本发明涉及化工的软测量，尤其涉及一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法、装置及设备。
背景技术：
1、在脱丁烷塔的丁烷测量过程中，丁烷成分测量的过程安全对保障生产运行至关重要。然而在许多情况下，确保丁烷成分测量所需的关键参数往往难以实时获取。近年来，软传感器在工业中的应用成为可行的解决方案。软传感器的本质是通过数学建模和计算技术，利用易于测量的辅助过程变量(例如温度、压力和流量)预测难以实时获取的关键质量变量，从而实现对丁烷成分测量的在线评估和监测。软传感器具有响应速度快、维护成本低和预测效果好等优点，被广泛应用于丁烷成分测量监测及控制优化。
2、一般而言，软传感器主要分为两大类型：第一原理模型和数据驱动模型。第一原理模型主要是基于生产工艺或自然规律开发模型。利用物理方程和系统知识来描述丁烷成分测量能够提供准确且可解释的结果。随着生产规模的扩大，构建可靠的软传感器对于确保丁烷成分测量安全稳定的运行变得愈发重要。
3、然而现代丁烷成分测量逐渐表现出高维非线性、非高斯性、高度耦合等特性，传统第一原理建模方法在提取复杂数据特征方面变得力不从心。由于无需考虑所得模型的物理解释，随着分布式控制系统的广泛使用，数据驱动建模引起了学者的广泛关注。数据驱动建模依靠工业传感器获得的生产数据，挖掘数据中的内部特征信息，因此过程数据质量对所得软传感器模型的性能也至关重要。
4、主成分回归(pcr)、偏最小二乘回归(plsr)、局部近邻保持嵌入(npe)等多元统计方法是线性数据驱动建模的典型代表。但这类基础方法只能提取数据的线性结构，为了处理丁烷成分测量的非线性耦合关系，核pcr、核pls和支持向量机(svm)被用来描述更复杂的数据特征。基于核函数的改进思想得到广泛研究应用并推动了软传感器在丁烷成分测量中的发展。人工神经网络(ann)也被用于开发非线性软传感器建模，但这种浅层架构的软测量模型只有不超过一个隐藏层，在捕获复杂系统数据特征时表现出了不足。随着工控系统的升级改造和计算机算力的空前发展，深度学习成为丁烷成分测量软传感器建模的重要且有效的工具。深层神经网络具有强大的非线性特征表示能力，一般需要大量的数据训练模型，这种建模方法恰好与丁烷成分测量的发展趋势不谋而合。然而在某些特定的软传感器应用过程中，基于深度学习的性能并不一定比传统的浅层架构好，关键因素在于可用于建模型的标记数据有所不同。近年来，深度学习在软传感器领域成为研究热点，现已提出了许多不同的网络结构。其中，堆叠式自动编码器(sae)、深度置信网络(dbn)、长短期记忆(lstm)、卷积神经网络(cnn)、时域卷积网络(tcn)的应用最为广泛。sae主要以无监督的形式构建软传感器模型，将多个自编码层堆叠可以提取更多的抽象特征。然而，sae对标记数据的需求较大，在数据量有限的情况下，可能难以训练一个鲁棒的sae模型。dbn通过快速贪婪算法进行分层预训练，可以自主适应数据分布的变化并描述丁烷成分测量的动态变化。但dbn同sae一样，数据量不足会影响其模型性能。在过去的一段时间里，循环神经网络(rnn)及其衍生变体lstm、门控循环单元(gru)成为处理时间序列问题的代表。lstm通过引入门控结构有效避免了rnn在处理长期时序时不可避免的梯度消失问题，为了减少模型参数量使得更易于训练，gru作为lstm的变体成为另一种选择。cnn因其参数共享机制减少了待学习参数量，有利于构建轻量化的软测量模型。同时池化层有助于cnn提取各种丁烷成分测量的多尺度信息。然而，对于cnn而言，处理丁烷成分测量数据中包含的时序信息时其结构可能不够灵活。因此，有人将cnn的优势与循环神经网络或注意力机制相结合来处理丁烷成分测量数据中的时序依赖关系。其中将cnn的卷积层与lstm相结合提出基于convlstm的软测量模型，该模型结合了两种特征提取器的优势但存在结构复杂占用计算资源的问题。上述模型依托深度学习，对高复杂性、多传感器的丁烷成分测量建立软传感器建模具有特殊意义。然而，深度学习模型以端到端的方式学习特征，这很复杂且对工程师的学习理解成本高。这样为了获得可靠的软测量模型，必须增强其可解释性。
技术实现思路
1、本发明实施例提供一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法、装置及设备，能够提高对脱丁烷塔中丁烷含量的预测准确性。
2、本发明一实施例提供一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法，包括：
3、步骤10，从脱丁烷塔的反应过程中按照时间序列采集过程数据样本；
4、步骤20，对过程数据样本划分数据集并确定graphsage-imatcn网络的结构和超参数；
5、步骤30，利用数据集训练graphsage-imatcn模型并不断计算量化预测结果，训练结束后保存最佳的模型参数；
6、步骤40，使用工控系统传感器在线采集辅助变量的实际过程数据，对在线采集的实际过程数据进行数据预处理；
7、步骤50，将预处理后的实际过程数据输入graphsage-imatcn模型进行预测，对其输出结果进行反归一化以在线得到初始量纲的丁烷含量预测结果。
8、作为上述方案的改进，所述从脱丁烷塔的反应过程中按照时间序列采集过程数据样本，包括：
9、从脱丁烷塔的反应过程中按照时间序列采集过程数据样本，将采集到的过程数据样本进行归一标准化。
10、作为上述方案的改进，在所述步骤s11与步骤s20之间，所述方法还包括：
11、步骤12，采用结合核密度估计算法的变量选择方法，剔除过程数据样本中与含量预测相关性低于阈值的变量。
12、本发明另一实施例对应提供了一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量装置，包括：
13、采集模块，用于从脱丁烷塔的反应过程中按照时间序列采集过程数据样本；
14、数据样本处理模块，用于对过程数据样本划分数据集并确定graphsage-imatcn网络的结构和超参数；
15、训练模块，用于利用数据集训练graphsage-imatcn模型并不断计算量化预测结果，训练结束后保存最佳的模型参数；
16、数据采集处理模块，用于使用工控系统传感器在线采集辅助变量的实际过程数据，对在线采集的实际过程数据进行数据预处理；
17、预测模块，用于将预处理后的实际过程数据输入graphsage-imatcn模型进行预测，对其输出结果进行反归一化以在线得到初始量纲的丁烷含量预测结果。
18、作为上述方案的改进，所述采集模块具体用于：
19、从脱丁烷塔的反应过程中按照时间序列采集过程数据样本，将采集到的过程数据样本进行归一标准化。
20、作为上述方案的改进，所述装置还包括：
21、数据剔除模块，用于采用结合核密度估计算法的变量选择方法，剔除过程数据样本中与含量预测相关性低于阈值的变量。
22、本发明另一实施例提供了一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法。
23、本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法。
24、相比于现有技术，本发明实施例具有如下有益效果：
25、通过离线建模训练学习graphsage-imatcn模型参数并保存graphsage-imatcn模型结构，然后将在线采集的过程数据输入训练好的graphsage-imatcn模型，这样可以实现对脱丁烷塔中丁烷含量的实时预测，从而能够提高对脱丁烷塔中丁烷含量的预测准确性。
1.一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法，其特征在于，所述从脱丁烷塔的反应过程中按照时间序列采集过程数据样本，包括：
3.如权利要求2所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法，其特征在于，在所述步骤s11与步骤s20之间，所述方法还包括：
4.一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量装置，其特征在于，包括：
5.如权利要求4所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量装置，其特征在于，所述采集模块具体用于：
6.如权利要求4所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量装置，其特征在于，所述装置还包括：
7.一种基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量装置/终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的基于graphsage-imatcn的脱丁烷塔中丁烷含量的软测量方法。
