一种基于VAE-GAT的方法，用于制造车间的能耗分析和预测

《ADVANCED ENGINEERING INFORMATICS》：A VAE-GAT-based approach for energy consumption analysis and prediction in manufacturing workshops

制造车间能源消费预测需应对高维、噪声及时空关联性强等挑战。本文提出VAE-GAT框架，通过时间感知的VAE提取噪声稳健的潜在表示，结合过程感知的GAT建模设备间时空依赖，有效提升能源预测精度。

　　

陈伟|王丽萍|刘长春|唐敦兵|张泽群

南京航空航天大学机械与电气工程学院，南京 210016，中国

摘要

在全球追求碳中和的目标下，制造业面临着越来越大的压力，需要减少能源浪费。过度消耗不仅耗尽资源，还阻碍了可持续发展。因此，准确的能源消耗预测对于科学的生产调度和资源分配至关重要，它能够减少损失、提高效率并提升环境绩效。然而，现代制造环境的复杂性导致能源消耗数据具有高维度、噪声大且具有强烈的时空特性，这对传统的预测方法构成了挑战。为了解决这些问题，本文构建了一个能源消耗行为模型，考虑了设备状态、加工技术和环境条件等关键因素。通过全面的特征分析和数据预处理，识别出影响消耗的关键因素。在此基础上，提出了一个优化模型，该模型将改进的变分自编码器（VAE）与增强的图注意力网络（GAT）相结合。VAE 从高维噪声输入中提取紧凑的潜在表示，同时抑制冗余并保留关键模式。GAT 则捕捉能源相关特征之间的复杂时空依赖性，从而揭示出内在的消耗动态。在公共数据和真实世界数据集上的实验评估表明，所提出的 VAE-GAT 模型比其他深度学习基线模型具有更高的预测准确性和泛化能力。这种方法为能源管理提供了可靠的基础，并有助于推动绿色智能制造的发展。

引言

在全球可持续发展和碳中和的议程下，制造业的能源消耗已成为一个核心问题。由于各种设备的运行、复杂的工艺以及波动的生产需求，制造车间对能源的需求很高 [1]。因此，提高能源效率不仅对于减少环境影响至关重要，而且对于增强经济竞争力也非常重要 [2]。然而，实现这一目标仍然具有挑战性，因为车间能源数据来源于不同的来源（例如设备状况、工艺参数和周围环境），并且反映了高度动态和不确定的生产过程 [3]。

传统的车间能源管理方法主要依赖于手动数据收集、基于规则的评估或统计回归模型 [4]。虽然这些方法可以提供诸如能源强度（例如每单位产出的能源消耗）等聚合指标，但它们通常假设使用模式是稳定的，并且无法捕捉能源需求的时间变化 [5]、[6]、[7]。实际上，能源评估通常通过定期审计进行，这与实时生产脱节，无法识别由于机器退化、可变工作负载或工艺调整等因素引起的短期波动 [8]。因此，传统方法对运营决策和实时优化的支持有限。此外，高频、高维生产数据的日益增多凸显了静态模型的不足，这些模型往往过于简化了消耗行为，忽略了偶尔但显著的能源浪费事件 [9]。这些限制促使人们越来越关注数据驱动的方法，这些方法可以利用丰富的生产数据来发现模式、检测异常并实现更积极的能源管理。

随着大数据分析、工业物联网（IIoT）和智能制造技术的发展，数据驱动的方法越来越多地被用于制造车间的能源消耗预测和优化 [10]、[11]。由于制造车间的复杂工艺和可变的加工步骤，传统的分析方法效率低下甚至无效，难以及时识别对能源消耗有显著影响的潜在异常 [12]、[13]。因此，研究人员越来越多地将深度学习方法纳入能源消耗建模和分析中。在这些方法中，卷积神经网络（CNN）在从高维传感器数据中提取局部特征方面表现出色 [14]、[15]，而长短期记忆网络（LSTM）适用于建模序列依赖性 [16]、[17]。基于变压器的自注意力机制进一步提高了捕捉长期时间模式的能力 [18]。然而，每种方法在制造环境中都有其明显的局限性：CNN 倾向于忽略设备间的交互作用，LSTM 在异构环境中容易受到噪声影响且可扩展性存在问题 [19]，而变压器通常需要大型标记数据集，并且难以明确表示机器和工艺之间的物理或拓扑关系 [20]。VAE 在学习紧凑的潜在表示和减少冗余方面显示出潜力，从而支持更稳定的能源模式识别。然而，VAE 是独立处理每个数据源的，无法充分模拟由互连设备和工艺流产生的空间依赖性 [21]。GAT 通过基于注意力的信息传递能够自适应地学习能源相关特征之间的相关性 [22]，从而捕捉塑造车间能源消耗动态的空间结构。

总之，尽管深度学习在制造领域的能源消耗分析方面取得了进展，但现有方法仍然受到对历史数据的依赖、对动态环境的适应能力不足、对时间波动建模的能力有限以及异常检测性能较弱等限制 [23]。这些限制凸显了需要一个强大且可扩展的框架，该框架能够整合多源异构数据，结合表示学习与空间依赖性建模，并支持智能制造环境中的能源意识决策 [25]。

为了解决当前能源消耗分析方法中观察到的局限性（例如对动态生产环境的适应能力差、异常检测能力不足以及时间序列建模不充分），本文提出了一种基于 VAE-GAT 的数据驱动深度学习优化方法，用于制造车间的能源分析和预测。所提出的方法结合了时间建模、空间模式提取和潜在特征学习，以提高能源预测模型的准确性、鲁棒性和可解释性。本文的主要贡献总结如下：

1) 开发了一种系统且任务意识强的数据预处理和特征细化建模方法，以应对制造能源数据的固有挑战，包括缺失值、异构来源和高维度问题。所提出的数据预处理方法不仅仅是一个辅助步骤，而是旨在构建结构化且具有物理意义的表示，保留车间能源消耗的内在时间模式和操作特性。这为后续的表示学习和时空建模提供了可靠和有用的基础。

2) 建立了一个基于深度学习的统一预测建模框架，以捕捉多维车间操作变量与能源消耗动态之间的复杂非线性关系。通过将时间建模与跨单元依赖性学习相结合，该框架支持准确的能源消耗预测以及在动态生产条件下的系统能源行为分析，使制造管理者能够更好地理解车间内能源使用的演变、耦合和变化性。

3) 提出了一种表示规范化的时空学习框架，首先使用时间感知的变分自编码器构建一个抗噪声的潜在空间，然后使用过程感知的图注意力网络进行时空依赖性建模。与直接将图注意力机制应用于原始能源时间序列的现有时空图神经网络（ST-GNN）或 VAE-GNN 混合方法不同，所提出的 GAT 在 VAE 规范化的潜在表示上操作，并与表示学习模块共同优化。这种协调设计使图注意力机制能够捕捉更有意义的能源消耗单元的依赖性，并使所提出的创新在动态制造条件下发挥决定性作用。

本文的其余部分组织如下：第 2 节回顾了相关工作。第 3 节介绍了能源消耗分析和预测的总体框架。第 4 节描述了数据建模和特征分析的过程。第 5 节提出了基于 VAE-GAT 的深度学习优化模型用于能源消耗预测。第 6 节详细介绍了实验设置和结果。最后，第 7 节总结了本文并概述了未来研究的方向。

部分摘录

制造车间的能源消耗建模与分析

建立有效的能源消耗分析模型对于提高制造车间的能源效率至关重要。一个设计良好的模型能够实时监控能源使用情况，并提供适应动态生产环境的准确分析，从而支持更高效的能源管理策略。Xu 等人 [26] 提出了一种用于 CNC 车间的分层能源效率评估框架，通过评估促进了能源意识决策

能源消耗分析和预测的总体框架

在制造车间中，能源消耗涵盖三个主要维度：机器级使用、工艺相关消耗和环境能源需求。理解这些维度对于开发准确和全面的能源效率预测模型至关重要。为此，本文提出了一个基于 VAE-GAT 的集成能源分析和预测框架，如图 1 所示。该框架整合了异构数据源并捕捉了复杂

能源消耗建模

能源消耗建模是指建立数学模型来描述制造车间内各种能源消耗类别的行为特征的过程。在工业生产环境中，对车间能源使用的建模面临几个关键挑战：（i）工艺参数与能源指标之间存在复杂非线性关系，这些关系通常与生产效率和质量指标相关联，使得识别关键因素变得困难

方法论

基于上一节中使用 PCA 和 K-means 对高维能源消耗数据进行的降维和聚类分析，本节进一步通过 VAE-GAT 深度学习模型分析了设备、工艺和环境之间的能源消耗关系。该模型首先使用时间感知的 VAE 从能源消耗序列中提取稳健的潜在表示，捕捉能源消耗单元级别的时间模式。

模型性能评估

为了评估所提出的基于 VAE-GAT 的深度学习优化模型的稳定性和有效性，本文使用 UCI 机器学习仓库中的公开数据集进行了一系列实验，选择了六个与制造和能源消耗预测相关的数据集进行测试，包括 能源效率、MetroPT-3、大规模波浪能、联合循环发电厂、家电能源预测 和 AI4I。有关这些数据的详细信息

结论

本文提出了一个集成的能源消耗分析和预测框架，旨在提高制造车间能源效率预测的准确性和全面性。分析了关键能源相关因素，包括机器状态、加工工艺和环境条件，以建立描述多样化能源消耗行为的模型。识别并提取了影响能源使用的关键数据特征。

CRediT 作者贡献声明

陈伟：撰写 – 审稿与编辑，撰写 – 原始草稿，验证，软件，方法论，数据整理。王丽萍：撰写 – 审稿与编辑，项目管理，概念化。刘长春：撰写 – 审稿与编辑，资金获取，数据整理。唐敦兵：撰写 – 审稿与编辑，监督，资金获取。张泽群：撰写 – 审稿与编辑，资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了 国家自然科学基金（92267109、52305539、52505560）、江苏省自然科学基金（BK20230880）和 中央高校基本科研业务费（NS2024033）的支持。