本申請(qǐng)涉及工業(yè)數(shù)據(jù)時(shí)序配準(zhǔn)，尤其涉及一種基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法及系統(tǒng)。
背景技術(shù)：
1、多傳感數(shù)據(jù)作為部署在生產(chǎn)線各環(huán)節(jié)的傳感器所采集的時(shí)序變量，反映了工業(yè)生產(chǎn)過(guò)程各個(gè)狀態(tài)下的運(yùn)行信息，為生產(chǎn)控制和優(yōu)化提供了重要依據(jù)。在工業(yè)生產(chǎn)過(guò)程中，由于物料傳輸時(shí)間和過(guò)程反應(yīng)單元在空間分布和時(shí)間分布上的差異，使得生產(chǎn)過(guò)程中的溫度、壓力、流量、速度、成分等傳感器檢測(cè)數(shù)據(jù)具有明顯的時(shí)延特性，影響了數(shù)據(jù)間的真實(shí)因果關(guān)系，增加了運(yùn)行狀態(tài)在線監(jiān)測(cè)和產(chǎn)品質(zhì)量在線建模的難度。因此，有效地估計(jì)工業(yè)過(guò)程中多傳感數(shù)據(jù)之間的時(shí)延信息，并對(duì)數(shù)據(jù)進(jìn)行時(shí)序配準(zhǔn)，是后續(xù)過(guò)程建模、優(yōu)化控制與性能評(píng)估的重要前提。
2、現(xiàn)有時(shí)序配準(zhǔn)方法可分為統(tǒng)計(jì)學(xué)習(xí)方法、信號(hào)處理方法、機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法等。統(tǒng)計(jì)學(xué)習(xí)方法，如基于相關(guān)性分析、互信息和關(guān)聯(lián)矩陣分析等方法，主要依賴于計(jì)算時(shí)間序列之間的相關(guān)性，尋找最大相關(guān)性對(duì)應(yīng)的序列位移，從而確定變量間的時(shí)延，但是這類方法對(duì)噪聲較為敏感，在非線性且復(fù)雜的環(huán)境中，其估計(jì)精度會(huì)受到限制。以小波變換和自回歸模型等方法為代表的信號(hào)處理方法，側(cè)重于提取信號(hào)的時(shí)頻信息和周期性特征，進(jìn)而計(jì)算時(shí)延，但該類方法僅適用于處理短期、線性且平穩(wěn)的時(shí)序配準(zhǔn)問(wèn)題。近年來(lái)，基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法因其強(qiáng)大的學(xué)習(xí)能力而得到了廣泛應(yīng)用，如支持向量機(jī)、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)等，這些方法通過(guò)從大量樣本中學(xué)習(xí)多傳感數(shù)據(jù)間的復(fù)雜映射關(guān)系，展現(xiàn)出在處理非線性、復(fù)雜過(guò)程時(shí)序配準(zhǔn)方面的顯著優(yōu)勢(shì)。
3、通過(guò)對(duì)上述各種時(shí)序配準(zhǔn)方法的優(yōu)勢(shì)與局限性的全面對(duì)比分析，可以得知，基于深度學(xué)習(xí)的方法具有最廣泛的適用范圍和最優(yōu)的模型效果。然而，當(dāng)前的深度學(xué)習(xí)方法在應(yīng)用于時(shí)序配準(zhǔn)時(shí)，往往忽視了變量間的耦合關(guān)系和相互作用，使得時(shí)序配準(zhǔn)結(jié)果的準(zhǔn)確性不高。同時(shí)，考慮到時(shí)序配準(zhǔn)過(guò)程的目的是服務(wù)后續(xù)下游任務(wù)，如關(guān)鍵過(guò)程參數(shù)的回歸預(yù)測(cè)、過(guò)程狀態(tài)的識(shí)別與分類等，但現(xiàn)有時(shí)序配準(zhǔn)過(guò)程往往與后續(xù)的下游任務(wù)獨(dú)立開來(lái)，使得時(shí)序配準(zhǔn)結(jié)果的適用性較差。
4、可見，現(xiàn)有技術(shù)中的時(shí)序配準(zhǔn)方法存在準(zhǔn)確性、適用性均較差的問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)?zhí)峁┝艘环N基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中的時(shí)序配準(zhǔn)方法存在準(zhǔn)確性、適用性均較差的問(wèn)題。
2、為了實(shí)現(xiàn)上述目的，本申請(qǐng)通過(guò)如下的技術(shù)方案來(lái)實(shí)現(xiàn)：
3、第一方面，本申請(qǐng)?zhí)峁┮环N基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，包括：
4、s1：以各傳感器為節(jié)點(diǎn)，傳感器之間的關(guān)系為邊，構(gòu)建領(lǐng)域知識(shí)圖譜；
5、s2：基于所述領(lǐng)域知識(shí)圖譜的圖拓?fù)浣Y(jié)構(gòu)初始化圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；其中，圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)為領(lǐng)域知識(shí)圖譜中的每個(gè)實(shí)體，圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的每條邊對(duì)應(yīng)為領(lǐng)域知識(shí)圖譜中節(jié)點(diǎn)與節(jié)點(diǎn)之間的關(guān)系，且兩節(jié)點(diǎn)之間存在多條有向邊的概率大于0；
6、s3：基于所述圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定時(shí)序配準(zhǔn)算法，并基于所述時(shí)序配準(zhǔn)算法對(duì)數(shù)據(jù)集進(jìn)行配準(zhǔn)得到配準(zhǔn)后的數(shù)據(jù)集；
7、s4：基于配準(zhǔn)后的數(shù)據(jù)集構(gòu)建下游任務(wù)，并基于所述下游任務(wù)構(gòu)建模型損失函數(shù)；
8、s5：設(shè)計(jì)圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的迭代更新機(jī)制；
9、s6：基于模型損失函數(shù)和迭代更新機(jī)制進(jìn)行迭代更新訓(xùn)練直到滿足設(shè)定條件，得到最終的圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
10、s7：將實(shí)時(shí)采集的多傳感器數(shù)據(jù)輸入最終的圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行時(shí)序配準(zhǔn)。
11、第二方面，本申請(qǐng)?zhí)峁┮环N基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述第一方面所述方法的步驟。
12、有益效果：
13、本申請(qǐng)?zhí)峁┑幕诘聢D神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，基于工業(yè)過(guò)程的機(jī)理知識(shí)和專家經(jīng)驗(yàn)，創(chuàng)建了領(lǐng)域知識(shí)圖譜，通過(guò)使用工業(yè)過(guò)程的領(lǐng)域知識(shí)圖譜來(lái)引導(dǎo)多傳感數(shù)據(jù)的時(shí)序配準(zhǔn)過(guò)程，并基于知識(shí)圖譜的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，引導(dǎo)構(gòu)建了圖神經(jīng)網(wǎng)絡(luò)模型，初始化了多傳感數(shù)據(jù)間的耦合關(guān)系，強(qiáng)化了模型對(duì)多傳感數(shù)據(jù)間關(guān)系的分析，有利于提高時(shí)序配準(zhǔn)結(jié)果的準(zhǔn)確性。
14、在進(jìn)一步的技術(shù)方案中，本申請(qǐng)?zhí)岢隽艘粋€(gè)基于圖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的時(shí)序配準(zhǔn)算法，通過(guò)計(jì)算加權(quán)跳數(shù)距離來(lái)確定每次時(shí)延計(jì)算過(guò)程的零時(shí)延基準(zhǔn)列及各變量的初始時(shí)延區(qū)間，充分考慮了各變量在具體過(guò)程中的物理意義與時(shí)延差異，使得時(shí)序配準(zhǔn)結(jié)果與下游任務(wù)更匹配、更適合。
15、在進(jìn)一步的技術(shù)方案中，本申請(qǐng)?jiān)O(shè)計(jì)了一個(gè)下游任務(wù)驅(qū)動(dòng)和知識(shí)圖譜引導(dǎo)的模型損失函數(shù)，該函數(shù)由下游任務(wù)的模型性能表現(xiàn)、圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的光滑性約束、知識(shí)圖譜的關(guān)系約束與傳遞性約束這三部分構(gòu)成，前者引導(dǎo)圖神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化，后兩部分則起到了正則化的作用，共同為圖神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)與邊的參數(shù)更新提供了反饋指導(dǎo)，使網(wǎng)絡(luò)信息更加適用于特定的下游任務(wù)。
16、在進(jìn)一步的技術(shù)方案中，本申請(qǐng)基于圖神經(jīng)網(wǎng)絡(luò)的鄰接矩陣和節(jié)點(diǎn)相似度矩陣，設(shè)計(jì)了一個(gè)圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的迭代更新機(jī)制，自適應(yīng)地刪除或生成邊，起到了適用于下游任務(wù)的關(guān)鍵變量篩選的作用，逐步獲取了與特定下游任務(wù)匹配的關(guān)鍵變量及其關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)了適用于下游任務(wù)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)優(yōu)化，有利于加強(qiáng)時(shí)序配準(zhǔn)結(jié)果對(duì)下游任務(wù)的適用性。
1.一種基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s2包括：
3.根據(jù)權(quán)利要求1所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s3包括：
4.根據(jù)權(quán)利要求3所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s31，包括：
5.根據(jù)權(quán)利要求3所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s32，包括：
6.根據(jù)權(quán)利要求3所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s33，包括：
7.根據(jù)權(quán)利要求1所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s4中的模型損失函數(shù)滿足如下關(guān)系式：
8.根據(jù)權(quán)利要求7所述的基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)方法，其特征在于，所述s5包括：
9.一種基于迭代更新圖神經(jīng)網(wǎng)絡(luò)的多傳感數(shù)據(jù)時(shí)序配準(zhǔn)系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述權(quán)利要求1至8中任一所述方法的步驟。