀態(tài)評價(jià)模型。

3、具體包括以下步驟：

4、步驟一：使用離線數(shù)據(jù)訓(xùn)練局部慢特征siamese圖卷積網(wǎng)絡(luò)特征提取模型和分類器模型，建立狀態(tài)評價(jià)離線模型；

5、a1：采集工業(yè)過程的原始數(shù)據(jù)其中，n為采樣點(diǎn)個(gè)數(shù)，x＝[x1，x2，...，xn]為工業(yè)的過程數(shù)據(jù)，y＝[y1，y2，...，yn]為對應(yīng)的綜合經(jīng)濟(jì)指標(biāo)數(shù)據(jù)，對原始數(shù)據(jù)進(jìn)行預(yù)處理，包括異常數(shù)據(jù)的剔除和對齊；

6、a2：根據(jù)公式(1)對x數(shù)據(jù)和y數(shù)據(jù)進(jìn)行最大最小標(biāo)準(zhǔn)化處理，使得計(jì)算后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1；

7、

8、a3：收集t時(shí)刻和t-1時(shí)刻兩組長度均為n的時(shí)間序列數(shù)據(jù)集合作為慢特征siamese圖卷積網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集，最大最小標(biāo)準(zhǔn)化處理后記為和其中s＝t?or?t-1。

9、a4：依據(jù)專家知識對綜合經(jīng)濟(jì)指標(biāo)數(shù)據(jù)y進(jìn)行運(yùn)行狀態(tài)等級劃分得到標(biāo)簽數(shù)據(jù)得到標(biāo)簽數(shù)據(jù)

10、a5：對yl進(jìn)行one-hot編碼，得到二進(jìn)制表示的等級標(biāo)簽數(shù)據(jù)

11、a6：引入固定長度為w的滑動窗口技術(shù)將標(biāo)準(zhǔn)化后的訓(xùn)練數(shù)據(jù)集進(jìn)行分割，得到滑動窗口集合和其中w≤n，

12、a7：根據(jù)公式(2)，利用mic發(fā)現(xiàn)過程數(shù)據(jù)之間的交互關(guān)系；

13、

14、式中，d是樣本量的函數(shù)，通常設(shè)置為m0.6。m是訓(xùn)練數(shù)據(jù)集中的時(shí)間序列長度。

15、a8：如公式(3)，每個(gè)滑動窗口內(nèi)時(shí)間序列之間的交互關(guān)系可以通過mic方式來測量，得到mic權(quán)重矩陣。

16、

17、式中，表示在第k個(gè)滑動窗口中節(jié)點(diǎn)i和節(jié)點(diǎn)j序列之間的mic得分，代表在第k個(gè)滑動窗口內(nèi)的不同時(shí)間序列數(shù)據(jù)。

18、a9：設(shè)定合適的閾值，權(quán)重矩陣中元素小于閾值重設(shè)為0，大于閾值重設(shè)為1，從而得到能夠反映節(jié)點(diǎn)連接關(guān)系的鄰接矩陣，構(gòu)建一系列關(guān)聯(lián)圖gk；其計(jì)算公式如公式(4)所示：

19、

20、式中，表示鄰接矩陣的元素并且ζ代表通過專家知識確定的節(jié)點(diǎn)連接關(guān)系得分閾值。

21、a10：計(jì)算得到訓(xùn)練數(shù)據(jù)的圖結(jié)構(gòu)數(shù)據(jù)集合其中代表第k個(gè)輸入樣本下的圖結(jié)構(gòu)數(shù)據(jù)。模型輸入信息中的鄰接矩陣集合可以表示為

22、a11：初始化慢特征siamese圖卷積網(wǎng)絡(luò)參數(shù)，前向傳輸發(fā)現(xiàn)關(guān)聯(lián)圖中節(jié)點(diǎn)的內(nèi)在聯(lián)系，得到隱藏層特征和并且計(jì)算反向迭代優(yōu)化得到的最優(yōu)模型；

23、a12：將mic權(quán)值矩陣作為慢特征siamese圖卷積網(wǎng)絡(luò)的初始化參數(shù)，以縮短網(wǎng)絡(luò)的訓(xùn)練時(shí)間，輸入滑動窗口數(shù)據(jù)xw以及鄰接矩陣aw后，網(wǎng)絡(luò)前向傳播得到輸出值，結(jié)合綜合經(jīng)濟(jì)指標(biāo)信息反向訓(xùn)練慢特征siamese圖卷積網(wǎng)絡(luò)直至目標(biāo)函數(shù)收斂；

24、a13：利用等級標(biāo)簽數(shù)據(jù)對慢特征siamese圖卷積網(wǎng)絡(luò)引入有監(jiān)督學(xué)習(xí)，得到過程數(shù)據(jù)的重構(gòu)值的同時(shí)得到綜合經(jīng)濟(jì)指標(biāo)的預(yù)測值

25、a14：根據(jù)公式(5)計(jì)算特征提取模型的損失函數(shù)jgcn：

26、

27、a15：初始化softmax分類器的參數(shù)矩陣后，優(yōu)化分類器模型直至目標(biāo)函數(shù)最小化或收斂；

28、a16：將特征提取模型的隱藏層輸出h和二進(jìn)制變量作為輸入，訓(xùn)練soffmax分類器，得到狀態(tài)識別模型，根據(jù)公式(6)獲得softmax分類器的輸出：

29、

30、式中，c＝1，2，…，c表示不同的狀態(tài)等級，p(y＝j(luò)|x)表示輸入x為狀態(tài)等級j的后驗(yàn)概率，為分類器的參數(shù)；

31、a17：根據(jù)公式(7)計(jì)算分類器損失函數(shù)jsoftmax(θ)：

32、

33、a18：反向微調(diào)分類器模型參數(shù)，直到最小化jsoftmax(θ)或?qū)崿F(xiàn)jsoftmax(θ)的收斂，得到狀態(tài)識別模型；

34、a19：級聯(lián)特征提取模型和分類器后微調(diào)參數(shù)，構(gòu)建完整的運(yùn)行狀態(tài)評價(jià)離線模型。

35、步驟二：使用在線數(shù)據(jù)進(jìn)行運(yùn)行狀態(tài)評價(jià)；

36、b1：采樣得到在線過程數(shù)據(jù)x，并對x進(jìn)行標(biāo)準(zhǔn)化處理；

37、b2：對在線數(shù)據(jù)以窗口長度為w的滑動窗口滑動采樣，得到長度一致的序列數(shù)據(jù)；

38、b3：將序列數(shù)據(jù)輸入已訓(xùn)練好的運(yùn)行狀態(tài)評價(jià)模型，計(jì)算得到t時(shí)刻的在線數(shù)據(jù)xt屬于不同運(yùn)行狀態(tài)等級的后驗(yàn)概率為其中，i∈{1，2，...，q}，q為根據(jù)綜合經(jīng)濟(jì)指標(biāo)數(shù)據(jù)劃分的狀態(tài)等級類別的數(shù)字標(biāo)簽表示，最終t時(shí)刻的過程運(yùn)行狀態(tài)定義為后驗(yàn)概率集合中最大值所對應(yīng)的狀態(tài)等級，即t時(shí)刻的過程運(yùn)行狀態(tài)等級為

39、b4：根據(jù)在線運(yùn)行狀態(tài)評價(jià)結(jié)果，指導(dǎo)工業(yè)過程后續(xù)的優(yōu)化調(diào)控。

40、本發(fā)明發(fā)明的有益效果是：提供了一種基于局部慢特征siamese圖卷積網(wǎng)絡(luò)的復(fù)雜工業(yè)過程運(yùn)行狀態(tài)評價(jià)方法，該方法將復(fù)雜工業(yè)過程運(yùn)行狀態(tài)評價(jià)問題轉(zhuǎn)化圖分類問題，充分考慮時(shí)間序列數(shù)據(jù)多類節(jié)點(diǎn)特征交互。慢特征siamese圖卷積網(wǎng)絡(luò)通過mic學(xué)習(xí)時(shí)間序列數(shù)據(jù)空間節(jié)點(diǎn)之間的交互信息量，引入siamese圖卷積網(wǎng)絡(luò)塊來提取基于交互的子圖表示。并對提取到的潛在特征信息進(jìn)行慢特征約束使得模型保留變化緩慢的特征表示來反映運(yùn)行性能變化特征。通過嵌入局部慢特征算法到siamese圖卷積網(wǎng)絡(luò)，可以同時(shí)處理兩個(gè)連續(xù)時(shí)刻下的圖結(jié)構(gòu)數(shù)據(jù)并且通過siamese圖卷積網(wǎng)絡(luò)對整個(gè)網(wǎng)絡(luò)損失函數(shù)的參數(shù)進(jìn)行調(diào)整并且實(shí)現(xiàn)對局部時(shí)間依賴的過程數(shù)據(jù)轉(zhuǎn)化后的節(jié)點(diǎn)特征進(jìn)行更高維度的表示。最后根據(jù)工業(yè)過程的綜合經(jīng)濟(jì)指標(biāo)對過程離線數(shù)據(jù)進(jìn)行性能等級劃分，并利用劃分結(jié)果結(jié)合特征提取模型學(xué)習(xí)到的隱藏特征訓(xùn)練狀態(tài)識別模型，得到完整的過程運(yùn)行狀態(tài)評價(jià)模型。該方法能夠及時(shí)、準(zhǔn)確地進(jìn)行工業(yè)運(yùn)行狀態(tài)評價(jià)，指導(dǎo)過程的優(yōu)化調(diào)控，從而提高工業(yè)過程的運(yùn)行性能，有效保證工業(yè)產(chǎn)品的質(zhì)量，提高企業(yè)綜合經(jīng)濟(jì)效益。