本发明涉及化工设备运行安全态势分析，具体涉及一种基于时空图神经网络的化工设备运行安全态势分析方法。
背景技术：
1、随着化工行业的快速发展，当前化工领域重特大事故仍总体呈事故多发态势，安全生产工作依旧处于爬坡过坎、攻坚克难的关键时期。确保化工生产过程中各类关键设备的稳定运行、对化工生产运行异常实现超前预警对于保障生产安全、提升生产效率和提高产品质量至关重要。目前的化工设备运行态势分析方法主要依赖于规则基础的监控系统和人工经验判断。这种依赖一方面会产生滞后性；另一方面也会使得分析结果容易受到个人知识水平和经验丰富程度的限制，从而影响分析的准确性和客观性。其次，目前化工设备异常告警的方法主要是依靠单一实时监测数据源进行超阈值判定，对当前工况下监测参数的走势没有精确的预判，也未对工艺过程中上下游关联设备间的时空相互影响进行分析。此外，在处理复杂的工业数据、实时监控以及预测设备故障方面存在明显的限制。特别是在处理大规模、高维度以及动态变化的工业数据时，传统方法难以捕捉设备状态的细微变化和预测设备的未来工作状态。这也导致了设备异常识别和安全风险防控的不准确性。因此，迫切需要开发一种新的化工设备运行安全态势分析方法，实时感知化工生产设备及化工生产装置的风险态势，及时、准确发现并排除潜在的安全隐患，防控重大安全风险，从而提高化工生产的安全水平和经济效益。
技术实现思路
1、本发明的目的在于提供一种基于时空图神经网络的化工设备运行安全态势分析方法，旨在预测和评估多个设备的运行状态、运行趋势及安全状况，以便实时动态识别和评估化工生产过程中的潜在风险。
2、实现本发明目的的技术解决方案为：一种基于时空图神经网络的化工设备运行安全态势分析方法，包括以下步骤：
3、步骤1，数据采集：利用不同类别的传感器，收集化工生产过程中各个设备在不同指标上的运行数据，每个设备上配置的传感器种类包括温度传感器、压力传感器、流量传感器，通过这些传感器采集各个设备在一段时间内关于不同指标的运行数据；
4、步骤2，数据预处理：将所有传感器的运行数据按照相同的时间间隔沿时间维度排列为关于不同传感器的对齐统一的时序输入向量，对时序输入向量缺失的数值进行插值处理，并采用基于最大最小值的归一化处理，得到描述各个传感器数值变化的标准化的时序输入向量；
5、步骤3，时间和空间相关性分析：将各传感器标准化的时序输入向量通过基于空洞卷积层的传感器时序特征挖掘器处理，提取描述各传感器时间相关性的时序特征向量序列，同时对各个传感器初始化可学习的节点嵌入表示编码组，构建描述不同工艺环节的特征编码，将描述传感器潜在特征的节点嵌入表示编码组和描述特定工艺环节的特征编码进行张量乘法，得到描述特定工艺环节下的各个传感器的节点嵌入表示编码，计算在特定工艺环节下不同传感器之间嵌入表示编码的内积，构建描述在特定工艺下各传感器关系的化工生产关联图结构；将传感器的时序特征向量序列和化工生产关联图结构通过基于图神经网络的传感器空间特征挖掘器处理，得到包含时空关联信息的表征向量序列；
6、步骤4，状态预测：将各个传感器包含时空关联信息的表征向量序列通过特征变换直接预测各传感器在未来一段时间内的数值变化情况；
7、步骤5，预警与反馈：根据各传感器预测结果确定其所属设备的预警信息，实现设备运行异常的超前预判和平稳度评估，并将分析结果反馈给操作人员和监管人员，以指导化工生产的实际操作。
8、进一步的，步骤2，数据预处理：将所有传感器的运行数据按照相同的时间间隔沿时间维度排列为关于不同传感器的对齐统一的时序输入向量，对时序输入向量缺失的数值进行插值处理，并采用基于最大最小值的归一化处理，得到描述各个传感器数值变化的标准化的时序输入向量，其中：
9、基于最大最小值的归一化处理计算公式为：
10、
11、其中min[xi,1,xi,2,…,xi,t]和max[xi,1,xi,2,…,xi,t]分别表示xi,1,xi,2,…,xi,t中的最小值和最大值，norm(xi,:)表示经过标准化的xi,:。
12、进一步的，步骤3，时间和空间相关性分析：将各传感器标准化的时序输入向量通过基于空洞卷积层的传感器时序特征挖掘器处理，提取描述各传感器时间相关性的时序特征向量序列，同时对各个传感器初始化可学习的节点嵌入表示编码组，构建描述不同工艺环节的特征编码，将描述传感器潜在特征的节点嵌入表示编码组和描述特定工艺环节的特征编码进行张量乘法，得到描述特定工艺环节下的各个传感器的节点嵌入表示编码，计算在特定工艺环节下不同传感器之间嵌入表示编码的内积，构建描述在特定工艺下各传感器关系的化工生产关联图结构；将传感器的时序特征向量序列和化工生产关联图结构通过基于图神经网络的传感器空间特征挖掘器处理，得到包含时空关联信息的表征向量序列，其中：
13、将各传感器标准化的时序输入向量通过基于空洞卷积层的传感器时序特征挖掘器处理，提取描述各传感器时间相关性的时序特征向量序列，具体进行以下操作：
14、对每个传感器标准化的时序输入向量进行空洞卷积操作以得到对应的卷积特征表示；将所得的卷积特征表示进行非线性激活，以得到新的描述各个传感器的时序特征向量序列；
15、选取第i个传感器所记录的长度为t的标准化的时序输入向量，将其表示为在进行空洞卷积操作前，先对xi,:进行特征变换将其转化为特征维度为f的关于第i个传感器时序向量具体操作方式为：
16、
17、其中为特征变换矩阵，通过对输入xi,:右乘特征变换矩阵w0来获得特征维度为f的第i个传感器时序向量特征变换矩阵中的数值均为随机初始化的可学习参数；
18、针对获得的关于第i个传感器经过特征变换的时序向量对其在第t个位置的表征采用大小为k的卷积核进行空洞卷积，并对其进行非线性激活，具体公式的如下：
19、
20、其中，d是扩张率，k是卷积核元素的索引偏移量，w是卷积核，tanh(·)为针对空洞卷积操作采用的非线性激活函数，目的是将时序特征向量序列的数值压缩在(-1,1)区间内，表示经过一次空洞卷积和非线性激活操作后得到的时序特征向量序列在t时刻的表征；
21、对各个传感器初始化可学习的节点嵌入表示编码组，以充分学习各传感器的潜在特性；针对同一产线在执行不同工艺环节时，各个设备具有不同关联性的特点，构建描述不同工艺环节的特征编码；将描述传感器潜在特征的节点嵌入表示编码组和描述特定工艺环节的特征编码进行张量乘法，得到描述特定工艺环节下的各个传感器的节点嵌入表示编码；计算在特定工艺环节下不同传感器之间嵌入表示编码的内积，构建描述在特定工艺下各传感器关系的化工生产关联图结构，具体进行以下操作：
22、使用不同节点对应产线中被监控设备所配备的传感器，并为每一个传感器初始化一组可学习的节点嵌入表示编码组来充分表示该传感器的潜在特征；对于包含n个传感器的化工生产环节，使用不同节点对应产线上的不同传感器，并为每个设备初始化一组可学习的节点嵌入表示编码组ε表示为：
23、ε＝[e(1),e(2),…,e(p)]
24、式中节点的编码组共包含p组编码，其中表示该产线上n个设备的第p组节点编码，为第i个节点的特征维度为f的嵌入表示；
25、设定描述该产线在执行不同工艺环节下的特征编码，并根据该编码来生产各节点在特定工艺环节下的相互作用关系，通过对可学习的节点嵌入表示编码组和描述特定工艺环节的特征编码进行张量相乘，得到各个节点在特定工艺环节下所对应的节点嵌入表示编码；对于包含k组工艺环节的产线，设置k组p维的固定编码并将其通过特征变换构建描述不同工艺环节的特征编码，具体操作如下：
26、
27、其中为所获得的关于第k类工艺环节的特征编码，wu∈rp×p是可学习的特征变换矩阵，进而计算在第k类工艺环节下该产线每个节点的嵌入表示编码，具体计算方式如下：
28、
29、其中表示该产线中n个设备在第k类工艺环节下的节点嵌入表示编码；
30、通过将不同节点的节点嵌入表示编码进行两两内积计算，得到在特定工艺下任意两个节点之间的关联系数，形成由多个节点关联系数组成的传感器关联邻接矩阵，即特定工艺环节下的化工生产关联图结构；对于包含n个设备的化工产线，在执行第k类生产环节时，其设备关联的邻接矩阵计算方法为：
31、
32、其中a(k)表示n个节点关联系数组成的所述在第k类工艺环节下的化工生产关联图结构所对应的设备关联的邻接矩阵，softmax函数用于对矩阵中每一行的元素进行归一化，relu函数用于去除矩阵中关联度较差的边；
33、将传感器的时序特征向量序列和化工生产关联图结构通过基于图神经网络的传感器空间特征挖掘器处理，得到包含时空关联信息的表征向量序列，具体进行以下操作：
34、将所述包含时间相关性信息的各传感器的时序特征向量序列和所述特定工艺环节下的化工生产关联图结构作为输入，通过图神经网络模型以得到描述该化工产线在特定工艺环节下各传感器包含时空关联信息的表征向量序列。
35、一种基于时空图神经网络的化工设备运行安全态势分析方法，实施所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析。
36、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实施所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析。
37、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实施所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析。
38、本发明与现有技术相比，其显著优点在于：通过建模存在上下游关系的多设备的生产数据相关性，进行多化工生产环节的联合安全态势分析，能够实时监测并准确预警化工生产过程中的设备状态，从而显著提高化工生产的安全性和效率。
39、下面结合附图对本发明作进一步详细描述。
1.一种基于时空图神经网络的化工设备运行安全态势分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图神经网络的化工设备运行安全态势分析方法，其特征在于，步骤2，数据预处理：将所有传感器的运行数据按照相同的时间间隔沿时间维度排列为关于不同传感器的对齐统一的时序输入向量，对时序输入向量缺失的数值进行插值处理，并采用基于最大最小值的归一化处理，得到描述各个传感器数值变化的标准化的时序输入向量，其中：
3.根据权利要求1所述的基于时空图神经网络的化工设备运行安全态势分析方法，其特征在于，步骤3，时间和空间相关性分析：将各传感器标准化的时序输入向量通过基于空洞卷积层的传感器时序特征挖掘器处理，提取描述各传感器时间相关性的时序特征向量序列，同时对各个传感器初始化可学习的节点嵌入表示编码组，构建描述不同工艺环节的特征编码，将描述传感器潜在特征的节点嵌入表示编码组和描述特定工艺环节的特征编码进行张量乘法，得到描述特定工艺环节下的各个传感器的节点嵌入表示编码，计算在特定工艺环节下不同传感器之间嵌入表示编码的内积，构建描述在特定工艺下各传感器关系的化工生产关联图结构；将传感器的时序特征向量序列和化工生产关联图结构通过基于图神经网络的传感器空间特征挖掘器处理，得到包含时空关联信息的表征向量序列，其中：
4.一种基于时空图神经网络的化工设备运行安全态势分析方法，其特征在于，实施权利要求1-3任一项所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析，包括：
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实施权利要求1-3任一项所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析。
6.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实施权利要求1-3任一项所述的基于时空图神经网络的化工设备运行安全态势分析方法，实现基于时空图神经网络的化工设备运行安全态势分析。
