基于时空图注意力模型的动态软测量建模方法

近年来深度学习由于其特征提取和非线性拟合等方面的优势,在软测量建模中得到了广泛的研究.而深度学习模型是一种黑箱模型,其预测结果难以解释,而且很难将关于过程的先验知识引入模型,这些缺点阻碍了它在实际工业过程中的应用.另外,工业过程数据是具有高度非线性和动态性的时间序列,其本质上反映的是过程随机变量随时间不断变化的趋势,其包含了重要的流程信息,因此在软测量建模过程中引入过程的动态信息是十分必要的.本文提出了一种时空图注意力模型(temporal-spatial graph attention networks, TSGAT),并将其应用在复杂动态工业过程的软测量建模.该方法通过给定变量间结构图来为模型引入先验知识,利用图注意力网络构建变量间的显式的非线性关系,并利用图注意力网络信息聚合的能力对每个时间步的数据完成图上的特征提取,再使用长短期记忆人工神经网络提取时序特征,进而完成对质量变量的预测.为了验证所提方法的有效性和优越性,将该方法应用在实际工业案例合成氨过程中的高低温转换器单元一氧化碳含量的软测量建模,实验结果表明,该模型不仅能够引入先验知识,而且具有较高的预测精度.     

基于证据推理法的城镇综合承灾能力网格化评价方法

目前针对区域综合承灾能力的研究大多仍基于城市尺度,少有针对城镇尺度的研究,且针对区域综合承灾能力的研究大多以行政单元为评价单元,精度稍显粗糙。该文根据华东某县级市实际城镇特色建立城镇综合承灾能力评价指标体系,基于证据推理法结合层次分析法,以1km×1km的网格为基本评价单元,从定性、定量数据两方面完成对该市综合承灾能力的评估。该文主要探索了高精度的城镇综合承灾能力评价方法,得到网格化的高精度评价结果,发现"抗灾能力→空间布局因素→重大危险源"这一指标在整体评价中具有突出重要作用,评价结果与该地区实际情况基本吻合。该评价方法对城镇级别应急管理具有很好的应用价值,对提升城镇区域减灾防灾能力有积极意义。