本發明屬于工業過程控制，涉及一種基于動態最優傳輸圖神經網絡的工業過程故障診斷方法。
背景技術：
1、工業過程系統通常由大量相互耦合的過程變量共同驅動，其運行狀態受物料流動、能量交換以及多級控制單元的動態影響。在這樣的復雜環境中，故障一旦發生，往往會以連鎖效應的方式在系統內傳播，引起多變量的異常響應，嚴重時甚至造成工藝停產或設備損壞。因此，如何從高維、強耦合、非線性的過程數據中準確識別故障類型并輔助操作人員進行及時診斷與決策，一直是工業智能監測領域的核心挑戰之一。
2、在工業過程系統中，不同變量（如溫度、壓力、流量）雖然具有不同的物理量綱，但它們共同作用于同一生產流程時會形成復雜的相互依賴關系。現有大多數圖神經網絡在構建動態圖結構時通常直接將相關性作為邊權，這僅反映了變量之間在統計上的共變關系。然而，物料或能量在工業系統中的內部傳遞路徑并不總能在觀測數據中被顯式標注。在實際工業裝置中，物料與能量的傳遞通常依賴于管道、閥門、換熱器等工藝單元。管道決定傳輸的路徑，閥門則通過調節開度影響物料分配的程度和傳輸阻力。換言之，工業系統本質上是一個由“路徑＋阻力”共同決定的動態傳輸網絡。一個運行良好、穩定且高效的過程系統往往具有一種接近最優的物料傳輸方式，使物料在各工藝單元之間的分配合理、能量利用高效、擾動傳播受控。相反，而當系統發生故障時，物料或能量的流動方式會隨之改變，沿著故障系統下的新路徑重新分布，導致傳輸模式發生扭曲，擾動在系統中被放大和擴散，從而形成特定且可識別的故障模式。在這樣的動態傳輸網絡中，不同故障模式在系統內部往往對應著截然不同的傳播特性與動態響應，傳統的交叉熵損失在訓練過程中僅優化類別概率分布，但它并不顯式約束特征空間中故障類別的組織方式，僅靠概率優化的分類模型難以保證類間區分性。
3、本發明的目的就是提出一種基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，來解決現有技術存在的問題，是本領域技術人員亟需解決的問題。
技術實現思路
1、基于此，本發明提出一種基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，能夠自適應地捕捉不同故障模型下物料、能量傳輸方式的變化；生成更加容易區分的故障特征；并且其故障類別嵌入空間更加緊湊、不同類別之間更易分離，解決了工業中故障難以區分診斷的問題。
2、本發明具體為：
3、首先，采集工業過程變量數據，構建用于描述不同工業過程故障中傳輸模式的動態最優傳輸圖；
4、然后，利用信息傳播機制將動態最優傳輸圖聚合到工業過程變量特征中，得到包含工業過程變量間傳輸關系的工業過程變量特征；
5、最后，將工業過程變量特征映射到科爾莫戈洛夫-阿諾爾德網絡，利用多個一維樣條函數的嵌套與加和形式逼近任意多變量連續函數，輸出多個預測標簽。
6、為了實現上述目的，本發明采用如下技術方案，具體包括如下步驟：
7、步驟一、采集工業過程變量，獲取工業過程中的故障數據，將故障數據分為工業過程故障訓練集、工業過程故障測試集、工業過程故障驗證集，并得到對應的故障類型訓練集、故障類型測試集、故障類型驗證集。
8、步驟二、對步驟一中的工業過程故障訓練集、驗證集和測試集中故障數據進行歸一化處理。
9、作為優選，使用零-均值歸一化對工業過程故障訓練集、驗證集和測試集中故障數據進行歸一化處理。
10、步驟三、構建基于動態最優傳輸圖神經網絡的工業過程故障診斷模型；
11、首先，構建用于描述不同工業過程故障中傳輸模式的動態最優傳輸圖，具體如下：
12、利用可學習的權重矩陣對工業過程變量進行線性變換并映射到高維空間，得到工業過程變量之間的相似度分布；
13、將工業過程變量之間的相似度分布歸一化到同一度量空間后，通過反轉操作將相似度分布更高的工業過程變量關系給予更小的傳輸代價，組合形成代價矩陣；
14、利用前饋神經網絡直接預測工業過程變量對應對偶變量，利用廣播機制擴展對偶變量到代價矩陣中，形成動態最優傳輸圖；
15、然后，利用信息傳播機制將動態最優傳輸圖聚合到工業過程變量特征中，得到包含工業過程變量間傳輸關系的工業過程變量特征；
16、最后，將工業過程變量特征映射到更有利于分類的潛在表示空間的科爾莫戈洛夫-阿諾爾德網絡，利用多個一維樣條函數的嵌套與加和形式逼近任意多變量連續函數，輸出多個預測標簽。
17、進一步的，利用可學習的權重矩陣對工業過程變量進行線性變換并映射到高維空間，選擇點積相似度作為工業過程變量之間相似度的衡量方式，并使用softmax函數對工業過程變量之間的相似度進行歸一化，得到工業過程變量之間的相似度分布。
18、進一步的，將工業過程變量之間的相似度分布通過min-max方式歸一化到同一度量空間，并通過反轉操作將相似度分布更高的工業過程變量關系給予更小的傳輸代價，組合形成代價矩陣。
19、進一步的，為了增強模型訓練的數值穩定性，在預測得到對偶變量之后還加入了層歸一化。
20、作為優選，基于開源深度學習平臺pytorch搭建基于動態最優傳輸圖神經網絡的工業過程故障診斷模型。
21、步驟四、采用交叉熵損失函數和特征運輸損失函數，將經步驟二處理后的工業過程故障訓練集和故障類型訓練集輸入步驟三構建的工業過程故障診斷模型中對模型進行多次訓練，并使用工業過程故障驗證集和故障類型驗證集對訓練后的工業過程故障診斷模型進行模型驗證，保存多次訓練中性能最好的工業過程故障診斷模型參數。
22、進一步的，所述特征運輸損失函數具體為：引入了一個可學習的故障類別嵌入空間；給定預測標簽特征的概率分布與真實標簽在故障類別嵌入空間中的概率分布，構造一個預測標簽特征的概率分布到真實標簽在故障類別嵌入空間中的概率分布的可行運輸矩陣，該運輸矩陣滿足最優傳輸問題（optimal?transport，ot）的邊際約束；計算預測標簽特征概率分布與真實標簽在故障類別嵌入空間中的概率分布之間的wasserstein距離的可處理上界。
23、步驟五、將任意工業過程變量輸入步驟四保存的最優性能工業過程故障診斷模型中，輸出故障類型預測值。
24、經由上述的技術方案可知，與現有技術相比，本發明提供了一種基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，具有以下有益效果：本發明使用動態最優傳輸圖構建用于描述不同故障狀態下物料、能力在系統中隱含的傳輸路徑；利用科爾莫戈洛夫-阿諾爾德網絡將過程變量特征映射到更有利于分類的潛在表示空間；加入特征運輸損失，對故障類別嵌入空間施加顯式約束，使同類樣本在故障類別嵌入空間更加緊湊、不同類別之間更易分離；本發明相較于傳統gnn類模型，能夠有效地捕捉工業過程數據中的相關性，更好地識別工業過程中的不同故障狀態。
1.一種基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，具體如下：
2.如權利要求1所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，動態最優傳輸圖的構建過程如下：
3.如權利要求2所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，利用可學習的權重矩陣對工業過程變量進行線性變換并映射到高維空間，選擇點積相似度作為工業過程變量之間相似度的衡量方式，并使用softmax函數對工業過程變量之間的相似度進行歸一化，得到工業過程變量之間的相似度分布。
4.如權利要求2所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，將工業過程變量之間的相似度分布通過min-max方式歸一化到同一度量空間，并通過反轉操作將相似度分布更高的工業過程變量關系給予更小的傳輸代價，組合形成代價矩陣。
5.如權利要求2所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，在預測得到對偶變量之后還加入了層歸一化。
6.如權利要求1所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，使用零-均值歸一化對工業過程變量數據進行歸一化處理。
7.如權利要求1所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，采用交叉熵損失函數和特征運輸損失函數對動態最優傳輸圖神經網絡進行訓練。
8.如權利要求7所述的基于動態最優傳輸圖神經網絡的工業過程故障診斷方法，其特征在于，所述特征運輸損失函數具體為：引入了一個可學習的故障類別嵌入空間；給定預測標簽特征的概率分布與真實標簽在故障類別嵌入空間中的概率分布，構造一個預測標簽特征的概率分布到真實標簽在故障類別嵌入空間中的概率分布的可行運輸矩陣，該運輸矩陣滿足最優傳輸問題的邊際約束；計算預測標簽特征概率分布與真實標簽在故障類別嵌入空間中的概率分布之間的wasserstein距離的可處理上界。