买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国矿业大学申请的专利一种基于VAGCN的复杂工业过程运行状态评价方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119937489B 。

龙图腾网通过国家知识产权局官网在2026-01-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510099552.0，技术领域涉及：G05B19/418；该发明授权一种基于VAGCN的复杂工业过程运行状态评价方法是由褚菲;马浩军;游仕林;张瑞聪;李明;郝莉莉设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种基于VAGCN的复杂工业过程运行状态评价方法在说明书摘要公布了：一种基于VAGCN的复杂工业过程运行状态评价方法，收集过程数据并进行标准化处理；利用滑动窗口对数据进行数据划分，得到时间序列；通过变量交互图结构将时间序列数据转换为跨时间空间变量交互图结构数据，之后使用移动窗口，去捕获每个时间窗口内的变量交互特征以及局部时空依赖性；使用时间池化，提取变量交互的高级特征再输入运行状态评价模型，得到在线数据属于不同运行状态评价等级的后验概率，最终的评价结果为当前时刻最大后验概率对应的状态等级；将非优状态下的变量交互图结构与优状态下的最优性图结构进行相似度分析，以评估非优状态下的变量动态偏移程度。该方法能捕捉到不同时间点变量间的交互作用，有助于实现更精准的过程运行状态评价。

本发明授权一种基于VAGCN的复杂工业过程运行状态评价方法在权利要求书中公布了：1.一种基于VAGCN的复杂工业过程运行状态评价方法，其特征在于，包括以下步骤： 步骤一：使用离线数据训练基于变量交互图结构学习特征提取模型和分类器模型，建立状态评价离线模型； A1：先利用布置在工业生产系统中关键节点的若干个传感器采集实际工业过程的原始数据其中，N为采样点个数，X＝[x1,x2,...,xN]为工业的过程数据，Y＝[y1,y2,...,yN]为对应的综合经济指标数据； A2：对原始数据进行预处理，先对原始数据进行异常数据的剔除和对齐处理，再根据公式1对X数据和Y数据进行最大最小标准化处理，使得计算后的数据期望为0，标准差为1； 式中，x为输入数据，μ表示输入数据的均值，σ为输入数据的标准差； A3：先根据具体生产工艺从预处理后的数据中选择出相适配的综合经济指标数据，再结合专家知识，按照不同的工业运行状态等级将选择出的数据按比例划分训练数据集和测试数据集，随后，将不同的状态等级类别依次标记为数字标签，得到真实标签数据yL； A4：引入固定长度为H的时间序列切片技术，对训练数据集进行分割，得到数据集合为其中，每个时间片的数据为每个Xt包含来自N个变量的时间片样本，即t表示时间窗口的窗口索引，表示时间片的数量， A5：使用一个编码器fc·|Wc来处理每个窗口Wt内的变量数据样本，对每个变量的片段进行特征学习，提取出每个变量的局部特征，即xt′,i＝fcxt,i|Wc； A6：同时使用位置编码来补充不同时间点图结构的相对位置信息；对于第i个变量通过添加位置编码来得到增强特征zt,i＝fpt+xt′,i，如公式2所示； 式中，pi是位置编码，m表示变量特征当中的第m个特征；ωk为频率； A7：采用点积相似度来量化不同时间点的两个变量之间的相似性，定义为etr,ij＝gszt,igszr,jT，其中，t,r∈[1,T]，i,j∈[1,N]，函数gsz＝zWs被用于增强表达能力，其中，Ws是可学习的权重； A8：同时使用softmax函数将相关性限制在[0,1]内；最终得到具有不同时间点不同变量之间交互连接的图结构，即变量交互图结构Gt＝Zt,At，其中，At表示为时间窗口Wt内的变量交互图结构的邻接矩阵； A9：使用衰减矩阵ctr,ij＝wt-r来调整变量交互关联图Gt＝Zt,At当中不同时间点之间的边权重值，如公式3所示； A10：通过多层图卷积操作，逐步聚合节点的邻居信息；对每个时间窗口Wt内的输入特征和邻接矩阵进行聚合，图卷积层的更新过程如公式4所示，其中，表示在时间窗口Wt内各节点的初始特征； 式中：表示时间窗口Wt内构建的变量交互邻接矩阵；是邻接矩阵的度矩阵；是第l层图卷积后的更新节点特征矩阵，初始时Wl表示第l层的可学习参数矩阵；σ为非线性激活函数； A11：使用平均池化对不同时间的特征进行汇总，经过时间池化后，特征矩阵被展平为向量 A12：使用全连接层对展平后的特征进行线性变换，并通过激活函数生成最终的分类输出； A13：应用softmax函数计算出当前预测状态属于每种状态的权重概率，并取各状态概率的最大值作为最终的模型预测状态； A14：选择交叉熵损失函数作为网络训练过程的优化目标函数，如公式5所示； 式中，N表示对应样本集的总标签数量，是模型预测的标签数据； A15：初始化Softmax分类器的参数矩阵后，优化分类器模型直至目标函数最小化或收敛，再进行分类器模型的保存； A16：将特征提取模型的隐藏层输出h和二进制变量作为输入，训练Softmax分类器，得到状态识别模型，根据公式6获得Softmax分类器的输出； 式中，c＝1,2,…,C表示不同的状态等级，py＝j|x表示输入x为状态等级j的后验概率，为分类器的参数； A17：根据公式7计算分类器损失函数Jsoftmaxθ； A18：反向微调分类器模型参数，直到最小化Jsoftmaxθ或实现Jsoftmaxθ的收敛，得到并保存状态识别模型； A19：级联特征提取模型和分类器模型后微调参数，构建完整的运行状态评价离线模型； 步骤二：使用在线数据进行运行状态评价； B1：利用布置在工业生产系统中关键节点的若干个传感器进行在线采样，得到在线过程数据X，并对X进行标准化处理； B2：对标准化处理后的在线数据以窗口长度为H的滑动窗口滑动采样，得到长度一致的序列数据； B3：将序列数据输入已训练好的运行状态评价离线模型，计算得到t时刻的在线数据xt属于不同运行状态等级的后验概率为其中，i∈{1,2,...,q}，q为根据综合经济指标数据划分的状态等级类别的数字标签表示，最终t时刻的过程运行状态定义为后验概率集合中最大值所对应的状态等级，即t时刻的过程运行状态等级为 B4：根据在线运行状态评价结果，指导工业过程后续的优化调控； 当运行状态评价离线模型评价当前运行状态为非优时，进行非优状态变量动态偏移评估，具体步骤如下： S1：提取非优状态下时间窗口内的变量交互图拓扑结构特征Gnon-opt； S2：使用Frobenius范数计算其与最优性图结构Gopt之间的差异矩阵ΔG的范数大小； S3：根据公式8获得相似度得分S，并使用相似度得分S来衡量非优状态与最优状态的接近程度，并量化输出非优状态下的变量偏移程度和对应的调整策略，以指导操作人员精准高效地调整生产过程；

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国矿业大学，其通讯地址为：221000 江苏省徐州市大学路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。