一种基于工序模块化算法机制的碳足迹智能评价方法与流程

本发明涉及工业生产碳足迹智能评价，尤其是涉及一种基于工序模块化算法机制的碳足迹智能评价方法。

背景技术：

1、工业生产作为全球碳排放的主要来源，其碳足迹的精准核算、科学评价与系统优化关键支撑。现有碳足迹评价技术主要包括生命周期评估法、过程分析法、投入产出法等，但在实际工业应用中仍存在诸多根本性缺陷：

2、其一，工序粒度划分失衡，核算精度与计算效率无法兼顾。现有技术要么采用车间级、产线级的粗粒度核算，导致碳排放责任不清、关键排放环节漏算；要么盲目追求操作级细粒度核算，引发计算复杂度爆炸，无法适配大规模复杂生产系统。

3、其二，多源异构数据融合能力缺失，不确定性处理严重不足。工业碳排放数据来源广泛，涵盖设备实时能耗、燃料燃烧、工艺过程、废弃物处理等多类数据源，普遍存在测量误差、数据冲突和系统不确定性。现有技术大多直接采用单一数据源或简单加权平均，未对不确定性进行量化，导致核算结果可靠性差。部分引入证据理论的方法也未明确基本概率分配的生成规则，证据组合存在归一化缺陷，完全不具备可实施性。

4、其三，碳足迹传递网络构建不严谨，存在系统性重复计算风险。现有技术未严格界定核算单元的系统边界，导致上游原材料隐含碳排放与单元自身排放重复叠加。同时，碳足迹输出量的折算方法过于简化，未考虑工艺过程中物料与能量的转化分配关系，使得传递碳排放量计算偏差较大。

5、其四，异常碳排放检测依赖人工阈值，鲁棒性差。现有技术大多采用固定阈值法识别异常，无法适应生产负荷波动、工艺参数调整等动态变化，误报率和漏报率居高不下。少数采用贝叶斯变点检测的方法也未合理设定先验参数，导致检测结果系统性偏差。

6、其五，碳足迹溯源方法可解释性差，计算复杂度高。现有技术多采用黑箱模型进行溯源，无法量化各上游环节对异常碳排放的贡献程度，难以定位核心问题。部分引入沙普利值的方法也未解决精确计算的指数级复杂度问题，无法应用于大规模生产网络。

7、其六，碳足迹优化模型存在空壳化问题，缺乏实际可操作性。现有技术大多仅泛泛定义优化目标，未明确可调整的决策变量和可量化的约束条件，导致优化算法无实际优化对象，无法生成可行的减排方案。同时，模块化优化未考虑工序间的强耦合关系，单独优化必然导致全局次优。

8、其七，缺乏闭环学习机制，模型精度随时间衰减。现有技术均采用静态模型架构，无法根据生产过程中的实际运行数据动态更新模型参数和数据可靠性权重，随着设备老化、工艺调整等生产条件变化，模型精度会持续下降。

技术实现思路

1、本发明提供一种基于工序模块化算法机制的碳足迹智能评价方法，通过构建多粒度工序解构体系、规范化证据推理融合模型、精确碳足迹传递网络、自适应贝叶斯变点检测、可解释蒙特卡洛沙普利溯源、模块间协调多目标优化以及动态闭环学习机制，全面解决现有技术中存在的核算精度低、不确定性处理缺失、重复计算、异常检测不可靠、溯源不可解释、优化不可行以及缺乏自学习能力等核心技术问题，实现了工业生产全流程碳足迹的精细化、智能化、可持续评价与优化。

2、为实现上述目的，本发明采用了如下技术方案：

3、一种基于工序模块化算法机制的碳足迹智能评价方法，包括以下步骤：

4、s1.对目标生产系统进行多粒度逐层解构，对解构得到的最小单元进行标准化编码，提取每个编码单元的核心元特征，构建工序元特征编码矩阵；

5、s2.基于工序元特征编码矩阵采集对应多源异构碳排放数据，构建证据推理规则融合模型对多源异构数据进行融合处理，生成工序碳足迹基元库；

6、s3.基于工序元特征编码矩阵构建以编码单元为节点的碳足迹传递网络拓扑图，结合工序碳足迹基元库，计算每个节点的碳足迹输入量、碳足迹输出量和每对上下游节点间的碳传递耦合度，划分出强耦合节点对；

7、s4.基于碳足迹传递网络拓扑图提取每个节点的碳足迹输入量时间序列，构建贝叶斯层次变点检测模型，基于工序碳足迹基元库设定模型先验参数，对碳足迹输入量时间序列进行变点检测，识别异常碳排放工序；

8、s5.以异常碳排放工序为起点，沿着碳足迹传递网络拓扑图进行反向溯源推理，构建蒙特卡洛沙普利值分解图注意力网络模型，量化上游节点对异常碳排放的贡献度，识别关键影响节点；

9、s6.基于关键影响节点和强耦合节点对将碳足迹传递网络拓扑图划分为若干个优化模块，明确定义决策变量和优化约束条件，采用改进的多目标粒子群优化算法求解，通过模糊决策选择最优解并生成碳足迹优化方案集合。

10、本说明书中，s1中多粒度逐层解构从工序层、工步层和操作层三个递进粒度进行全流程解构，工序层按照产品物理形态发生不可逆变化的关键节点划分，工步层按照单台设备完成一个独立动作循环的切换节点划分，操作层按照单个工人完成一个不可拆分的动作单元划分。

11、本说明书中，s2中多源异构碳排放数据包括直接碳排放数据、现场间接碳排放数据和基准碳排放数据三类；构建证据推理规则融合模型具体为：定义包含真实碳排放值、偏高碳排放值和偏低碳排放值的识别框架，针对每个数据源和每个编码单元采用相对偏差法生成基本概率分配函数，根据数据源类型设定初始证据权重，计算加权基本概率分配函数和未分配概率，采用归一化证据推理规则组合算子对所有加权基本概率分配函数进行逐次组合，计算得到每个编码单元的碳排放融合值和碳排放不确定性方差。

12、本说明书中，s3中构建碳足迹传递网络拓扑图具体为：根据工序元特征编码矩阵确定各编码单元之间的物料流、能量流和信息流传递关系，构建有向加权图作为碳足迹传递网络拓扑图，图中节点对应每个编码单元，有向边对应编码单元之间的物料流传递关系，边的权重对应上游编码单元向下游编码单元传递的隐含碳排放量。

13、本说明书中，s3中计算每个节点的碳足迹输入量为：所有上游节点传递的隐含碳排放量与该节点自身的碳排放融合值之和；计算每个节点的碳足迹输出量采用质量分配法，根据编码单元的总物料输出量、总物料输入量和生产过程中添加的辅助物料量进行计算；计算每对上下游节点间的碳传递耦合度具体为：以上游节点向下游节点传递的隐含碳排放量除以下游节点的总上游传递碳排放量，当下游节点无上游传递碳排放量时碳传递耦合度为0；将碳传递耦合度大于0.7的节点对划分为强耦合节点对，将碳传递耦合度小于0.3的节点对划分为弱耦合节点对，建立强耦合节点关联表记录所有强耦合节点对。

14、本说明书中，s4中构建的贝叶斯层次变点检测模型分为观测层、变点层和参数层三层结构；基于工序碳足迹基元库设定模型先验参数具体为：参数层采用正态逆伽马分布作为先验分布，先验分布的尺度参数采用加权平均方式融合碳足迹输入量时间序列的历史方差和工序碳足迹基元库中的碳排放不确定性方差，当历史生产周期数大于等于20时赋予历史方差0.7的权重、赋予碳排放不确定性方差0.3的权重，当历史生产周期数小于20时直接使用碳排放不确定性方差作为先验尺度参数。

15、本说明书中，s4中对碳足迹输入量时间序列进行变点检测具体为：采用马尔可夫链蒙特卡洛方法对模型进行参数估计，得到每个生产周期为变点的后验概率，将后验概率大于0.95的生产周期标记为变点周期，计算每个变点周期对应节点的碳排放异常度，将碳排放异常度大于3的节点标记为异常碳排放工序。

16、本说明书中，s5中构建的蒙特卡洛沙普利值分解图注意力网络模型，包含图注意力层和蒙特卡洛沙普利值分解层；图注意力层在训练过程中引入节点dropout策略，每次迭代随机将预设比例的节点特征置零，模拟子集输入的情况，使模型能够学习到在部分节点缺失时的预测能力。

17、本说明书中，s5中量化上游节点对异常碳排放的贡献度具体为：设置蒙特卡洛采样次数为预设采样次数，对于每次采样随机生成一个上游节点排列，计算每个节点在该排列下的边际贡献，将所有采样得到的边际贡献取平均值得到该节点的蒙特卡洛沙普利值，将蒙特卡洛沙普利值大于贡献度预设阈值的上游节点标记为关键影响节点。

18、本说明书中，s6中划分优化模块遵循以下规则：每个优化模块包含一个关键影响节点及其所有直接上下游节点；将与该关键影响节点存在强耦合关系的所有节点，无论是否为直接上下游，均纳入同一优化模块；若两个关键影响节点之间存在强耦合关系，则将这两个关键影响节点及其相关节点合并为一个优化模块

19、综上所述，本发明至少具有以下有益效果：

20、本发明实现了全流程多粒度精细化碳足迹核算，通过三层递进粒度解构体系，在保证核算精度的同时有效控制了计算复杂度，解决了传统方法漏算与计算爆炸的矛盾，明确了各生产单元的碳排放责任。

21、本发明建立了规范化的多源异构数据不确定性融合框架，明确了各类数据源基本概率分配的生成规则，采用归一化证据推理组合算子，量化了融合过程的系统不确定性，显著提升了碳足迹基元数据的准确性和可靠性。

22、本发明构建了边界清晰、计算精确的碳足迹传递网络，从根本上避免了上游隐含碳与单元自身排放的重复计算，采用质量分配法准确反映了工艺过程中的碳传递与分配关系，为后续异常检测和溯源奠定了坚实基础。

23、本发明实现了自适应无阈值异常碳排放检测，贝叶斯层次变点检测模型融合了历史数据波动和融合系统不确定性的先验信息，能够自动适应生产过程的动态变化，大幅降低了误报率和漏报率。

24、本发明提供了公平可解释的碳足迹溯源方法，蒙特卡洛沙普利值分解图注意力网络模型结合了深度学习的非线性特征提取能力和沙普利值的公平可解释性，在将计算复杂度从指数级降低到线性级的同时，准确量化了每个上游节点的贡献度。

25、本发明构建了可落地的多目标碳足迹优化模型，明确定义了可调整的决策变量和可量化的约束条件，引入模块间协调机制解决了单独优化导致的全局次优问题，能够生成兼顾碳减排、生产成本和生产效率的可行减排方案。

26、本发明建立了完整的闭环自学习机制，通过溯源结果动态更新证据权重，持续提升多源数据融合的准确性，使模型能够自适应设备老化、工艺调整等生产条件变化，保持长期高精度运行。