CN113536508A - 一种制造网络节点分类方法及*** - Google Patents
一种制造网络节点分类方法及*** Download PDFInfo
- Publication number
- CN113536508A CN113536508A CN202110871560.4A CN202110871560A CN113536508A CN 113536508 A CN113536508 A CN 113536508A CN 202110871560 A CN202110871560 A CN 202110871560A CN 113536508 A CN113536508 A CN 113536508A
- Authority
- CN
- China
- Prior art keywords
- node
- matrix
- industrial equipment
- nodes
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000008602 contraction Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种制造网络节点分类方法及***。该方法包括，获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；所述关键节点分类模型包括：分层模型，采用所述分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
Description
技术领域
本发明属于大数据处理领域，尤其涉及一种制造网络节点分类方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
化工、炼油、水泥、玻纤等流程企业，其生产过程具有强关联性、非线性、不确定性、高度复杂性等特点，使其生产过程自动化和优化问题无论在理论上进行研究，还是在实际生产应用中都面临巨大的考验。如何针对流程企业生产过程结构特点，建立模型，运用算法，提高流程企业生产过程自动化，智能化水平，则是流程企业向智能制造转变迫切需要解决的难题。
在现实生活中，可以获得大量的制造网络数据，例如工业设备的运行数据，可以表示工业设备的运行情况，通过复杂网络的形式来对工业设备运行数据进行分析可以更好的了解设备的运行情况。但是，当出现故障时，尤其是制造网络中关键的节点出现故障，会影响受其关联的其他设备；而且修复故障需要花费大量的时间和精力，不仅会造成经济上的损失，而且会耽误工业生产上的进度；因此，目前迫切的需要筛选出工业网络数据中的关键节点，对关键节点实施保护。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种制造网络节点分类方法及***，其通过对工业设备构成的复杂网络进行节点分类，发掘其网络结构，通过节点分类可以快速的找到整个网络中的关键节点的位置，并对这些重要的关键节点进行保护，避免因节点发生短路故障而造成的经济损失。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种制造网络节点分类方法。
一种制造网络节点分类方法，包括：
获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
基于工业设备节点矩阵，采用关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
进一步的，所述分层模型每层包括L个级别，每个级别包括粗化操作和细化操作。
进一步的，所述粗化操作包括：将映射到相同节点上的设备节点定义为收缩集，构建设备节点矩阵的所有收缩集，基于所有收缩集得到收缩矩阵。
进一步的，采用收缩矩阵对每一级别上的设备节点矩阵进行细化操作，得到细化后的设备节点矩阵。
进一步的，采用Gumbel特征选择算法选择更新后的传感器节点矩阵的每一行中满足设定阈值范围的节点，构建全新的工业设备节点特征矩阵。
一种制造网络节点分类***，包括：
获取模块，其被配置为：获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
节点分类模块，其被配置为：基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用所述分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
进一步的，所述采用分层模型每层包括L个级别，每个级别包括粗化操作和细化操作。
进一步的，所述粗化操作包括：将映射到相同节点上的设备节点定义为收缩集，构建设备节点矩阵的所有收缩集，基于所有收缩集得到收缩矩阵；采用收缩矩阵对每一级别上的设备节点矩阵进行细化操作，得到细化后的设备节点矩阵。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的制造网络节点分类方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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程序时实现如上述第一个方面所述的制造网络节点分类方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明将工厂锅炉传感器构建成网络后，通过分层模型和特征选择对传感器网络进行节点分类，以此来提高节点的分类效率，进而提高锅炉的燃烧效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明制造网络节点分类方法流程图；
图2是本发明选用的工业锅炉数据；
图3是本发明实施例中的处理时间对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以使用专用硬件与计算机指令的组合来实现。
制造网络是指制造业企业在网络化制造模式的指导思想、相关理论和方法的指导下，设计实施的基于网络的制造***。制造网络***的体系结构是描述制造***的一组模型的集合，这些模型描述了制造网络***的功能结构。制造网络***结构的优化有利于更加深入的分析和描述网络化制造***的本质特征，并基于所建立的***模型进行改进和优化运行，并且其制造生产过程具有强关联性、非线性、不确定性、高度复杂性等特点，使其生产过程自动化和优化问题在理论上可以进行研究。以本发明为例，例如工业设备的运行数据，可以表示工业设备的运行情况，我们通过网络来对工业设备运行数据进行分析可以更好的了解设备的运行情况，我们对这些工业设备构成的网络进行节点分类，可以更好的发掘其网络结构，通过其网络结构找到关键节点，通过调控关键节点，来对制造过程进行优化，从而提高制造过程的效率；通过节点分类也可以快速的找到整个网络中的关键节点的位置，并对这些重要的关键节点进行保护，就有可能避免因节点发生短路故障而造成的经济损失。
对于复杂网络节点分类问题，Hu等人提出了一种分层模型的网络架构，该模型主要由几个粗化层和细化层组成。对于每个粗化层，首先进行图卷积运算以学习节点表示。然后，执行粗化操作将结构相似的节点聚合为超节点(考虑到所有的节点)。进行粗化操作后，每个超节点都代表原始图的局部结构，这可以有助于利用图上的全局结构。在粗化层之后，我们应用对称图细化层以恢复用于节点分类任务的原始图结构，它是通过层次结构来对节点表示矩阵进行串联操作，导致最后的节点表示矩阵倍增。
特征选择与更普遍的降维问题不同。降维的标准技术，例如主成分分析(PCA)和自动编码器，通过从现有特征集中构造新的属性集并从新构建的特征中提取来降低维度，目的是保留最大方差(对于PCA)或最小化重构损失(对于自动编码器)。对于特征选择，Gu等人提出了一种Gumbel-Softmax特征选择算法，Gumbel-Softmax分布是“可以从分类分布中近似采样的单纯形上的连续分布”，通过将最大概率识别为1，而将所有其他概率识别为0，可以将分类分布视为一个热门向量。一热向量可以解释为从所有特征中选择一个特征，其中向量中的1表示选择了相应的特征，而向量中的0表示未选择对应的特征。
分层模型中的粗化和细化层包括L个级别，每个级别由两个对称计算组成：粗化操作和细化操作。粗化操作是将结构相似的节点聚合为超节点，然后通过细化操作逐层将节点表示矩阵串联起来，导致输出的节点特征矩阵的特征维度增加，可能会存在无关或多余特征，导致节点分类的效率不高。
针对以上问题，本实施例在已有文献的基础上以锅炉的传感器网络为研究对象，提出了将分层模型与特征选择相结合的技术方案，该模型先通过分层模型对节点的特征进行处理，扩大节点的接受域，然后使用特征选择算法来减少节点的特征维度，利用特征选择自动编码器对特征进行选择，去除无关或多余的特征，实现在传感器网络节点分类精度较好的同时提高传感器网络关键节点分类的效率。
实施例一
如图1所示，本实施例提供了一种制造网络节点分类方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和***，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
具体的，本实施例包括：粗化和细化，特征选择以及分类。在粗化和细化层中包括L个级别，每个级别由两个对称计算组成：粗化操作和细化操作，该层以原始节点表示矩阵H1为输入，以第i层为例，对于粗化操作，通过定义收缩矩阵M得到第i+1层的节点表示矩阵Hi+1，对于细化操作，再次通过收缩矩阵M，计算得到一个新的节点表示矩阵Hi+1，此时的Hi+1为该层细化后的节点表示矩阵，通过反复细化操作，最终输出的节点表示矩阵为H2l+1。然后，使用Gumbel特征选择算法对分层模型中输出的节点表示矩阵进行特征维度处理，先对节点特征矩阵进行预处理(此时的节点特征矩阵为细化操作后的输出矩阵)，用特征选择自动编码器来计算节点的特征概率值(即为节点特征重要性值)，将概率值较高的设置为1，其余设置为0，以此来完成特征选择，同时设定阈值或者待选择阈值的个数，来确定选择特征的范围，此时的节点特征矩阵的特征维度大大减少(约占原始节点特征维度的15％-20％)。之后，为了对每个节点进行分类，本实施例采用了softmax分类器，以一键编码的方式输出每个节点的类别概率。
1)粗化和细化
如图1所示，我们以原始节点表示矩阵H1作为输入，该层包括L个级别，每个级别包括粗化操作和精炼操作。
对于粗化操作来说，粗化是图还原的一种，它可以使用一组约束来解释图变换。以第i层为例，首先将节点集Vi到Vi+1的射影图表示为φi，然后将映射到Vi+1的相同节点vr上的Vi的节点Vr i集定义为收缩集，其公式为(1)。依次进行了等效结构选择和相似结构选择，以构建所有收缩集(节点数减少)。
在等效结构选择期间，选择具有相同邻居的节点以形成收缩集。同样，如果节点在邻接矩阵中的对应行相同，则可以说它们是等效的。在相似结构选择期间，受重边匹配的启发，通过计算节点之间的连接强度来确定收缩集。
由于邻居较少的节点在收缩集中被选择的机会较少，因此，将收缩集中以外的所有节点按升序(即按照节点度数升序)进行排序，使得这些节点在选择方面具有更高的优先级。如果节点的度数相同，将它们按邻接矩阵中行号的升序排序。迭代提取收缩集以外的节点vj，并计算收缩集以外的所有邻居之间的连接强度。然后，选择连接强度最大的线对作为新的收缩套。特别是，如果一个节点除压缩集外没有其他邻居，将其单独选择为压缩集。最后，将在收缩集中选择每个节点。
为了获得第i+1层的节点表示矩阵，基于所有收缩集定义了收缩矩阵Mi。
其中r是收缩集数，h是Vi中的节点数，Vr i是定义的收缩集。
可以从公式3中得到第i+1层的节点表示矩阵Hi+1。
Hi+1＝MiHi (3)
对于细化操作来说，细化意味着根据(4)中所示的粗化节点表示矩阵来计算当前图的节点表示，以帮助恢复其结构。它通过收缩矩阵M来进行细化操作，从而获得较大的接收场。
此时的Hi+1是第i+1层细化后的节点表示矩阵，而Hi是第i层的节点表示矩阵。根据(4)式反复进行细化操作，最终输出得到的节点表示矩阵为H2l+1。
2)特征选择
由于粗化和细化层中的输出矩阵H2l+1包含的节点特征维度过多，因此我们采用特征选择算法对其进行特征维度处理，以此来达到降维的目的。
对输出矩阵H2l+1进行样本抽取，选择类别概率较高的节点，使其得到的样本中节点所包含的特征信息更加丰富，能更好的对节点进行分类。令z为类别概率为π1,π2,…,πk的分类随机变量。Gumbel-Max[23]提供了一种简单有效的方法从具有指定类别概率π的分类分布中抽取样本z:
其中g1,g2,…,gK是从Gumble(0,1)中随机抽取的样本。
在等式(5)中，由于argmax函数和随机采样运算gi(其中i＝1、2，...，k)是不可微，不连续的，所以我们使用softmax函数作为对argmax的连续可微逼近，从而计算节点的特征概率值，我们将样本z的每个节点的特征概率值定义为：
其中，y(f) i是指特定样本向量z中的第i个节点的第f个特征的概率值，f是节点的原始特征维度。将y(f) i进行线性组合得到了一个k维的节点表示矩阵。此时线性组合后的节点表示矩阵表示每个节点的所有特征的概率值，随后对其使用Gumble特征选择算法对其进行特征选择。
Gumble特征选择：根据等式(6)中得到的节点表示矩阵，当温度τ→0时，Gumbel[24]对节点表示矩阵中每一行的节点特征概率值较高的设置为1，反复进行k次来确定选择的特征范围，对于其余节点特征概率值较低的设置为0，此时完成了特征选择过程。该过程得到的矩阵，我们用Pf×k表示，Hn×f表示细化操作的输出矩阵。因此我们将特征选择矩阵Xn×k定义为Xn×k＝Hn×f×Pf×k，可以看作是从特征矩阵Hi+1中的f个特征中选择了k个特征。此时得到的X即为全新的节点特征矩阵(特征维度大大减少)。
3)分类
最后，对全新的节点特征矩阵X使用softmax分类器进行预测。
其中Hout∈R|V|×|Y|是对属于类别yi∈|Y|的节点的概率值，每个节点的概率值在0到1之间，Wk为对应的权重矩阵，αk为归一化系数矩阵，X为特征选择矩阵。
为了训练提出的模型进行分类，定义了标记节点上的交叉熵误差：
其中YL表示具有标签的节点索引，N∈R|V|×|Y|是mask矩阵，如果节点i属于类别j，则Nij为1；否则为0。
在此以锅炉为例，采用本发明的技术方案进行了相关数据的研究：
如图2所示，图中每一行代表了锅炉的一个传感器，就是代表了网络中的一个节点，字段“V0”-“V20”，这20个字段是作为每个传感器的参数，也就是特征变量。
火力发电的基本原理是：燃料在燃烧时加热水生成蒸汽，蒸汽压力推动汽轮机旋转，然后汽轮机带动发电机旋转，产生电能。在这一系列的能量转化中，影响发电效率的核心是锅炉的燃烧效率，即燃料燃烧加热水产生高温高压蒸汽。锅炉的燃烧效率的影响因素很多，包括锅炉的可调参数，如燃烧给量，一二次风，引风，返料风，给水水量；以及锅炉的工况，比如锅炉床温、床压，炉膛温度、压力，过热器的温度等。我们将工厂锅炉传感器构建成网络后，通过上述方法对传感器网络进行节点分类，以此来提高关键节点的分类效率，进而提高锅炉的燃烧效率。
我们分三步进行实验，在第一步中，使用具有突出和主导的特征，训练Gumbel特征选择矩阵来对节点进行分类，确定特征选择的范围，并验证所提方法的准确性。
通过表2分析了不同特征数下的节点分类精度，确定了特征选择的范围。第一列表示根据节点特征的重要性，提取不同范围的节点特征，第二列表示节点分类的准确性。
表2基于工业锅炉数据集的特征选择的分类精度结果
根据以上实验结果，可以看出，对于特征选择，考虑表2，第一行表示对于工业锅炉数据集通过特征选择，使用了排名1到排名325个重要性特征时，准确率为74.3％，而当选择的特征落入1-100、100-185和185-255范围内时，精度会逐渐降低，这是因为当选择的特征范围较小并且特征的重要性靠后时，没有充分利用节点的特征信息，导致节点分类精度不高。所以此实验结果确定了特征选择的范围，该特征范围能达到比较理想的结果。
在第二步中，将选择固定特征数的节点分类结果与选择所有特征数的基准模型进行比较，验证该方法的可行性；
通过已有文献对复杂网络节点分类问题的研究，这里选择GCN、GAT、HGCN作为对照的基准方法。
节点分类精度的对比：表3显示了在工业锅炉数据集上的节点分类基准性能，通过选择数据集中的所有特征来进行评估。最后一列给出了本发明提出的方法所选固定特征数的节点分类结果。
表3基准模型对数据集的特征数节点分类的结果
以上表3可以看出，上述基准模型中，当选择了节点的所有的1433个特征时，模型的节点分类精度最高为83.7％，而本发明提出的方法在选择了1,433个特征中排名1到325个重要性的特征时，准确率达到了74.3％，我们可以看到对于特征选择，使用了全部特征的15-20％，仍然获得了基准测试结果(使用所有特征数的结果)的80-90％的准确性。
节点分类效率的对比：本实施例以工业锅炉据集为例，将三个基准模型与我们提出的方法进行处理时间的比较，处理时间结果如图3所示。
根据图3，可以看到，对于HGCN与GCN模型来说，两者的节点分类精度达到最高时的处理时间比较接近，但是HGCN模型的节点分类精度高于GCN模型；对于HGCN与GAT模型来说，HGCN模型的节点分类精度高于GAT模型并且节点分类精度达到最高时处理时间较少；对于GCN与GAT模型来说，虽然GAT模型的节点分类精度高但是处理时间较长。然而本发明提出的方法，可以明显的看到，其处理时间较其他模型相比大大减少，并且节点分类精度也保持了比较好的结果，也就是说本发明提出的方法在节点分类效率方面是高于基准模型的。
在第三步中，通过与先前工作的对比来证明本发明提出的方法的有效性。
表4显示了先前的工作[25]与本发明提出的方法在工业锅炉数据集上节点分类准确性的比较。表中选择了相同的节点特征维度。
表4节点分类精度对比
通过表4可以看出，本发明提出的将特征选择与分层模型结合的方法在节点分类精度方面，比先前的特征选择方法有所提高，这是因为我们先对原始节点表示矩阵进行粗化和细化操作，进而增加了节点的接收域，使得节点中所蕴含的特征信息更丰富，然后使用特征选择算法来对节点特征维度进行处理，从而达到比较好的节点分类精度。
综上所述，我们提出的方法使用了全部特征的15％-20％，分类精度能够达到原分类精度的80％-90％，并且节点分类的效率得到了提高；确定了特征选择的范围；对于特征选择，在节点分类精度方面，比先前的方法有所提高。实验结果证明了我们提出特征选择算法与分层模型相结合方法的有效性。因此，本发明的方法可以提高了制造过程的效率以及当故障发生时，可以快速的定位到该故障属于哪个类别，进而在该类别中更快速的找到关键故障节点，并对这些重要的关键节点进行保护，避免了因节点发生短路故障而造成的经济损失。
实施例二
本实施例提供了一种制造网络节点分类***。
一种制造网络节点分类***，包括：
获取模块，其被配置为：获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
节点分类模块，其被配置为：基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用所述分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的制造网络节点分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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程序时实现如上述实施例一所述的制造网络节点分类方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种制造网络节点分类方法，其特征在于，包括：
获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用所述分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
2.根据权利要求1所述的制造网络节点分类方法，其特征在于，所述分层模型每层包括L个级别，每个级别包括粗化操作和细化操作。
3.根据权利要求2所述的制造网络节点分类方法，其特征在于，所述粗化操作包括：将映射到相同节点上的设备节点定义为收缩集，构建设备节点矩阵的所有收缩集，基于所有收缩集得到收缩矩阵。
4.根据权利要求3所述的制造网络节点分类方法，其特征在于，采用收缩矩阵对每一级别上的设备节点矩阵进行细化操作，得到细化后的设备节点矩阵。
5.根据权利要求1所述的制造网络节点分类方法，其特征在于，采用Gumbel特征选择算法选择更新后的传感器节点矩阵的每一行中满足设定阈值范围的节点，构建全新的工业设备节点特征矩阵。
6.一种制造网络节点分类***，其特征在于，包括：
获取模块，其被配置为：获取工业设备运行数据，构建工业设备网络，将工业设备网络转换成工业设备节点矩阵；
节点分类模块，其被配置为：基于工业设备节点矩阵，采用训练好的关键节点分类模型，得到关键节点以及关键节点的位置；
所述关键节点分类模型包括：分层模型，采用所述分层模型逐层处理工业设备节点矩阵，得到更新后的工业设备节点矩阵；基于更新后的工业设备节点矩阵和设定的阈值，得到全新的工业设备节点特征矩阵；对全新的工业设备节点特征矩阵进行分类，得到关键节点对应设备类型的概率。
7.根据权利要求6所述的制造网络节点分类***，其特征在于，所述采用分层模型每层包括L个级别，每个级别包括粗化操作和细化操作。
8.根据权利要求7所述的制造网络节点分类***，其特征在于，所述粗化操作包括：将映射到相同节点上的设备节点定义为收缩集，构建设备节点矩阵的所有收缩集，基于所有收缩集得到收缩矩阵；采用收缩矩阵对每一级别上的设备节点矩阵进行细化操作，得到细化后的设备节点矩阵。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的制造网络节点分类方法中的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的制造网络节点分类方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871560.4A CN113536508B (zh) | 2021-07-30 | 2021-07-30 | 一种制造网络节点分类方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871560.4A CN113536508B (zh) | 2021-07-30 | 2021-07-30 | 一种制造网络节点分类方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113536508A true CN113536508A (zh) | 2021-10-22 |
| CN113536508B CN113536508B (zh) | 2023-11-21 |
Family
ID=78121565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110871560.4A Active CN113536508B (zh) | 2021-07-30 | 2021-07-30 | 一种制造网络节点分类方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536508B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112385A (zh) * | 2023-10-18 | 2023-11-24 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试*** |
| CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化***及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120216282A1 (en) * | 2011-02-17 | 2012-08-23 | Sable Networks, Inc. | METHODS AND SYSTEMS FOR DETECTING AND MITIGATING A HIGH-RATE DISTRIBUTED DENIAL OF SERVICE (DDoS) ATTACK |
| CN104992259A (zh) * | 2015-05-19 | 2015-10-21 | 浪潮软件集团有限公司 | 一种基于社团结构的复杂网络抗毁性和关键节点分析方法 |
| CN110474806A (zh) * | 2019-08-19 | 2019-11-19 | 国网甘肃省电力公司经济技术研究院 | 一种电力通信网关键节点识别方法 |
| CN110807101A (zh) * | 2019-10-15 | 2020-02-18 | 中国科学技术信息研究所 | 一种科技文献大数据分类方法 |
| CN111541628A (zh) * | 2020-05-12 | 2020-08-14 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信网络业务资源分配方法及相关装置 |
| CN112487658A (zh) * | 2020-12-14 | 2021-03-12 | 重庆邮电大学 | 一种电网关键节点的识别方法、装置及*** |
-
2021
- 2021-07-30 CN CN202110871560.4A patent/CN113536508B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120216282A1 (en) * | 2011-02-17 | 2012-08-23 | Sable Networks, Inc. | METHODS AND SYSTEMS FOR DETECTING AND MITIGATING A HIGH-RATE DISTRIBUTED DENIAL OF SERVICE (DDoS) ATTACK |
| CN104992259A (zh) * | 2015-05-19 | 2015-10-21 | 浪潮软件集团有限公司 | 一种基于社团结构的复杂网络抗毁性和关键节点分析方法 |
| CN110474806A (zh) * | 2019-08-19 | 2019-11-19 | 国网甘肃省电力公司经济技术研究院 | 一种电力通信网关键节点识别方法 |
| CN110807101A (zh) * | 2019-10-15 | 2020-02-18 | 中国科学技术信息研究所 | 一种科技文献大数据分类方法 |
| CN111541628A (zh) * | 2020-05-12 | 2020-08-14 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信网络业务资源分配方法及相关装置 |
| CN112487658A (zh) * | 2020-12-14 | 2021-03-12 | 重庆邮电大学 | 一种电网关键节点的识别方法、装置及*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112385A (zh) * | 2023-10-18 | 2023-11-24 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试*** |
| CN117112385B (zh) * | 2023-10-18 | 2024-01-26 | 四川酷比通信设备有限公司 | 一种基于数据分析的移动终端性能测试*** |
| CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113536508B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
| CN113536508B (zh) | 一种制造网络节点分类方法及*** | |
| CN116245033B (zh) | 人工智能驱动的电力***分析方法及智能软件平台 | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN113505458A (zh) | 连锁故障关键触发支路预测方法、***、设备及存储介质 | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及*** | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| Xu et al. | Reliability assessment of distribution networks through graph theory, topology similarity and statistical analysis | |
| CN117477544A (zh) | 融合时间模式特征的lstm超短期光伏功率预测方法及*** | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| CN115409122A (zh) | 一种变电设备并发故障分析方法、***、设备及介质 | |
| CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及*** | |
| Schirru et al. | Genetic algorithms applied to the nuclear power plant operation | |
| Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
| CN115392615B (zh) | 基于信息增强生成对抗网络的数据缺失值补全方法及*** | |
| Cao et al. | A study of reliability assessment and topology similarity: Methodology, relationship, and applications | |
| Gu et al. | Modeling and optimization of beam pumping system based on intelligent computing for energy saving | |
| Almohri et al. | Data Analysis and Prediction of Power Generated by Photovoltaic Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |