申请/专利权人：大连理工大学

申请日：2023-08-07

公开（公告）日：2024-06-28

公开（公告）号：CN117010567B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N5/01;G06N3/042;G06N3/0464;G06N3/045;G06N3/0442;G06N3/08;G06N7/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.11.24#实质审查的生效;2023.11.07#公开

摘要：本发明属于数据挖掘中的时间序列预测领域，提出一种基于静态时空图的化工过程动态预测方法。将历史一段时间内通过传感器采集的多维时序数据所组成的特征矩阵X和邻接矩阵A作为输入数据，通过学习一个映射函数计算得到未来一段时间T的生产过程状态。该方法充分利用融合多维时序变量间的时间依赖性特征和空间依赖性特征，实现对化工过程预测任务。时序特征提取是采用GRU网络来实现，空间特征提取采用GCN网络来实现。GCN网络的图结构数据采用互信息的方式对多维时序变量间的关联性进行量化计算，进而设计形成静态图。

主权项：1.一种基于静态时空图的化工过程动态预测方法，其特征在于，具体包括步骤如下：步骤1：静态时空图构造；对历史一段时间内通过传感器采集的多维时序数据所组成的特征矩阵XT×N进行特征缩放，各种特征处于同一数量级，其中T为历史时序数据的时序长度，N为传感器数量；所述传感器包括温度、液位、压力、流量四种类型；所述多维时序数据作为构建的图的节点属性，节点属性包含温度、液位、流量、压力四种类型的时序数据；对特征矩阵XT×N，通过连续变量的互信息方法计算每一个传感器节点与所有传感器节点的互信息值，作为邻接矩阵A的关联权重值，具体公式如下：aij＝IXi；Xj，0≤i，j≤N其中，Xi为特征矩阵XT×N的第i个特征的时序数据、Xj为特征矩阵XT×N的第j个特征的时序数据，aij为邻接矩阵A的第i行第j列的元素，即aij∈A；由于IXT×N；Y＝IY；XT×N，所以aij＝aji；所述邻接矩阵A代表生产过程中传感器节点间的关联性；为传感器节点的动态预测结果，其中P为预测结果的时间序列长度；所有时序数据样本构建一个邻接矩阵A，作为描述静态图的空间结构；特征矩阵XT×N和邻接矩阵A共同构成了静态时空图；步骤2：构建基于静态时空图的时空预测网络；基于静态时空图的时空预测网络分为两个部分：时序特征提取模块和空间特征提取模块；基于静态图的时空预测网络结构的整体输入为特征矩阵和邻接矩阵所构成的静态时空图数据；空间特征提取模块由图卷积网络组成，图卷积网络的输入数据为特征矩阵和邻接矩阵输出为空间特征图；时序特征提取模块由GRU网络单元组成，空间特征提取模块得到的空间特征图从时间维度按照时间步依次输入到共享参数的GRU网络单元，进行时间特征提取；在进入时序特征提取模块中GRU网络单元的各个门控前，将Xi和上一个时间步的隐藏状态hi-1同时送入到空间特征提取模块，与邻接矩阵A进行图卷积运算，聚集邻接节点的信息，进而融合空间特征形成空间特征图；将当前时间步的空间特征图和上一个时间步的空间特征图输入到GRU网络单元的门控中，进而输出当前时间步的GRU网络单元的细胞单元状态和隐藏状态，隐藏状态作为下一个时间步GRU网络单元的细胞单元的输入隐藏状态；通过循环迭代M次，将最后一个GRU网络单元的细胞单元的输出特征通过一个线性层对特征维度进行降维，进而获得传感器节点的动态预测结果所述空间特征提取模块基于图卷积网络构造，所述图卷积网络为K跳类邻接矩阵算法，其具体计算公式如下： 其中，A+IK是构建了一个K阶可达的类邻接矩阵，Ci{·}是归一化算子，⊙为哈达玛积运算，是与邻接矩阵A同样大小的权重参数；所述时间特征提取模块采用了GRU网络对时序信息进行时间依赖性特征建模；从空间特征提取模块得到的空间特征图H，再从时间维度按照时间步依次输入到共享参数的GRU网络单元，进行时间特征提取；具体计算公式如下：ui＝σWu[GA,Xi,hi-1]+buri＝σWr[GA,Xi,hi-1]+brci＝tanhWc[GA,Xi,ri⊙hi-1]+bchi＝ui⊙hi-1+1-ui⊙ci其中，是权重参数，Fi为输入隐藏单元数量，Fo为输出隐藏单元数量，Fo＝2Fi；bu、br、bc为偏置项；GA,Xi为经过空间特征提取模块输出的空间特征图，σ、tanh为激活函数；⊙为哈达玛积运算；是上一个时间步的隐藏状态；ui是更新门控，控制细胞单元状态和上一个时间步的隐藏状态的输出信息；ri为重置门控，控制上一个时间步的隐藏状态信息更新；ci是保留到该细胞单元当中的状态信息；为该细胞单元的输出的隐藏状态；当输入特征矩阵XT×N的时间序列长度为T时，循环迭代GRU单元T次，时间步单元输出的隐藏状态hT作为最终提取好的时间特征；最后通过一层全连接线性层，对隐藏单元维度进行降维，得到最终输出结果，作为预测值其具体公式如下：Y＝WPhT+bp其中，Hi是经过时间特征提取模块的输出数据，为GRU单元最后一个时间步所产生的隐藏特征；WP为权重参数，bp为偏置项。

全文数据：

权利要求：

百度查询： 大连理工大学 基于静态时空图的化工过程动态预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD