摘要

本文介绍了一种用于工业过程中自动化知识图谱学习的新框架，该框架能够从时间序列数据中提取有意义的关系和洞察。工业过程产生大量时间序列数据，但从中提取有意义的关系和洞察仍然是一个挑战。本文提出的框架通过将原始数据转换为知识图谱（KGs），改善了决策制定、过程优化和知识发现。此外，该框架采用Granger因果关系来识别关键属性，这些属性可以用于设计预测模型。通过一个实际的工业用例，本文展示了该框架在实际工业场景中的应用和效益。

原理

本文提出的框架通过四个主要组件实现自动化知识图谱生成：(a) 数据预处理和质量保证，(b) 相关性分析，(c) 因果关系分析，和 (d) 知识图谱生成。数据预处理步骤确保了传感器时间序列数据的质量，而相关性和因果关系分析则用于识别过程参数之间的广泛关系或影响。特别是，相关性分析识别了过程参数行为中的相互关系或连接，而因果关系分析则捕捉了随时间变化的因果影响。Granger因果关系分析是该框架的一个关键组成部分，它能够识别时间序列数据之间的因果关系，包括效应的延迟和关系的方向。

流程

该框架的工作流程包括数据上传、选择特定的传感器测量进行分析、选择数值转换和缺失值插补的方法。框架提供了多种比较方法，如Pearson相关性、Spearman秩相关性和欧几里得相似性，以及Granger因果关系测试方法来检测过程参数之间的因果影响。生成的知识图谱以RDF格式存储，并支持使用SPARQL语言进行查询，以探索数据中的相关性和因果关系。此外，框架还包括可视化功能，以促进深入分析，并集成模型提供基于传感器测量的预测洞察。

应用

该框架的应用前景广泛，特别是在需要从大量时间序列数据中提取洞察的工业环境中。通过自动化地将时间序列数据转换为知识图谱，该框架能够支持预测维护、异常检测和过程优化等应用。此外，该框架的灵活性和可扩展性使其适用于各种研究和工业应用，有助于提高工业过程的效率和决策的准确性。