一种面向过程的铝合金加热炉多层级时间序列压缩方法

《Journal of Engineering Research》：A process-aware multi-level time-series compression method for aluminum alloy heating furnaces

　　

为了解决铝合金加热炉长期时间序列数据日益增长的存储负担、多点测量同步的挑战以及跨批次形态冗余未被充分利用的问题，本文提出了一种过程感知的多层压缩框架。通过整合来自加热阶段和接近目标温度的过程重要性权重，所提出的过程加权分段线性近似（PW-PLA）在不显著增加分割复杂度的情况下提高了关键阶段的拟合精度。为了利用批次内多个传感器之间的强时间相干性，研究人员引入了一种过程加权多通道联合分割方法，该方法在所有通道之间建立共享时间轴——减少了时间戳冗余，同时保持精确的时间对齐。此外，通过捕捉炉温曲线中的批次间相似性，研究人员提出了一种炉型字典压缩（FSDC）技术，该技术从归一化轨迹中提取典型模式，使每个批次能够通过模式标识符和相关的时幅缩放因子进行紧凑表示，从而实现二次压缩。实验结果表明，PW-PLA有效降低了关键操作阶段的重建误差；联合分割大幅削减了时间戳存储开销；FSDC显著减少了保留必要热曲线形态所需的参数数量。所提出的方法为加热炉历史数据的长期归档、快速检索和过程基准测试提供了紧凑且可解释的数据表示，并在工业现场的设备监控、过程追溯和数据驱动优化中具有重要应用价值。

**论文解读：面向过程的铝合金加热炉多层级时间序列压缩方法**

在工业数字化与智能制造快速发展的背景下，铝合金加热炉等热工设备普遍安装了高频数据采集系统，能够连续记录设定温度、炉区温度、压力、能耗等过程变量。这些秒级甚至亚秒级的时间序列数据为设备监控、过程优化、质量追溯和数据驱动控制提供了重要支撑。然而，长期积累的高频过程数据带来了巨大的存储压力，并增加了后续数据检索、可视化和分析的成本。当多个测量通道和大量生产批次需要统一存储和分析时，这一问题尤为突出。现有时间序列压缩方法（如分段线性近似、小波变换、自回归模型等）大多从通用信号处理或数据库存储角度设计，很少考虑工业热工过程的过程阶段差异和工程语义。例如，铝合金加热炉在快速加热、接近目标温度或保温等不同操作阶段，对保真度的要求不同：温度偏差在关键阶段对能耗、热均匀性和产品质量的影响远大于非关键稳定区间。因此，使用均匀误差约束可能浪费存储资源或导致关键阶段精度不足。此外，加热炉数据还存在强多通道同步性和跨批次形态冗余性，现有方法未能充分融合过程重要性、共享时间轴表示和误差可控的字典表示。为填补上述空白，Jie Hou、Yao Liu、Jianping Tan、Zhe Gou等研究人员提出了一种面向过程的多层级时间序列压缩方法，论文发表在《Journal of Engineering Research》。

研究人员针对铝合金加热炉数据，从单通道、多通道和跨批次三个层级逐步构建了紧凑且具过程可解释性的表示。在单通道层级，提出过程加权分段线性近似（PW-PLA），通过引入过程重要性权重（由温度变化率和接近设定温度的程度决定），将传统均匀绝对误差约束扩展为加权误差约束，从而在关键阶段自动分配更高拟合精度。在多通道层级，提出过程加权多通道联合分割方法（Joint-PW-PLA），通过构建所有温度通道共享的分段时间轴，在满足各通道误差约束的前提下减少时间戳冗余，并保持跨通道的段级时间对齐。在跨批次层级，提出炉型字典压缩（FSDC）技术，从归一化历史轨迹中利用过程加权距离度量学习典型炉型模式，每个批次通过模式索引和缩放参数（时域缩放系数α_n和幅值平移系数β_n）编码，实现二次压缩。实验数据来源于某铝加工公司2024年上半年实际生产中5个加热炉的230个有效批次，每批平均时长18小时，采样频率2 Hz。主要关键技术方法包括：过程加权函数设计、滑动窗口贪婪分段算法、增量式联合分割算法、基于加权K-Means的炉型字典学习算法。

**研究结果**

**单通道PW-PLA性能分析**：通过与PLA-Basic（基本滑动窗口PLA）、SDT（转门算法）和UDS-Line（均匀下采样线性插值）三种方法对比，PW-PLA的均方根误差（RMSE）为0.6044°C，较次优方法PLA-Basic（1.1520°C）降低约47.5%，且最大绝对误差（MaxAE）严格满足预设阈值2.0°C，而SDT和UDS-Line远超该阈值。压缩比方面，PW-PLA产生更多段数（平均1191段），压缩比（CR）为417.08，虽低于其他方法，但关键阶段的重建精度显著提升，体现了以压缩效率换取关键保真度的设计原则。

**多通道联合分割性能分析**：将提出的Joint-PW-PLA与Multi-Single-PLA（各通道独立PW-PLA）和Joint-Basic-PLA（基于均匀误差约束的联合PLA）对比。Joint-PW-PLA将总段数从Multi-Single-PLA的184段降至98段（减少46.7%），但段数减少导致点级压缩比（CR）降低至1302.79；然而，通过共享时间轴避免了各通道独立存储时间戳的开销，实际存储效率更高。Joint-PW-PLA的MaxAE正好为2.0°C，严格满足误差阈值，而Joint-Basic-PLA的MaxAE高达3.94°C，表明强制统一分割不可行；Joint-PW-PLA的RMSE（0.8983°C）为三者最低，且重建曲线在动态阶段和稳定阶段均紧密跟随原始信号，实现了段级同步与高精度拟合的统一。

**FSDC性能分析**：对比PAA-KMeans和DTW-NN两种基准方法。在字典容量K=8时，FSDC的覆盖率达100%，而DTW-NN仅为78%；FSDC的平均重建RMSE为0.3436°C，远低于PAA-KMeans（0.5809°C）和DTW-NN（0.3513°C）。学习到的炉型模式（如Mode_0和Mode_1）对应典型“升温-保温”过程，具有清晰的过程语义。模式重用分布均匀，Mode_0被重用86次，Mode_1被58次，其余模式也被有效重用。当字典容量减至5或3时，重建误差升高（K=5时RMSE为0.4651°C，K=3时为0.6768°C），但模式重用更为集中，表明用户可通过调节字典容量灵活平衡压缩效率和重建精度。

**参数敏感性分析**：通过单参数变化实验，权重系数α_S和α_T对压缩效率与重建精度的权衡影响最直接。α_S从0增至1.5时，平均段数从66增至154，RMSE从0.87°C降至0.36°C；α_T从0增至1.5时，段数从80增至117，RMSE从0.76°C降至0.46°C。而阈值ΔT、S₀和权重上限w_max在测试范围内影响较稳定，表明该方法参数稳健性可接受。

**计算效率分析**：单通道PW-PLA平均压缩时间为1.21秒/批，与PLA-Basic（1.20秒）几乎相同；多通道Joint-PW-PLA为7.12秒，与Multi-Single-PLA（7.22秒）相当；所有方法的重建时间均低于2毫秒，表明该方法适用于离线压缩和快速重建。

**讨论与结论**

讨论部分指出，所提方法并非简单的数值拟合策略，而是由工业过程知识指导的压缩方法。PW-PLA将更高拟合精度自动分配至快速温度变化区和接近目标温度区间，这符合加热炉实际运行需求；参数敏感性分析确认权重系数提供了可解释的权衡机制；计算效率表明该方法对工业批次级数据压缩可行。工程部署中需通过插值或标记处理缺失数据和异常尖峰。尽管本研究聚焦铝合金加热炉，但框架可扩展至其他工业热工设备（如再热炉、退火炉等），只需重新定义关键阶段、多通道变量和形态距离度量。局限性包括依赖过程知识、最优参数可能随设备类型变化、FSDC字典需定期更新。

研究结论翻译如下：本文提出了一种面向过程的铝合金加热炉多层级时间序列压缩方法。该方法将过程知识融入单通道加权分割、多通道联合分割和跨批次炉型字典压缩，从而在可控重建误差下构建了紧凑且可解释的炉温轨迹表示。在单通道层级，PW-PLA将过程重要性权重引入分段线性近似过程，提高了快速加热和接近目标温度区域的重建精度。在多通道层级，Joint-PW-PLA为多个温度通道构建了共享的分段时间轴，在满足各通道误差约束的同时减少了时间戳冗余并保持了时间对齐。在跨批次层级，FSDC从历史批次中学习代表性炉型模式，并通过字典模式标识符和缩放参数对每个批次进行编码，实现了具有清晰过程语义的二次压缩。实验结果验证了所提框架在重建精度、多通道对齐、模式重用、参数稳定性和计算效率方面的有效性。该方法为加热炉历史数据的长期归档、快速检索和面向过程的分析提供了一种有效的数据压缩解决方案。未来工作将聚焦于自适应参数选择、增量式字典更新以及压缩表示与下游工业分析任务的集成。