关键词:
多元时序预测
工业过程故障
图注意力
BiGRU
TLM
摘要:
工业过程是工业生产的基石,工业过程故障会导致整个工业流程中断,造成巨大经济损失,但由于工业过程多元特征的高耦合和时变等特性,传统机器学习方法难以实现对工业过程故障时序的有效预测。针对此问题,本文利用共享的多头图注意力机制提取特征的高耦合关联关系,并结合双向门控循环单元(Bi-directional Gated Recurrent Unit,BiGRU)和多尺度时间卷积网络(Multi-Scale Temporal Neural Network,MSTCN)构成时序学习层(Temporal Learning Module,TLM)提取特征的多尺度时序信息,提出一种基于时序双通道图注意力(Temporal Dual-Channel Graph Attention,TDCGAT)的工业故障时序预测模型。最后,通过堆叠时序学习层和共享的图注意力实现对工业过程故障时序的有效预测。