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！

摘要：本发明公开了一种基于图网络的高炉数字孪生系统硅含量容错预测方法。该方法分为可信度评估、数据质量增强和时间尺度聚合三部分。首先，面向传感器测量过程中会出现的点偏差与序列漂移，开发了基于注意力机制的点级可信度计算以及基于图结构对比的序列级可信度评估，综合点‑序评估结果实现对低质量数据的识别。之后，有针对性地开展基于图神经网络的数据增强，利用相邻传感器的特征对低质量数据进行增强。最后利用时间尺度聚合挖掘数据中的动态性，完成硅含量的预测。该方法通过“评估‑增强”两步，实现传感器测量失准情况下模型的容错预测，提升了该方法对抗干扰的能力，使其在复杂的工业环境适应性更强，提升了方法精度。

主权项：1.一种基于图网络的高炉数字孪生系统硅含量容错预测方法，其特征在于，步骤如下：步骤1：基于已搭建的高炉数字孪生系统，从系统的数据平台中获取高炉炼铁过程变量数据，采用时间窗将原始序列其划分为时间序列，作为预测方法的输入；步骤2：面向传感器测量过程中会出现的点偏差与序列漂移，开展点-序评估以自适应地识别点偏差和序列偏差；当某个传感器测量不准确时，测量值的可信度降低，点偏差识别是指采用基于注意力机制的逐点分析量化变量内样本点之间的差异，进而评估点的可信度，序列偏差识别依据图结构对比实现；步骤3：利用过程变量关系学习模块获取变量间依赖关系，并表示为过程变量图结构；步骤4：图结构对比比较变量间的差异，完成序列可信度评估；之后，将点-序评估结果合并，使该方法全方位地识别传感器的测量噪声和漂移；步骤5：针对点-序评估结果有针对性地开展数据质量提升，当某变量数据不可信时，利用图神经网络中的消息传播，在邻接矩阵的引导下，为不可信变量传递可信信息，在消息传播算子的表征下，完成不可信数据的增强；步骤6：基于增强的数据，在时间尺度利用多通道门控时序卷积，完成动态特征提取，并最终预测硅含量；将预测得到的硅含量数据上传至数字孪生平台；步骤5针对点-序评估结果有针对性地开展数据质量提升，当某变量数据不可信时，利用图神经网络中的消息传播，在邻接矩阵的引导下，为不可信变量传递可信信息；在消息传播算子的表征下，完成不可信数据的增强，每个节点对应的特征为为了增强特征的表示能力，将这一特征映射至高维空间，得到高维特征表示；此后，对于评估为不可信的数据，展开消息传递，控制不可信变量数据增强过程中各部分信息的占比，通过消息传递过程，不可信变量有选择性地引入了相关过程变量的可信信息，实现数据的增强。

全文数据：

权利要求：

百度查询： 浙江大学 基于图网络的高炉数字孪生系统硅含量容错预测方法