基于静态时空图的化工过程动态预测方法

本发明涉及数据挖掘中的时间序列预测领域，尤其涉及一种基于静态时空图的化工过程动态预测方法。

背景技术：

1、时间序列预测是指通过建立分析模型，充分挖掘既往历史数据的趋势变化规律，从而预测未来数据。时序预测的用途非常广泛，如气象降雨，交通流量，金融，商业公司的销售经营，医学上的药物反应，各类系统的运作负荷，多个方面都可以见到相关的应用场景。

2、随着工业自动化的广泛普及应用，生产线上的监控传感器都通过通信总线部署到了自动化控制系统上，因此，大量的历史数据被存储到数据库当中，驱动着化工行业也进入了大数据挖掘时代。基于数据驱动的时序预测方法越来越多被应用在化工行业中。基于数据驱动的时序预测方法优势在于它可以忽略化工生产过程复杂的化学反应机理，从数据的角度建立预测模型。

3、时空预测本质上是时序预测任务，不同的是时空预测对多维时序数据进行了空间建模。尽管目前基于数据驱动的预测模型及方法很多，并在具体场景下的预测效果都可以达到非常好的效果，但是面向化工安全生产领域的预测模型大部分仍处于传统的时序预测方法，这些方法充分利用了时序特征，很好地捕捉了时序信息，如rnn、lstm等时序网络，却忽略了多维时序所存在的空间关联性，在化工生产线上，其空间关联性是指的多种传感器所反映的工艺参数在生产运行期间的相互关联性及影响程度。

4、本发明面向化工安全生产过程的生产数据时空建模问题，引入了图卷积神经网络的方法来对化工生产过程中不同传感器间所存在复杂关联性——“空间”关联性进行建模，融合时序信息和空间信息，进而实现对化工生产过程的动态预测。然而，面向化工生产领域构建时空预测模型，主要存在以下两个问题：

5、(1)由于在生产线上传感器的物理空间分布既很难对其描述及刻画，又不能真正反应内部机理所造成的相互关联性。因此，如何定义图卷积网络当中初始的图结构信息是一个难点工作。

6、(2)时空预测模型是从两个角度去提取多维时序信息：一个是时间角度，时序信息最大的特征就是时间依赖性；一个是空间角度，多维变量间的空间依赖性特征。因此，如何融合两种特征是需要解决的一个问题。

7、因此，本发明提出了一种基于gru和gcn融合的时空模型，并采用了不同的卷积核在两个化工数据集上进行了相关验证与评估，证明了本方法的有效性。同时，设计了一种新的图构建方法，为解决化工场景下工艺参数间关联性问题提供了一种思路。

技术实现思路

1、本发明为面向化工安全生产的时空预测任务，主要是针对化工dcs系统的远传数据，利用历史生产数据完成先验静态图的构建，从而指导搭建时空预测模型，完成对远传数据的实时预测。本发明可以针对化工过程真实场景中的生产数据进行实时预测，实现结果为预测未来产生的数据序列。

2、本发明的技术方案如下：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，公式如下：

3、

4、其中，h是历史时序的时间长度，p是预测未来时序的时间长度，其中，x是一个t×n维的矩阵，t代表历史时序数据的时序长度，n代表传感器数量；代表图结构，本发明中用邻接矩阵a进行描述。

5、具体包括步骤如下：

6、步骤1：静态时空图构造；

7、由于化工生产过程中的传感器有四种类型，包括了温度、液位、压力、流量四种类型。由于不同类型的传感器数据量纲不同，数据范围层次也不同。因此，需要对特征矩阵x进行特征缩放，让各种特征处于同一数量级从而使模型不会偏向于某一个特征，使用结果更理想。同时，加快模型收敛到最优解的速度。在本发明中，采用了标准化方式进行特征缩放。

8、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：

9、aij＝i(xi；xj),0≤i,j≤n

10、其中，xi为特征矩阵x的第i个特征的时序数据、xj为特征矩阵x的第j个特征的时序数据，aij为邻接矩阵的第i行第j列的元素，即aij∈a；由于i(x；y)＝i(y；x)，所以aij＝aji；所述邻接矩阵的元素采用带有权重值的元素表示；带有权重值的邻接矩阵其权重值越大，两个所关联的传感器节点间相互关联程度越高。

11、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x和邻接矩阵a共同构成了静态时空图；

12、步骤2：构建基于静态时空图的时空预测网络；

13、基于静态时空图的时空预测网络主要分为两个部分：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多维时序数据和邻接矩阵所构成的静态时空图数据，其中t为历史时序数据的时序长度，n为传感器数量；空间特征提取模块主要由图卷积网络组成，图卷积网络的输入数据为多维时序数据和邻接矩阵输出为空间特征图；时序特征提取模块主要由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；

14、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h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，进而获得预测结果

15、所述空间特征提取模块基于图卷积网络gcn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：

16、

17、

18、其中，(a+i)k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(hadamard product)，是与邻接矩阵a同样大小的权重参数。

19、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：

20、ui＝σ(wu[g(a，xi)，hi-1]+bu)

21、ri＝σ(wr[g(a，xi)，hi-1]+br)

22、ci＝tanh(wc[g(a，xi)，(ri☉hi-1)]+bc)

23、hi＝ui☉hi-1+(1-ui)☉ci

24、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；g(a，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；该细胞单元的输出的隐藏状态；

25、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，最后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，作为预测值其中p为预测结果的时间序列长度；其具体公式如下：

26、

27、其中，ht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。

28、所述特征缩放采用标准化处理，所述标准化是将特征矩阵中的特征值缩放成均值为0，方差为1的分布，公式如下：

29、

30、其中，是多维时序数据第i个特征数据的平均值，σ(xi)为方差。

31、本发明的有益结果：本发明提出了一种基于静态时空图的化工过程动态预测方法，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。

32、本发明面向化工安全生产过程，而目前现有的基于人工智能的安全预警方法大部分只关注于单一的传感器数据，纯基于数据驱动的安全预警研究不能够充分挖掘复杂的化工原理及工况，缺乏人工经验这种口传相授的知识学习和传承。工业大数据不仅可以是传感器的采样数据，还可以包含工艺条件、规则知识、预警措施等多模态数据。本发明充分利用生产工艺数据信息，提供了一种化工生产安全预警的有效方法。