一种基于图神经网络的冷轧工业过程监测方法技术

本发明专利技术公开了一种基于图神经网络的冷轧工业过程监测方法，包括：获取工业数据，对所述工业数据进行处理，建立行单位数据集；基于行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。本发明专利技术通过构建与真实机理模型相符的图结构来提高模型精度，并对数据模型有一定的可解释性。并对数据模型有一定的可解释性。并对数据模型有一定的可解释性。

【技术实现步骤摘要】
Networks，GAT)和GraphSAGE等，GCN可以同时学习节点的特征和结构的特征，并且GCN实用性较高，可用于任意拓扑结构的网络模型，是目前图神经网络研究最深入的主流应用方法。
[0008]冷连轧工业过程逐渐向大型化、复杂化发展，其过程变量逐渐增多，传统的多元统计分析方法在实际生产运用中存在运行时间较长，计算精度较低的问题，目前大量研究的神经网络算法，在通过大量数据的训练后得到的模型有较好的拟合度，训练好的模型有计算速度较快，计算精度较高等优点。

技术实现思路

[0009]为解决上述技术问题，本专利技术提出了一种基于图神经网络的冷轧工业过程监测方法，建立基于数据驱动的过程监测模型，基于图神经网络预测输出并监测故障，以提早发现并及时处理问题，避免干扰正常生产过程及产品质量。
[0010]为实现上述目的，本专利技术提供了一种基于图神经网络的冷轧工业过程监测方法，包括：
[0011]获取工业数据，对所述工业数据进行处理，建立行单位数据集；
[0012]基于所述行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；
[0013]构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。
[0014]优选地，对所述工业数据进行处理，包括：
[0015]对所述工业数据进行清洗，去除参考值与重复值；
[0016]对所述工业数据进行特征选择，去除与目标无关的低质特征。
[0017]优选地，采用皮尔森相关系数为标准对所述工业数据进行特征选择，所述皮尔森相关系数的计算方法为：
[0018][0019]其中，X、Y为变量，N为样本量。
[0020]优选地，建立所述图结构数据集，包括：
[0021]将原始以行或列为单位的数据集转变为以图为单位的图结构，获取所述图结构数据集。
[0022]优选地，建立所述冷轧过程的图结构数据集，包括：
[0023]依据冷轧的轧制过程时空图结合专家经验知识库共享，建立冷轧过程的图结构数据集。
[0024]优选地，构建所述图神经网络过程监测模型前包括：
[0025]生成节点表征，确定激活函数进行非线性操作，包括；
[0026]根据GCN计算范式，生成节点特征，并将图卷积神经网络结果输入至LeakyReLU激
活函数中，用于将使原本拟合线性映射的模型转变为可拟合非线性结果。
[0027]优选地，根据所述GCN计算范式的方法为：
[0028][0029]其中，H
l
为第l层的输入特征，H
l+1
为第l层的输出特征；w
l
为线性变换矩阵；σ(
·
)为非线性的激活函数；为自连邻接矩阵；为自连矩阵的度矩阵；
[0030]所述LeakyReLU激活函数为：
[0031][0032]其中，x为激活值，a为超参数。
[0033]优选地，构建所述图神经网络过程监测模型，包括：
[0034]基于传统多元统计方法中对于统计量阈值的确定方法，采用3σ法则确定冷轧带钢异常IU值阈值；
[0035]建立GCN过程预测模型，对任意两个时刻之后的板形IU值进行预估，若板形IU预估值超过阈值，则认为发生异常，进而构建所述图神经网络过程监测模型。
[0036]与现有技术相比，本专利技术具有如下优点和技术效果：
[0037]相较于传统故障监测模型采用的传统多元统计分析方法，图神经网络模型有较好的拟合度、计算速度快以及计算精度高等特点；本专利技术通过构建与真实机理模型相符的图结构来提高模型精度，对数据模型有一定的可解释性。
附图说明
[0038]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0039]图1为本专利技术实施例中图神经网络消息传递范式示意图；
[0040]图2为本专利技术实施例中基于传统CNN的卷积操作示意图；
[0041]图3为本专利技术实施例中基于图结构的卷积操作示意图；
[0042]图4为本专利技术实施例中LeakyReLU激活函数示意图；
[0043]图5为本专利技术实施例中冷轧过程图结构示意图；
[0044]图6为本专利技术实施例中冷轧过程GCN模型图；
[0045]图7为本专利技术实施例中冷轧钢卷IU值实际值折线图；
[0046]图8为本专利技术实施例中冷轧钢卷IU值预测值折线图；
[0047]图9为本专利技术实施例中冷轧钢卷IU值预测值与实际值对比图。
具体实施方式
[0048]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0049]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不
同于此处的顺序执行所示出或描述的步骤。
[0050]本专利技术提出了一种基于图神经网络的冷轧工业过程监测方法，包括：
[0051]步骤一：数据清洗与特征选择
[0052]选取钢卷数据样本库作为工业数据集，数据样本库包含的具体钢卷数据如表1所示。
[0053]表1
[0054][0055]工业数据集中存在参考变量与重复值等冗余信息，通过数据清洗删除数据冗余信息，保证训练速度与建模精度。
[0056]工业数据集中存在过多特征变量，选择更具代表性的部分特征，去除部分与目标特征无关的低质特征达到简化数据集的目的，最终减少训练时长并提高模型的精确度。目前采用皮尔森相关系数为标准选择代表性特征，具体介绍如下：
[0057]皮尔森相关系数(Pearson Correlation Coefficient)是一种主要用于衡量不同特征之间相关程度大小的统计量，在数据的预处理中可以用来计算输入参数两两之间的相关程度，可以通过剔除与另外输入参数皮尔森参数大的输入参数来减少输入参数的数量，皮尔森相关系数的计算方法如下：
[0058][0059]步骤二：建立图结构数据集
[0060]依据冷轧的轧制过程时空图结合专家经验知识库共享建立冷轧过程的图结构。如图5所示为冷轧过程图结构示意图，其中各虚线框代表在空间上分离的各冷轧机架，每个机架中各色的点代表不同的传感器采集得到的特征，各点之间的连接线代表了所连接两点之间存在传递关系。
[0061]步骤三：生成节点表征
[0062]图神经网络主要目标是为节点生成节点表征(Node Representation)，图神经网络生成节点表征的范式又称消息传递(Message Passing)范式。消息传递范式是指在一个图网络中节点间传递消息的通用操作。如图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的冷轧工业过程监测方法，其特征在于，包括：获取工业数据，对所述工业数据进行处理，建立行单位数据集；基于所述行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。2.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，对所述工业数据进行处理，包括：对所述工业数据进行清洗，去除参考值与重复值；对所述工业数据进行特征选择，去除与目标无关的低质特征。3.根据权利要求2所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，采用皮尔森相关系数为标准对所述工业数据进行特征选择，所述皮尔森相关系数的计算方法为：其中，X、Y为变量，N为样本量。4.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，建立所述图结构数据集，包括：将原始以行或列为单位的数据集转变为以图为单位的图结构，获取所述图结构数据集。5.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，建立所述冷轧过程的图结构数据集，包括：依据冷轧的轧制过程时空图结合专家经验知识库共享，建立冷轧过程...

【专利技术属性】
技术研发人员：周晓敏，许涛，马兴隆，杨紫珩，王帅坤，张洪嘉，
申请(专利权)人：北京科技大学顺德创新学院，
类型：发明
国别省市：