流程工业控制系统的时滞因果报告生成方法、装置、设备及介质与流程

本发明涉及人工智能，特别涉及一种流程工业控制系统的时滞因果报告生成方法、装置、设备及介质。

背景技术：

1、流程工业控制优化的难点之一是时滞广泛存在且不稳定。现场常见的问题包括：

2、（1）固定时滞假设过于粗糙：不同变量、不同控制动作和不同工况下响应滞后不同，同一动作对多个目标变量也可能有不同延迟，用统一的固定滞后窗口无法表达这种差异。

3、（2）预测模型缺少因果结构约束：普通循环神经网络或序列模型可以拟合时间序列，但通常难以说明某个未来状态主要由哪些历史变量、哪些历史动作和哪个滞后阶数决定，对现场控制而言，预测准确不够。

4、（3）先因果发现、后预测建模容易断裂：若先用单独算法得到因果图，再把图作为固定输入训练世界模型，因果图无法根据预测误差和动作干预误差继续修正。

5、（4）动作干预和外部工况需要区分：流程工业数据包含可控变量和不可控变量。若不把动作以干预方式编码，世界模型会把历史动作当成普通观测量，不能可靠回答“改变某个控制设定后未来状态如何变化”。

6、由上可见，如何提升固定时滞假设的精细度，增强世界模型在不同工况下的泛化能力，提高时滞因果报告生成的准确性是本领域有待解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种流程工业控制系统的时滞因果报告生成方法、装置、设备及介质，能够提升固定时滞假设的精细度，增强世界模型在不同工况下的泛化能力，提高时滞因果报告生成的准确性。其具体方案如下：

2、第一方面，本技术公开了一种流程工业控制系统的时滞因果报告生成方法，包括：

3、获取流程工业控制系统的时序数据，基于所述时序数据确定目标状态变量，对所述时序数据进行时滞展开，得到历史张量；所述目标状态变量为当前周期的下一周期的状态变量；

4、基于所述历史张量、边门控参数以及时滞核参数，为各目标状态变量生成父变量聚合量，对所述时序数据进行编码，得到延迟动作向量和机制向量，对所述延迟动作向量、所述机制向量以及所述父变量聚合量进行单步状态预测，得到下一周期的状态预测结果，以下一周期的状态预测结果为初始状态，对所述时序数据中的状态变量进行多步滚动预测，得到多步滚动预测结果；

5、利用所述目标状态变量、所述边门控参数、所述时滞核参数、下一周期的状态预测结果以及所述多步滚动预测结果，构建损失函数，利用所述损失函数对初始世界模型进行训练，得到世界模型；

6、基于所述世界模型，确定所述时序数据中的各变量与所述目标状态变量之间的各因果边以及各因果边的目标滞后阶数，利用各所述因果边生成因果图和时滞分层图；所述目标滞后阶数为与因果边的时滞权重最大值对应的滞后阶数；

7、将所述时序数据中的控制动作替换为目标控制动作，基于所述世界模型对与所述目标控制动作对应的状态变量进行推演，得到状态变化曲线；

8、基于所述因果图、所述时滞分层图、所述目标滞后阶数以及所述状态变化曲线，生成流程工业控制系统的时滞因果报告，以便基于所述时滞因果报告对流程工业控制系统进行控制。

9、可选的，所述获取流程工业控制系统的时序数据，基于所述时序数据确定目标状态变量，对所述时序数据进行时滞展开，得到历史张量，包括：

10、获取流程工业控制系统的初始时序数据；

11、按照预设采样周期，对所述初始时序数据进行对齐，得到时序数据；所述时序数据包括状态变量、控制动作以及外部工况；

12、将所述时序数据中的当前周期的下一周期的状态变量作为目标状态变量；

13、对所述状态变量、所述控制动作以及所述外部工况进行拼接，得到拼接变量；

14、利用流程工业控制系统的停留时间、传热时间、输送距离以及所述预设采样周期，确定最大时滞阶数；

15、基于所述最大时滞阶数，对所述拼接变量进行时滞展开，得到历史张量。

16、可选的，基于所述历史张量、边门控参数以及时滞核参数，为各目标状态变量生成父变量聚合量，包括：

17、基于边门控参数，确定时序数据中的各变量与各目标状态变量之间的边门控权重；

18、在不同滞后阶数上，对时滞核参数进行指数归一化处理，得到归一化参数；

19、利用所述边门控权重和所述归一化参数，确定所述时序数据中的各变量与各所述目标状态变量之间在不同滞后阶数下的时滞权重；

20、基于所述时滞权重，为各目标状态变量生成父变量聚合量。

21、可选的，对所述时序数据进行编码，得到延迟动作向量和机制向量，对所述延迟动作向量、所述机制向量以及所述父变量聚合量进行单步状态预测，得到下一周期的状态预测结果，包括：

22、基于时序数据中的控制动作，构建动作队列和动作差分队列；

23、对所述动作队列和所述动作差分队列进行编码，得到延迟动作向量；

24、基于时序数据中的外部工况，构建变量窗口；

25、对所述变量窗口中的变量进行编码，得到机制向量；

26、利用结构方程网络，对所述延迟动作向量、所述机制向量以及所述父变量聚合量进行单步状态预测，得到下一周期的状态预测结果。

27、可选的，所述利用所述目标状态变量、所述边门控参数、所述时滞核参数、下一周期的状态预测结果以及所述多步滚动预测结果，构建损失函数，包括：

28、基于目标状态变量和下一周期的状态预测结果，确定单步预测误差；

29、基于多步滚动预测结果以及时序数据中与所述多步滚动预测结果对应的状态变量，确定多步滚动误差；

30、基于边门控参数，确定图稀疏约束；

31、基于时滞核参数，确定时滞核平滑约束和时滞峰值约束；

32、构建包括单步预测误差、多步滚动误差、图稀疏约束、时滞核平滑约束以及时滞峰值约束的损失函数；

33、利用所述损失函数对边门控参数、时滞核参数以及初始世界模型中的模型参数进行更新，得到更新后的边门控参数、更新后的时滞核参数以及世界模型。

34、可选的，所述基于所述世界模型，确定所述时序数据中的各变量与所述目标状态变量之间的各因果边以及各因果边的目标滞后阶数，利用各所述因果边生成因果图和时滞分层图，包括：

35、基于更新后的边门控参数，确定时序数据中的各变量与目标状态变量之间的边门控权重；

36、将边门控权重大于预设边门控权重阈值的权重作为目标边门控权重；

37、将时序数据中与所述目标边门控权重对应的变量，和目标状态变量之间的边作为因果边；

38、基于更新后的边门控参数和更新后的时滞核参数，确定各所述因果边在不同滞后阶数下的时滞权重；

39、将与时滞权重最大值对应的滞后阶数作为目标滞后阶数；

40、利用各所述因果边生成所述因果图；

41、按照所述目标滞后阶数，对各所述因果边进行分列显示，生成时滞分层图。

42、可选的，将所述时序数据中的控制动作替换为目标控制动作，基于所述世界模型对与所述目标控制动作对应的状态变量进行推演，得到状态变化曲线；基于所述因果图、所述时滞分层图、所述目标滞后阶数以及所述状态变化曲线，生成流程工业控制系统的时滞因果报告，包括：

43、将时序数据中的状态变量、控制动作以及外部工况，输入至世界模型中进行推演，输出基准轨迹；

44、固定所述状态变量和外部工况，并将所述时序数据中的一个或多个控制动作替换为目标控制动作，基于所述世界模型对与所述目标控制动作对应的状态变量进行推演，得到状态变化曲线；

45、基于所述基准轨迹和所述状态变化曲线，确定所述目标控制动作在不同滞后阶数下的影响幅度和影响方向；

46、基于因果图、时滞分层图、目标滞后阶数、状态变化曲线、所述影响幅度以及所述影响方向，生成流程工业控制系统的时滞因果报告。

47、第二方面，本技术公开了一种流程工业控制系统的时滞因果报告生成装置，包括：

48、时滞展开模块，用于获取流程工业控制系统的时序数据，基于所述时序数据确定目标状态变量，对所述时序数据进行时滞展开，得到历史张量；所述目标状态变量为当前周期的下一周期的状态变量；

49、滚动预测模块，用于基于所述历史张量、边门控参数以及时滞核参数，为各目标状态变量生成父变量聚合量，对所述时序数据进行编码，得到延迟动作向量和机制向量，对所述延迟动作向量、所述机制向量以及所述父变量聚合量进行单步状态预测，得到下一周期的状态预测结果，以下一周期的状态预测结果为初始状态，对所述时序数据中的状态变量进行多步滚动预测，得到多步滚动预测结果；

50、训练模块，用于利用所述目标状态变量、所述边门控参数、所述时滞核参数、下一周期的状态预测结果以及所述多步滚动预测结果，构建损失函数，利用所述损失函数对初始世界模型进行训练，得到世界模型；

51、因果图和时滞分层图生成模块，用于基于所述世界模型，确定所述时序数据中的各变量与所述目标状态变量之间的各因果边以及各因果边的目标滞后阶数，利用各所述因果边生成因果图和时滞分层图；所述目标滞后阶数为与因果边的时滞权重最大值对应的滞后阶数；

52、推演模块，用于将所述时序数据中的控制动作替换为目标控制动作，基于所述世界模型对与所述目标控制动作对应的状态变量进行推演，得到状态变化曲线；

53、时滞因果报告生成模块，用于基于所述因果图、所述时滞分层图、所述目标滞后阶数以及所述状态变化曲线，生成流程工业控制系统的时滞因果报告，以便基于所述时滞因果报告对流程工业控制系统进行控制。

54、第三方面，本技术公开了一种电子设备，包括：

55、存储器，用于保存计算机程序；

56、处理器，用于执行所述计算机程序，以实现前述的流程工业控制系统的时滞因果报告生成方法。

57、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的流程工业控制系统的时滞因果报告生成方法的步骤。

58、有益效果：可见，本技术提供了一种流程工业控制系统的时滞因果报告生成方法，包括获取流程工业控制系统的时序数据，基于时序数据确定目标状态变量，对时序数据进行时滞展开，得到历史张量，所以能够避免造成信息泄漏；基于历史张量、边门控参数以及时滞核参数，为各目标状态变量生成父变量聚合量，对时序数据进行编码，得到延迟动作向量和机制向量，对延迟动作向量、机制向量以及父变量聚合量进行单步状态预测，得到下一周期的状态预测结果，以下一周期的状态预测结果为初始状态，对时序数据中的状态变量进行多步滚动预测，得到多步滚动预测结果，所以能够提高单步状态预测和多步滚动预测的稳定性和准确性；利用目标状态变量、边门控参数、时滞核参数、下一周期的状态预测结果以及多步滚动预测结果，构建损失函数，利用损失函数对初始世界模型进行训练，得到世界模型，所以能够提高世界模型的拟合准确性；基于世界模型，确定时序数据中的各变量与目标状态变量之间的各因果边以及各因果边的目标滞后阶数，利用各因果边生成因果图和时滞分层图，所以能够提高各变量与目标状态变量之间因果关系及其目标滞后阶数的确定准确性，提高因果关系和滞后关系的直观性；将时序数据中的控制动作替换为目标控制动作，基于世界模型对与目标控制动作对应的状态变量进行推演，得到状态变化曲线，所以能够提高对目标控制动作引起的状态变化过程的分析准确性；基于因果图、时滞分层图、目标滞后阶数以及状态变化曲线，生成流程工业控制系统的时滞因果报告，以便基于所述时滞因果报告对流程工业控制系统进行控制，所以能够提高时滞因果报告生成的准确性，保证时滞因果报告中相关分析结果的完整性。