一种基于跨尺度图映射的异构采样时序预测方法、装置及存储介质

本发明属于工业多变量预测和深度学习预报，涉及一种基于跨尺度图映射的异构采样时序预测方法、装置及存储介质。

背景技术：

1、过程工业是国民经济运行和现代产业体系建设的重要基础产业，广泛涉及化工、冶金、能源、制药、食品、材料等多个领域，对资源转化、能源利用和高端制造业发展具有重要支撑作用。当前过程工业通常包括反应、传热、传质、分离、混合、输送等多个连续或半连续环节，涉及反应器、换热器、精馏塔、压缩机、泵、磨机、筛分设备、控制阀等多类设备及设备群。由于其生产流程长、工况变化复杂、变量数量多，且各工序间存在显著的物料、能量和信息耦合关系，过程工业普遍具有强非线性、强耦合、长滞后时间以及难以精确建模等特点。因此如何实现关键过程参数的稳定控制、生产状态的实时感知以及产品质量和能耗指标的协同优化，是过程工业智能化和高质量发展的核心问题。

2、过程工业生产过程通常由多个连续工序、多个关键设备和大量过程变量共同构成，生产状态并不只由单一设备或单一测点决定，而是受到原料性质、设备负荷、工艺参数、上下游工况以及控制策略等多重因素共同影响。以浮选过程为例，浮选指标不仅与给矿品位、矿浆浓度、矿浆流量、药剂制度、充气量、液位、泡沫层厚度以及刮泡速度等本体工艺变量有关，也会受到磨矿细度、分级效率、矿石性质波动以及后续精选、扫选环节运行状态的影响；类似地，在化工、冶金、能源和材料等典型过程工业场景中，产品质量、产量、能耗和安全状态往往由多变量之间的动态耦合关系共同决定。因此，过程工业预测问题需要在长流程、多变量、强耦合、长滞后时间和工况频繁波动的复杂环境下，准确刻画变量之间的时序关联和跨工序影响关系，从而实现对关键质量指标、设备状态或生产负荷的即时预测。

3、在实际生产中，过程工业往往具备高频过程变量和低频质量变量。其中高频过程变量通常为生产过程中来自传感器高频采集的温度、压力、流量、液位、振动等过程变量，而低频质量变量通常依赖离线化验、人工采样或复杂分析仪器获得，如产品品位、成分、浓度、纯度、回收率等，采样周期长且反馈延迟明显。因此，生产过程中的过程变量与质量变量难以在时间尺度上直接对齐，高频过程变量当中包含大量短时波动和冗余扰动，低频质量标签数量有限、时效滞后，难以形成可靠的监督样本。同时不同的过程变量对质量指标的影响具有不同的响应路径和滞后周期，最终的预测模型不仅需要识别变量间的静态相关性，还需要刻画跨频率、跨时间尺度的信息传导关系，从而进一步增加了过程工业多变量预测的建模难度。

4、目前在过程工业软测量和质量预测方面，已有专利提出了多种基于机器学习或深度学习的建模方法。例如，专利cn115952685b公开了一种基于集成深度学习的污水处理过程软测量建模方法，通过kpca降维以及bilstm、lssvm、xgboost等模型集成实现水质指标预测；专利cn116861224b公开了一种间歇过程软测量建模方法，利用间歇生产过程数据和支持向量回归模型实现质量变量在线预测；专利cn110705692b公开了一种时空注意力网络的非线性动态工业过程产品预测方法，通过连续均匀采样的过程数据构建lstm和注意力机制模型；专利cn112001115b公开了一种半监督动态软测量网络的软测量建模方法，通过固定输入时间窗口提取动态特征并预测主导变量；专利cn114841000b公开了一种基于模态共有特征分离的软测量建模方法，通过多模态特征分离提高工业过程软测量精度。上述方法能够在一定程度上利用过程变量、历史数据或多源特征实现质量指标或关键变量预测，但其建模过程通常依赖统一采样周期、固定时间窗口、连续对齐样本或同一尺度下的特征融合，主要关注变量相关性提取、特征降维、模型集成或单一序列动态建模。当过程工业中同时存在高频过程变量、低频质量变量、不同采样周期变量以及不同响应滞后变量时，现有方法难以有效解决异构采样数据之间的时间对齐、跨尺度信息传递以及长期趋势与短期扰动协同表达问题。因此，本发明提出一种基于跨尺度图映射的异构采样时序预测方法，通过构建不同时间尺度变量之间的映射关系和图结构关联，在多尺度时序数据难以直接对齐的条件下实现跨尺度特征聚合与预测建模，从而提高过程工业复杂工况下关键质量指标或状态变量的预测准确性和适应性。

技术实现思路

1、为了解决过程工业多变量时序预测中高频过程变量与低频质量指标之间采样频率不一致、空间拓扑关系难以统一建模、低频质量标签反馈滞后以及跨尺度动态耦合关系难以捕获的问题，本发明采用的技术方案是：一种基于跨尺度图映射的异构采样时序预测方法，包括以下步骤：

2、获取高频过程数据与低频质量指标数据，并根据高频过程变量间的拓扑关系构建高频属性图；

3、基于构建的高频属性图和低频质量指标数据，建立基于跨尺度图映射与聚合学习的异构采样时序预测模型，

4、对所述异构采样时序预测模型进行训练，得到训练好的异构采样时序预测模型；

5、将带预测的高频过程数据与低频质量指标数据输入到训练好的异构采样时序预测模型中，实现对采样时序的预测。

6、进一步地，所述异构采样时序预测模型包括：

7、带图残差连接的图卷积网络：用于基于输入的高频过程数据，提取高频拓扑特征，输出高频特征拓扑结构矩阵；

8、图映射学习模块：用于基于输入的低频质量指标数据和由高频属性图节点特征导出的跨尺度邻接映射矩阵，输出跨尺度映射特征矩阵并获得低频映射特征；

9、跨尺度门控循环模块：基于所述带图残差连接的图卷积网络传送的高频特征拓扑结构矩阵以及所述图映射学习模块传送的低频映射特征，进行拼接，得到工艺过程的滑动窗口历史演化状态和当前状态特征；

10、跨尺度特征融合网络；基于所述跨尺度门控循环模块输出的当前状态特征和当前低频质量指标数据，进行融合，得到预测步长对应的预测结果。

11、进一步地，所述根据高频过程变量间的拓扑关系构建高频属性图，包括以下过程：

12、以高频过程变量作为图的节点，将第个生产周期中次高频采样数据赋值给对应节点，构成节点特征矩阵；

13、计算高频过程变量间的皮尔逊相关系数，当皮尔逊相关系数大于皮尔逊相关系数阈值，则进行连边，边权为相关系数值；

14、将统计相关关系表示为高频过程变量之间的加权邻接矩阵；

15、对加权邻接矩阵添加自环，得到带自环加权邻接矩阵：

16、；

17、对带自环加权邻接矩阵进行归一化，得到归一化带自环加权邻接矩阵：

18、

19、其中：为的度矩阵。

20、进一步地，所述带图残差连接的图卷积网络：用于基于输入的高频过程数据，提取高频拓扑特征，输出高频特征拓扑结构矩阵的过程如下：

21、利用图残差连接，将原始输入的属性图通过可学习的线性网络映射到更高层次的特征，对于第个图卷积层，

22、，

23、其中和是图残差连接部分的可训练参数，为隐藏特征维度；

24、利用归一化带自环加权邻接矩阵对节点的特征矩阵进行图卷积聚合，得到邻居聚合特征：

25、，

26、其中：为可学习权重矩阵；

27、将图残差输出与图卷积输出相加，经归一化得到高频特征拓扑结构矩阵：

28、，

29、其中：，和分别为的均值与标准差，和是可训练参数。

30、进一步地，所述图映射学习模块：用于基于输入的低频质量指标数据和由高频属性图节点特征导出的跨尺度邻接映射矩阵，输出跨尺度映射特征矩阵并获得低频映射特征的过程如下：

31、获取低频质量指标数据，将第个生产周期的低频质量指标数据记为，其中为低频质量指标数量；

32、定义一个滑动时间窗口，将该窗口内各时间步的高频节点特征矩阵沿时间维度堆叠为：

33、，

34、将低频质量指标数据堆叠为；

35、利用和，构建跨尺度邻接映射矩阵：

36、，

37、其中：，为可学习权重；为非线性激活函数；表示滑动窗口内第个高频采样位置对应的高频过程变量矩阵，用于对一个低频采样周期内的高频采样维度进行聚合；

38、利用用跨尺度邻接映射矩阵，将低频质量指标映射到高频过程变量节点空间，并进行维度扩展得到：

39、，

40、其中：代表在的最后增加一个长度为1的维度，变为；

41、利用，通过可学习线性变换得到跨尺度映射特征矩阵：

42、，

43、其中：和为可学习权重与偏置。

44、进一步地：基于所述带图残差连接的图卷积网络传送的高频特征拓扑结构矩阵以及所述图映射学习模块传送的低频映射特征，进行拼接的过程如下：

45、利用高频拓扑结构矩阵和跨尺度映射特征矩阵，将和沿最后一维拼接，经过relu激活函数得到融合特征矩阵：

46、，

47、其中表示沿最后维度的矩阵拼接，为隐藏特征维度；

48、引入滑动窗口循环状态矩阵记忆跨尺度图在滑动窗口内的历史特征表示，将融合矩阵与上一时间步状态进行逐元素相乘后经leakyrelu激活，得到当前时间步特征输出矩阵：

49、，

50、并更新循环状态，其中为节点特征输出矩阵，为逐元素乘法；

51、利用三层mlp网络对进行跨尺度特征融合，得到初始融合输出：

52、，

53、其中各层激活函数、可学习权重与偏置定义如下：

54、

55、

56、

57、其中：为sigmoid激活函数；

58、对初始融合输出沿滑动窗口维度和节点维度进行聚合，得到聚合特征向量；利用聚合特征向量与当前时间步低频质量指标数据拼接，经线性变换得到步超前预测结果：

59、

60、其中：为可学习扩展权重，为可学习偏置。

61、进一步地，对跨尺度图映射与聚合学习的异构采样时序预测模型进行训练的过程如下：

62、初始化采样时序预测模型参数，设置训练轮数以及每一轮迭代的次数，所有训练相关的超参数设置完毕后开始训练；

63、采样时序预测模型达到设置的训练轮数或者多轮之内神经网络损失率没有下降则认为整体采样时序预测模型已经收敛，保存此时训练好的网络参数。

64、一种基于跨尺度图映射的异构采样时序预测装置，包括：

65、获取模块：用于获取高频过程数据与低频质量指标数据，并根据高频过程变量间的拓扑关系构建高频属性图；

66、建立模块：用于基于所构建的高频属性图和低频质量指标数据，建立基于跨尺度图映射与聚合学习的异构采样时序预测模型，

67、训练模块：用于对所述异构采样时序预测模型进行训练，得到训练好的异构采样时序预测模型；

68、实现模块：用于将带预测的高频过程数据与低频质量指标数据输入到训练好的异构采样时序预测模型中，实现对采样时序的预测。

69、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一项所述的一种基于跨尺度图映射的异构采样时序预测方法的步骤。

70、本发明提供的一种基于跨尺度图映射的异构采样时序预测方法、装置及存储介质，

71、第一，本发明能够降低简单下采样或强制对齐造成的信息损失。现有方法通常将高频过程变量下采样至低频质量指标的采样频率，或者通过插值、平均、截取等方式形成统一采样样本，容易丢失高频过程变量中的瞬态波动、短时扰动和局部异常信息。本发明直接保留一个低频采样周期内的高频序列信息，并将其作为高频过程属性图的节点特征参与建模，从而提高高频动态信息的利用程度。

72、第二，本发明显式刻画高频过程变量与低频质量指标之间的跨尺度关系。本发明通过跨尺度邻接映射矩阵建立低频质量指标节点与高频过程变量节点之间的映射关系，使模型能够学习不同采样频率变量之间的关联强度和信息传导路径，避免仅依赖同一尺度静态相关性矩阵或统一窗口样本带来的表达不足。

73、第三，本发明能够保留工业过程变量之间的拓扑结构。通过构建高频过程数据属性图，并采用带图残差连接的图卷积网络进行邻域特征聚合，本发明能够在学习变量间耦合关系的同时保留原始图特征和工艺拓扑信息，减少深层图学习过程中的过平滑、梯度不稳定以及拓扑信息弱化问题。

74、第四，本发明能够同时建模短时波动和长周期趋势。跨尺度门控循环模块通过滑动窗口状态矩阵记录历史特征表示，使模型能够在同一框架中捕获高频过程变量的短时扰动、低频质量指标的长周期变化以及二者之间的动态耦合关系。

75、第五，本发明具有较好的通用性和适应性。本发明不依赖某一特定设备或单一工艺机理模型，而是面向高频过程变量与低频质量指标并存的通用工业时序预测场景，可应用于浮选、冶金、化工、能源、制药、材料加工等过程工业中的质量预测、软测量、运行状态预测和关键指标预报任务。