一种流程工业多传感器数据协同分析方法和系统技术方案

本发明专利技术涉及一种流程工业多传感器数据协同分析方法和系统，属于数据分析技术领域。本发明专利技术提供的流程工业多传感器数据协同分析方法，开创性针对监测点位之间存在的三种典型关系（因果关系、同源关系和同质关系）引入带有隐变量的有向图结构，并基于隐变量推理网络模型实现从传感器观测变量到隐变量的后验估计。最后，利用图神经网络模型学习图中的有向边结构以及节点值，输出的特征向量可以作为当前生产状况及设备运行状态的特征表示，进而有效提升预测、控制、异常监测等下游应用的性能。异常监测等下游应用的性能。异常监测等下游应用的性能。

【技术实现步骤摘要】
一种流程工业多传感器数据协同分析方法和系统


[0001]本专利技术涉及数据分析
，特别是涉及一种流程工业多传感器数据协同分析方法和系统。

技术介绍

[0002]在流程工业场景中，用于流量、浓度、压强、液位等指标监测的传感器被广泛应用，支撑了过程控制系统的数据采集需求。然而，目前针对多点位时序监测数据的协同分析技术十分匮乏，智能系统中对于传感器数据一般只实现了单监测点位的分析。同时现有数据分析技术缺少与生产流程、工艺先验知识相结合的数据分析与表征方法，造成生产状态信息无法被充分挖掘。生产过程数据分析的不完备会造成智能系统难以精确感知生产状况的全貌，限制了下游智能应用的精度与效果。

技术实现思路

[0003]为解决现有技术存在的上述问题，本专利技术提供了一种流程工业多传感器数据协同分析方法和系统。
[0004]为实现上述目的，本专利技术提供了如下方案：一种流程工业多传感器数据协同分析方法，包括：根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型；多传感器点位间的相关关系包括：因果关系、同源关系和同质关系；为所述有向图模型的节点赋予结构向量；采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型；所述隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值；在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型；将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型；所述图神经网络模型的输入为节点观测值，输出为节点的特征向量；获取待分析生产系统中当前时刻多传感器的监测数据；将所述监测数据输入至所述隐变量推理网络模型中，得到当前时刻的节点观测值；将所述当前时刻的节点观测值输入至所述图神经网络模型得到特征向量；所述特征向量用于表征与当前时刻运行传感器对应的观测点信息。
[0005]优选地，所述根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型，具体包括：当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建所述第一隐变量图节点至所述第二隐变量图节点间的有向边；当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第
一传感器至所述第三隐变量图节点间的有向边，并构建从所述第三隐变量图节点至第二传感器间的有向边；当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从所述第四隐变量图节点至第一传感器间的有向边，并构建从所述第四隐变量图节点至第二传感器间的有向边。
[0006]优选地，所述采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型，具体包括：基于变分循环神经网络模型结构，分别构建生成模型和推理模型；采用变分贝叶斯方法，利用训练数据集对所述生成模型的参数和所述推理模型的参数进行训练，直至达到预设训练条件为止。
[0007]优选地，所述在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型，具体包括：确定有向图模型中任意两个图节点间的连接权重；基于所述连接权重确定连通性指标；当所述连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。
[0008]优选地，所述将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型，具体包括：基于所述节点的观测值形成节点的数据特征；根据所述新的有向图模型中节点间的邻接关系，利用所述节点的数据特征和所述结构向量提取节点的特征向量；基于提取得到的特征向量预测传感器的监测数据；基于预测数据利用平均平方误差计算所述图神经网络的训练损失值；确定所述训练损失值对所述图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。
[0009]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的流程工业多传感器数据协同分析方法，开创性针对监测点位之间存在的三种典型关系（因果关系、同源关系和同质关系）引入带有隐变量的有向图结构，并基于隐变量推理网络模型实现从传感器观测变量到隐变量的后验估计。最后，利用图神经网络模型学习图中的有向边结构以及节点值，输出的特征向量可以作为当前生产状况及设备运行状态的特征表示，进而有效提升预测、控制、异常监测等下游应用的性能。
[0010]对应于上述提供的流程工业多传感器数据协同分析方法，本专利技术还提供了一种流程工业多传感器数据协同分析系统，该系统包括：有向图模型构建模块，用于根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型；多传感器点位间的相关关系包括：因果关系、同源关系和同质关系；结构向量赋予模块，用于为所述有向图模型的节点赋予结构向量；第一模型训练模块，用于采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型；所述隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值；
有向图模型更新模块，用于在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型；第二模型训练模块，用于将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型；所述图神经网络模型的输入为节点观测值，输出为节点的特征向量；监测数据获取模块，用于获取待分析生产系统中当前时刻多传感器的监测数据；节点观测值确定模块，用于将所述监测数据输入至所述隐变量推理网络模型中，得到当前时刻的节点观测值；特征向量确定模块，用于将所述当前时刻的节点观测值输入至所述图神经网络模型得到特征向量；所述特征向量用于表征与当前时刻运行传感器对应的观测点信息。
[0011]优选地，所述有向图模型构建模块包括：第一有向边构建单元，用于当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建所述第一隐变量图节点至所述第二隐变量图节点间的有向边；第二有向边构建单元，用于当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第一传感器至所述第三隐变量图节点间的有向边，并构建从所述第三隐变量图节点至第二传感器间的有向边；第三有向边构建单元，用于当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从所述第四隐变量图节点至第一传感器间的有向边，并构建从所述第四隐变量图节点至第二传感器间的有向边。
[0012]优选地，所述第一模型训练模块包括：模型构建单元，用于基于变分循环神经网络模型结构，分别构建生成模型和推理模型；第一模型训练单元，用于采用变分贝叶斯方法，利用训练数据集对所述生成模型的参数和所述推理模型的参数进行训练，直至达到预设训练条件为止。
[0013]优选地，所述有向图模型更新模块包括：连接权重确定单元，用于确定有向图模型中任意两个图节点间的连接权重；连通性指标确定单元，用于基于所述连接权重确定连通性指标；有向图模型更新单元，用于当所述连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。
[0014]优选地，所述第二模型训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流程工业多传感器数据协同分析方法，其特征在于，包括：根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型；多传感器点位间的相关关系包括：因果关系、同源关系和同质关系；为所述有向图模型的节点赋予结构向量；采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型；所述隐变量推理网络模型的输入为传感器的监测数据，输出为节点观测值；在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型；将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型；所述图神经网络模型的输入为节点观测值，输出为节点的特征向量；获取待分析生产系统中当前时刻多传感器的监测数据；将所述监测数据输入至所述隐变量推理网络模型中，得到当前时刻的节点观测值；将所述当前时刻的节点观测值输入至所述图神经网络模型得到特征向量；所述特征向量用于表征与当前时刻运行传感器对应的观测点信息。2.根据权利要求1所述的流程工业多传感器数据协同分析方法，其特征在于，所述根据生产系统中多传感器点位间的相关关系引入隐变量构建有向图模型，具体包括：当多传感器点位间的相关关系为同质关系时，分别引入第一隐变量图节点和第二隐变量图节点，构建所述第一隐变量图节点至所述第二隐变量图节点间的有向边；当多传感器点位间的相关关系为因果关系时，引入第三隐变量图节点，构建从第一传感器至所述第三隐变量图节点间的有向边，并构建从所述第三隐变量图节点至第二传感器间的有向边；当多传感器点位间的相关关系为同源关系时，引入第四隐变量图节点，构建从所述第四隐变量图节点至第一传感器间的有向边，并构建从所述第四隐变量图节点至第二传感器间的有向边。3.根据权利要求1所述的流程工业多传感器数据协同分析方法，其特征在于，所述采用训练数据集训练隐变量推理网络得到训练好的隐变量推理网络模型，具体包括：基于变分循环神经网络模型结构，分别构建生成模型和推理模型；采用变分贝叶斯方法，利用训练数据集对所述生成模型的参数和所述推理模型的参数进行训练，直至达到预设训练条件为止。4.根据权利要求1所述的流程工业多传感器数据协同分析方法，其特征在于，所述在所述有向图模型的基础上，扩充节点间的有向边得到新的有向图模型，具体包括：确定有向图模型中任意两个图节点间的连接权重；基于所述连接权重确定连通性指标；当所述连通性指标满足预设条件时，则在两个图节点中构建新的有向边节，以形成新的有向图模型。5.根据权利要求1所述的流程工业多传感器数据协同分析方法，其特征在于，所述将所述新的有向图模型中各节点的观测值输入至图神经网络，以训练所述结构向量和图神经网络参数得到图神经网络模型，具体包括：基于所述节点的观测值形成节点的数据特征；
根据所述新的有向图模型中节点间的邻接关系，利用所述节点的数据特征和所述结构向量提取节点的特征向量；基于提取得到的特征向量预测传感器的监测数据；基于预测数据利用平均平方误差计算所述图神经网络的训练损失值；确定所述训练损失值对所述图神经网络的模型参数和结构向量的梯度，直至满足训练条件时得到图神经网络模型。6.一种流程工业多传感器数据协同分析系统，其特征在于，包括：有向图模型构建模块，用于根据生产系统中多传感器点位间的相关关...

【专利技术属性】
技术研发人员：张超，钱浩，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：