本發(fā)明涉及粉塵濃度預(yù)測，尤其涉及一種基于自適應(yīng)時空融合網(wǎng)絡(luò)的工廠車間多粒徑粉塵濃度預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)化的迅猛發(fā)展，工廠車間環(huán)境中的粉塵污染問題日益嚴(yán)峻。懸浮在空氣中的粉塵顆粒不僅對工人健康構(gòu)成嚴(yán)重威脅，還會對車間內(nèi)的設(shè)備造成顯著影響。不同粒徑的粉塵顆粒，由于其物理特性差異，對設(shè)備和生產(chǎn)流程的影響存在顯著區(qū)別。大粒徑顆粒容易沉積在設(shè)備表面，導(dǎo)致設(shè)備磨損、堵塞甚至故障，而小粒徑顆粒則更容易進(jìn)入設(shè)備內(nèi)部，影響其精密性和使用壽命。因此，精準(zhǔn)預(yù)測各粒徑粉塵濃度并采取相應(yīng)的防護(hù)措施，對于保障設(shè)備的正常運(yùn)行、減少維護(hù)成本和延長設(shè)備壽命具有重大意義。

2、目前的粉塵濃度預(yù)測方法大多集中于單一粒徑粉塵的預(yù)測，忽略了不同粒徑粉塵之間的潛在關(guān)聯(lián)性。這些方法通常依賴于傳統(tǒng)的線性模型，如自回歸移動平均模型(arima)和線性回歸模型，這些模型在處理簡單的時間序列問題時具有一定效果，但在應(yīng)對工廠車間環(huán)境內(nèi)復(fù)雜的非線性粉塵濃度數(shù)據(jù)時，表現(xiàn)出明顯不足。同時，現(xiàn)有方法在對粉塵濃度數(shù)據(jù)進(jìn)行分析時，往往忽略了時間序列中的深層次特征以及粒徑間的空間關(guān)聯(lián)性，無法全面捕捉粉塵對設(shè)備和車間環(huán)境的綜合影響。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于自適應(yīng)時空融合網(wǎng)絡(luò)的工廠車間多粒徑粉塵濃度預(yù)測方法，以解決現(xiàn)有技術(shù)中未能充分利用多粒徑粉塵濃度數(shù)據(jù)中的時空關(guān)聯(lián)性問題，從而顯著提升各粒徑粉塵濃度的預(yù)測精度。本發(fā)明采用多種先進(jìn)的深度學(xué)習(xí)技術(shù)，通過系統(tǒng)性整合時空特征，實(shí)現(xiàn)對工廠車間環(huán)境中粉塵濃度的精準(zhǔn)預(yù)測，為環(huán)境監(jiān)測與設(shè)備維護(hù)提供科學(xué)依據(jù)。

2、為解決上述技術(shù)問題，本發(fā)明提供了如下技術(shù)方案：一種基于自適應(yīng)時空融合網(wǎng)絡(luò)的工廠車間多粒徑粉塵濃度預(yù)測方法，包括以下步驟：

3、s1、對采集到的車間多粒徑粉塵濃度數(shù)據(jù)進(jìn)行預(yù)處理，其輸出為處理后的時間序列數(shù)據(jù)x，確保數(shù)據(jù)質(zhì)量；

4、s2、通過圖神經(jīng)網(wǎng)絡(luò)對粉塵粒徑數(shù)據(jù)之間的空間關(guān)聯(lián)性進(jìn)行建模，捕捉不同粒徑之間的空間關(guān)系，獲取空間特征矩陣h；

5、s3、利用多尺度卷積神經(jīng)網(wǎng)絡(luò)對時間序列數(shù)據(jù)x進(jìn)行多尺度特征提取，捕捉不同時間尺度下的趨勢和變化，獲取時間特征矩陣f；

6、s4、通過自注意力機(jī)制將提取到的空間特征矩陣h和時間特征矩陣f進(jìn)行整合，最終輸出融合時間和空間信息的特征矩陣z，從而提升模型的全局依賴捕捉能力；

7、s5、在多任務(wù)學(xué)習(xí)框架下，將不同粒徑的粉塵濃度預(yù)測任務(wù)聯(lián)合優(yōu)化，提升整體預(yù)測精度；

8、s6、基于整合的時空特征z和多任務(wù)學(xué)習(xí)框架，模型輸出每種粒徑粉塵在未來時間步長的預(yù)測值并通過評估指標(biāo)對預(yù)測結(jié)果進(jìn)行評價，確保模型的準(zhǔn)確性和穩(wěn)定性。

9、進(jìn)一步地，在步驟s1中，具體過程包括以下步驟：

10、s11、采集室內(nèi)工廠車間環(huán)境中的多粒徑粉塵濃度數(shù)據(jù)，構(gòu)建輸入數(shù)據(jù)矩陣x∈rn×t×m，其中n為樣本數(shù)，t為時間步長，m表示多種不同粒徑粉塵的數(shù)據(jù)；

11、s12、對原始輸入數(shù)據(jù)矩陣x進(jìn)行數(shù)據(jù)清洗、標(biāo)準(zhǔn)化、缺失值處理操作，標(biāo)準(zhǔn)化計(jì)算公式如下：

12、

13、其中，xnorm為標(biāo)準(zhǔn)化后的數(shù)據(jù)，μ和σ分別為均值和標(biāo)準(zhǔn)差；

14、數(shù)據(jù)預(yù)處理的輸出為處理后的時間序列數(shù)據(jù)x，其形式為x＝(x1,x2,…,xn)。

15、進(jìn)一步地，在步驟s2中，具體過程包括以下步驟：

16、s21、基于處理后的時間序列數(shù)據(jù)x，構(gòu)建表示多種不同粒徑粉塵數(shù)據(jù)之間空間關(guān)聯(lián)性的鄰接矩陣a，鄰接矩陣a的元素定義為：

17、

18、其中，xi和xj分別表示粒徑i和j的數(shù)據(jù)特征，σ為標(biāo)準(zhǔn)差；

19、s22、通過圖神經(jīng)網(wǎng)絡(luò)gnn構(gòu)建空間關(guān)系模型，使用鄰接矩陣a∈r4×4進(jìn)行節(jié)點(diǎn)特征更新，節(jié)點(diǎn)特征矩陣表示為h(l)∈r4×d，更新公式為：

20、h(l+1)＝σ(ah(l)w(l)+b)；

21、其中，w(l)∈rd×d為第l層的權(quán)重矩陣，σ(·)為激活函數(shù)，b為偏置項(xiàng)；

22、s23、通過多次迭代的圖卷積操作，節(jié)點(diǎn)特征矩陣h(l)逐步更新，最終得到表示每種粒徑粉塵在各時間步長的空間特征矩陣h。

23、進(jìn)一步地，在步驟s3中，具體過程包括以下步驟：

24、s31、使用多尺度卷積神經(jīng)網(wǎng)絡(luò)mscnn提取時間序列特征，定義不同尺度的卷積核在不同時間窗口k＝3,5,7上進(jìn)行卷積操作，提取短期、中期和長期的時間序列特征，定義卷積操作為：

25、fi＝relu(x*ki+bi)；

26、其中，fi為多尺度特征圖，ki為第i個卷積核的大小，bi為偏置，relu(·)為激活函數(shù)；

27、s32、將多尺度的特征圖fi進(jìn)行拼接融合，形成最終的時間序列特征矩陣f，操作如下所示：

28、f＝concat(f1,f2,…,fi)；

29、其中，concat表示特征拼接操作。

30、進(jìn)一步地，在步驟s2中，對時間特征矩陣f進(jìn)行降維，降維后的特征矩陣為dreduced為將維后的特征長度，n為樣本數(shù)，t為時間步長。

31、進(jìn)一步地，在步驟s4中，具體過程包括以下步驟：

32、s41、引入自注意力機(jī)制，通過計(jì)算全局依賴關(guān)系來整合空間特征矩陣h和時間特征矩陣f，自注意力機(jī)制的計(jì)算公式為：

33、

34、其中，q，k，v分別表示查詢矩陣、鍵矩陣和值矩陣，dk為鍵的維度；

35、s42、利用transformer中的多頭注意力機(jī)制時空特征融合，將空間特征矩陣h和時間特征矩陣v統(tǒng)一投影到q，k，v中，對于每個頭headi，計(jì)算自注意力：

36、

37、其中，為可訓(xùn)練參數(shù)矩陣；

38、s43、將所有頭headi的輸出拼接，捕捉全局依賴關(guān)系，最終輸出融合時間和空間信息的特征矩陣z，多頭注意力計(jì)算公式為：

39、z＝multihead(q,k,v)＝concat(head1,…,headh)wo；

40、其中，h是頭的數(shù)量，wo是輸出權(quán)重矩陣。

41、進(jìn)一步地，在步驟s5中，具體過程包括以下步驟：

42、s51、對于多種粒徑的預(yù)測任務(wù)構(gòu)建單獨(dú)的任務(wù)損失函數(shù)其定義為：

43、

44、其中，為第n個樣本中第i種粒徑的預(yù)測值，yi(n)為對應(yīng)的真實(shí)值；

45、s52、通過共享底層特征表示和任務(wù)間的信息傳遞，定義總損失函數(shù)為各個任務(wù)損失的加權(quán)和，總損失函數(shù)的數(shù)學(xué)表達(dá)式為：

46、

47、其中，為第i種粒徑的損失函數(shù)，αi為相應(yīng)的權(quán)重系數(shù)；

48、s53、通過優(yōu)化總損失函數(shù)模型能夠在訓(xùn)練過程中同時優(yōu)化多個粒徑的預(yù)測精度，在訓(xùn)練過程中，通過梯度下降法adam優(yōu)化器最小化總損失函數(shù)梯度計(jì)算的過程如下：

49、

50、s54、通過更新模型參數(shù)，使得各個子任務(wù)的損失函數(shù)最小化，從而提高整體預(yù)測性能。

51、進(jìn)一步地，在步驟s6中，通過評估指標(biāo)對預(yù)測結(jié)果進(jìn)行評價，具體包括：通過均方誤差mse、平均絕對誤差mae對預(yù)測結(jié)果進(jìn)行評價。

52、進(jìn)一步地，本發(fā)明還提供了一種基于自適應(yīng)時空融合網(wǎng)絡(luò)的工廠車間多粒徑粉塵濃度預(yù)測方法的系統(tǒng)，包括：

53、數(shù)據(jù)處理模塊，所述數(shù)據(jù)采集模塊用于所述數(shù)據(jù)空間關(guān)聯(lián)模塊用于對采集到的車間多粒徑粉塵濃度數(shù)據(jù)進(jìn)行預(yù)處理，其輸出為處理后的時間序列數(shù)據(jù)x，確保數(shù)據(jù)質(zhì)量；

54、數(shù)據(jù)空間關(guān)聯(lián)模塊，所述數(shù)據(jù)多尺度提取模塊用于通過圖神經(jīng)網(wǎng)絡(luò)對粉塵粒徑數(shù)據(jù)之間的空間關(guān)聯(lián)性進(jìn)行建模，捕捉不同粒徑之間的空間關(guān)系，獲取空間特征矩陣h；

55、數(shù)據(jù)多尺度提取模塊，所述數(shù)據(jù)多尺度提取模塊利用多尺度卷積神經(jīng)網(wǎng)絡(luò)對時間序列數(shù)據(jù)x進(jìn)行多尺度特征提取，捕捉不同時間尺度下的趨勢和變化，獲取時間特征矩陣f；

56、數(shù)據(jù)整合模塊，所述數(shù)據(jù)整合模塊用于通過自注意力機(jī)制將提取到的空間特征矩陣h和時間特征矩陣f進(jìn)行整合，最終輸出融合時間和空間信息的特征矩陣z，從而提升模型的全局依賴捕捉能力；

57、預(yù)測優(yōu)化模塊，所述預(yù)測優(yōu)化模塊用于在多任務(wù)學(xué)習(xí)框架下，將不同粒徑的粉塵濃度預(yù)測任務(wù)聯(lián)合優(yōu)化，提升整體預(yù)測精度；

58、預(yù)測評價模塊，所述預(yù)測評價模塊用于基于整合的時空特征z和多任務(wù)學(xué)習(xí)框架，模型輸出每種粒徑粉塵在未來時間步長的預(yù)測值并通過評估指標(biāo)對預(yù)測結(jié)果進(jìn)行評價，確保模型的準(zhǔn)確性和穩(wěn)定性。

59、借由上述技術(shù)方案，本發(fā)明提供了一種基于自適應(yīng)時空融合網(wǎng)絡(luò)的工廠車間多粒徑粉塵濃度預(yù)測方法，至少具備以下有益效果：

60、(1)本發(fā)明通過構(gòu)建自適應(yīng)時空融合網(wǎng)絡(luò)，結(jié)合空間關(guān)聯(lián)性建模與時間序列特征提取，能夠有效捕捉粉塵濃度數(shù)據(jù)中復(fù)雜的時空關(guān)系，克服了傳統(tǒng)線性模型難以應(yīng)對非線性特征的局限性；

61、(2)本發(fā)明通過引入圖神經(jīng)網(wǎng)絡(luò)gnn構(gòu)建多種粒徑粉塵之間的空間關(guān)聯(lián)性，能夠準(zhǔn)確地反映不同粒徑之間的交互影響，從而提升預(yù)測精度。傳統(tǒng)方法往往忽略了這種多粒徑之間的關(guān)聯(lián)性，本發(fā)明則彌補(bǔ)了這一不足；

62、(3)本發(fā)明通過多任務(wù)學(xué)習(xí)將不同粒徑粉塵的預(yù)測任務(wù)進(jìn)行聯(lián)合優(yōu)化，既提高了各子任務(wù)的預(yù)測精度，又能利用不同任務(wù)之間的相關(guān)性提升整體性能。這種方法更具靈活性，能夠處理多粒徑數(shù)據(jù)的復(fù)雜性；

63、(4)本發(fā)明在工業(yè)車間的粉塵濃度監(jiān)控與預(yù)測領(lǐng)域具有一定的應(yīng)用價值，能夠幫助企業(yè)實(shí)時監(jiān)控和預(yù)測粉塵濃度，保護(hù)工人健康，延長設(shè)備使用壽命，降低維護(hù)成本，并推動更加環(huán)保的生產(chǎn)實(shí)踐。