CN115854355A - 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 - Google Patents

Abstract

本发明涉及一种蓄热式热力氧化炉的故障预测与诊断系统及方法，包括多参数预测模块、异常参数监测模块、因果图推论模块；通过多参数预测模型预测RTO各点位参数变化趋势，建立异常参数监测模型实现对各参数未来变化趋势的实时异常监测，将可能出现异常的参数作为输入参数实时输入到因果图推论模块，结合专家知识库和数据驱动构建的因果图，利用因果图的化简规则以及贝叶斯公式进行图谱化简、运算，输出可能的故障点位及概率，实现预测性故障溯源，并且引导运维人员进行提前干预，避免设备停炉的发生，有效减少停炉期间的污染气体排放和停炉重启所需耗费的大量燃料。

Description

一种蓄热式热力氧化炉的故障预测与诊断系统及方法

技术领域

本发明属于环保诊断技术领域，具体地说是一种蓄热式热力氧化炉的故障预测与诊断系统及方法。

背景技术

蓄热式热力氧化炉(RTO)在有机废气的治理中具有非常广泛的应用，其净化效率高、成本较低。然而RTO在运行过程中存在诸多安全隐患，例如当输入废气出现浓度或者流量波动时，容易造成炉体的温度大幅变化，使其存在潜在爆炸风险，近年来国内已产生了多起RTO爆炸事故。

RTO在运行过程中存在安全隐患，可能发生爆炸，造成生命与财产的巨大损失；此外，RTO运行期间往往会出现管道堵塞、气体压力、浓度不稳定等状况，造成设备停炉，每次停炉会排放大量未经净化的有害气体，停炉后重启还需要耗费大量能源。

目前RTO设备的维护具有滞后性，往往是设备出现故障之后停炉检修，甚至出现故障了也不能及时发现引发更大的风险。目前RTO设备的维护已有DCS监测系统，对可以各个关键部位的参数(如燃烧室温度、压力、阀门开度等)都有监测和记录，当监测点位超出阈值时发生故障报警，进而运维人员需结合自身工作经验分析DCS参数变化趋势，排查故障点位并进行现场排查验证，找出引起参数异常变化的故障位置。然而此过程需要运维人员具有大量的经验，且看出参数变化趋势需要较长时间，属于故障发生后的事后排查。

因此，构建出一种RTO的预测性故障诊断系统及方法使得可在发生故障之前提前预警，并通过计算机辅助运维人员进行故障巡检，降低人员的经验要求对实现RTO高效稳定运行，减少重大风险，减少排放具有重大意义。

发明内容

为了克服现有技术的缺点和不足，本发明提供了一种蓄热式热力氧化炉的故障预测与诊断系统及方法。

本发明首先通过DCS系统实时监测到的RTO上游废气参数及RTO各点位实时运行参数，以及历史运行参数，并结合长短期记忆神经网络(LSTM)预测各点位参数的变化情况，建立异常参数监测模型实现对各参数未来变化趋势的实时异常监测，将可能出现异常的参数作为输入参数实时输入到因果图推论模块，结合专家知识库及图恢复算法和因果发现算法构建的因果图，利用因果图的化简规则以及贝叶斯公式进行图谱化简、运算，输出可能的故障点位及概率，实现预测性故障溯源。

为了达到上述目的，本发明所采取的技术方案为：

一种蓄热式热力氧化炉的故障预测与诊断系统，包括多参数预测模块、异常参数监测模块、因果图推论模块；

所述多参数预测模块包括基于蓄热式热力氧化炉多参数建立的多参数预测模型，多参数预测模型根据RTO上的DCS数据采集系统，结合历史运行数据和在线运行数据，提前预测各参数变化；

所述异常参数监测模块包括RTO设备可能发生故障时的异常参数监测模型，根据预测参数的异常分数与阈值比较，监测并传输异常参数；

所述因果图推论模块包括通过人工专家知识库建立各故障与参数异常变化的因果模型，以及通过计算机根据数据进行图恢复和因果发现所得的因果有向图，辅助建立故障诊断因果图；根据输入的异常参数以及各参数与故障之间的因果概率关系，通过一系列事件运算与化简原则化简故障诊断因果图，并通过贝叶斯公式计算后验概率，从而输出故障点位及概率。

作为优选，所述蓄热式热力氧化炉多参数包括蓄热式热力氧化炉内各腔体的温度、LEL浓度、气压和各风机频率。

作为优选，基于多参数预测模型与异常参数监测模型完成预测性故障诊断；

多参数预测模型基于DCS数据采集系统收集到的实时运行数据与历史运行数据，由机器学习训练得出；

采用基于长短期记忆神经网络(LSTM)和自动编码器的混合模型实现从序列到序列的多参数预测模型建立；多参数预测模型的输入参数包括废气进口温度、LEL浓度、洗涤塔压差、RTO各室体温度、各风机频率、气压的历史数据和DCS实时监测数据，输出各参数的预测值；

多参数预测模型的网络结构为基于ConvLSTM和BiGRU的自动编码器结构，由编码器和解码器构成；

其中编码器包括一层ConvLSTM，一层激活函数tanh和一层Dropout函数堆叠组成，ConvLSTM使用卷积算子代替全连接层算子，不仅能够提取时间特征，通过卷积操作还可以有效提取空间信息的特征，同时使用门控机制克服了梯度消失问题，其计算公式如下：

其中，σ、tanh、×和

分别表示Sigmoid、tanh操作、卷积运算和Hadamard积；i_t，f_t，C_t和o_t分别表示当前状态下的输入门、遗忘门、内部记忆单元、输出门；C_t-1表示前一个状态下的内部记忆单元；X_t表示输入数据，h_t-1表示前一个ConvLSTM单元输出的循环状态，h_t表示当前时刻的循环状态；W_xi表输入数据到输入门的权重矩阵；W_hi表示输出的循环状态到输入门的权重矩阵；W_ci表示记忆单元到输入门的权重矩阵；W_xf表示输入数据到遗忘门的权重矩阵；W_hf表示输出的循环状态到遗忘门的权重矩阵；W_cf表示记忆单元到遗忘门的权重矩阵；W_xc表示输入数据到记忆单元的权重矩阵；W_hc表示输出的循环状态到记忆单元的权重矩阵；W_xo表示输入数据到输出层的权重矩阵；W_ho表示输出的循环状态到输出层的权重矩阵；W_co表示记忆单元到输出层的权重矩阵；b_i表示输入门的偏置向量；b_f表示遗忘门的偏置向量；b_c表示记忆单元的偏置向量；b_o表示输出门的偏置向量；

其中解码器由一层BiGRU，一层激活函数tanh和一层Dropout函数堆叠形成，BiGRU是一种双向循环神经网络，输出层中具有每一个点前向状态和后向状态，可以同时提取过去特征和未来特征，进而实现数据的双向复用；其计算公式如下：

Z_t＝σ(W_z[h_t-1，X_t]+b_z)

r_t＝σ(W_r[h_t-1，X_t]+b_r)

其中，Z_t表示更新门；r_t表示重置门；

表示候选状态；W_z表示更新门的权重矩阵；W_r表示重置门的权重矩阵；W_h表示记忆状态的权重矩阵；b_z表示更新门的偏置向量；b_r表示重置门的偏置向量；b_h表示记忆状态的偏置向量；

在编码层之后，使用一个重复向量层复制编码层的输出向量作为解码层的输入向量，在解码层之后通过一个全连接层输出各数据的预测值序列；

多参数预测模块选取均方误差MSE作为损失函数：

其中Y_i表示第i时刻的预测值；Y_i表示第i时刻的真实值；n表示数据样本总数；MSE表示均方误差。

作为优选，异常参数监测模块采用K-means聚类分析结合自动编码机建立异常监测模型，对预测的各参数值进行计算，判断是否处于正常范围内；由于自动编码机对编码后的特征进行解码重构过程中会产生误差，而训练通过反向传播方式最小化重构误差，学习正常数据的隐含特征和模式，故落在正常区间的值重构误差较小，而异常数据的重构误差较大，可以将重构误差看作异常分数，通过聚类辅助分析预测数据的重构误差比，若异常分数超过设定阈值，则检测出异常参数，将其相关数据作为证据参数传入因果图推论模块。

作为优选，因果图推论模块通过数据挖掘，利用图恢复算法和因果发现算法对历史运行数据进行全图建模构建故障诊断因果图，结合专家经验辅助建立专家知识库，即通过专家知识建立的点位故障引起某参数异常变化的因果关系；随后，根据异常参数监测模块所得到的异常参数相关数据，根据事件逻辑展开以及化简原则对故障诊断因果图进行化简；根据收集到的异常参数证据信息，对造成这些结果变量变化的根变量进行概率的推理，利用贝叶斯公式逆向计算出参数异常由某点位故障引起的后验状态概率，进而计算排序概率，输出各个可能的故障点位及其故障的概率，实现预测性故障溯源。

本发明还提供了一种蓄热式热力氧化炉的故障预测与诊断方法，采用上述故障预测与诊断系统，包括下述步骤：

S1：对RTO装置上的DCS数据采集系统、传感器阵列收集到的各个点位各参数关键运行数据，采用网络通信模块传输到云端数据库；

S2：通过DCS采集到的各参数历史运行数据对预测模型进行训练，拟合出最优的预测模型，根据历史运行数据结合数据因果挖掘辅助建立专家知识库，进而据此构建故障诊断因果图；

S3：基于多参数预测模型和异常参数监测模块对预测的各参数进行异常监测，一旦参数变化将出现异常，提前警报，并且将异常参数及数据作为证据参数传入因果图推论模块；

S4：根据收集到的异常参数，利用故障诊断因果图进行事件逻辑展开，并根据事件运算与化简法则对故障诊断因果图进行化简；

S5：对化简后的因果图利用贝叶斯公式计算各个故障点位的后验概率和排序概率，进而输出各个可能的故障点位和其故障概率大小。

本发明通过各参数的历史运行数据训练长短期记忆神经网络，通过DCS监测系统实时监测到的在线数据，结合神经网络提前预测未来一段时间各个参数的变化趋势，监测将出现异常的参数，将其作为证据参数传入因果图推论模块；通过由专家知识库构建的故障诊断因果图，进行事件的运算和化简，利用贝叶斯公式计算输出可能故障的点位及概率，引导运维人员提前调控。

相对于现有技术，本发明的有益效果在于：

本发明通过多参数预测模型预测RTO各点位参数变化趋势，建立异常参数监测模型实现对各参数未来变化趋势的实时异常监测，将可能出现异常的参数作为输入参数实时输入到图论推理算法，结合专家知识库和数据驱动构建的因果图，利用因果图的化简规则以及贝叶斯公式进行图谱化简、运算，输出可能的故障点位及概率，实现预测性故障溯源，并且引导运维人员进行提前干预，避免设备停炉的发生，有效减少停炉期间的污染气体排放和停炉重启所需耗费的大量燃料。

附图说明

图1为本发明的流程框图。

具体实施方式

下面通过实施例，对本发明的技术方案作进一步具体的说明，这些实施例是对本发明的说明而作，不是对本发明的限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参照图1，一种蓄热式热力氧化炉的故障预测与诊断系统，包括多参数预测模块、异常参数监测模块、因果图推论模块；

所述多参数预测模块包括基于蓄热式热力氧化炉内各腔体的温度、气压、各风机频率等建立的多参数预测模型，多参数预测模型根据RTO上的DCS数据采集系统，结合历史运行数据和在线运行数据，提前预测各参数变化；

所述异常参数监测模块包括RTO设备可能发生故障时的异常参数监测模型，根据预测参数的异常分数与阈值比较，监测并传输异常参数；

所述因果图推论模块包括通过人工专家知识库建立各故障与参数异常变化的因果模型，以及通过计算机根据数据进行图恢复和因果发现所得的因果有向图，辅助建立故障诊断因果图；根据输入的异常参数以及各参数与故障之间的因果概率关系，通过一系列事件运算与化简原则化简故障诊断因果图，并通过贝叶斯公式计算后验概率，从而输出故障点位及概率。

本实施例的实施对象为某制药企业废气治理系统，该企业的废气来自于维生素、胡萝卜素、克拉霉素、盐酸万古霉素制剂等药剂加工车间，在生产工艺过程中会产生会丙酮、二氯甲烷、二甲苯、甲苯等有机废气，该企业的废气治理RTO设备采用三室结构，设计风量为37000m³/h，通过PLC直接控制，添加燃料为甲醇，系统带有蓄热体上层温度、蓄热体中层温度、蓄热体下层温度、燃烧室温度、废气入口LEL浓度、废气入口温度、废气入口湿度、废气入口压力、废气入口氧含量浓度、RTO出口温度等在线监测点位，可在各区域废气管路、低浓度废管路以及总管路上添加气体流量传感器、VOCs浓度传感器。

该企业RTO设备的某些点位出现故障，会导致参数出现异常，引起设备停炉。如：废气浓度突然升高、燃料供应过量、蓄热室堵塞严重、热旁通阀关闭故障、出气提升阀密封变差或已形变会导致出口最高温度偏高；减压阀故障、燃料泵后压力过高、压力开关故障会导致燃油压力过高；循环水泵故障、循环管道过滤器堵塞、急冷喷头堵塞会导致急冷塔喷淋水流量低等，这些异常参数变化都将会引发停炉的后果。

一种蓄热式热力氧化炉的故障预测与诊断方法，采用上述故障预测与诊断系统，包括下述步骤：

S1：对RTO装置上的DCS数据采集系统、传感器阵列收集到的各个点位各参数关键运行数据，采用网络通信模块传输到云端数据库；

S2：通过DCS采集到的各参数历史运行数据对预测模型进行训练，拟合出最优的预测模型，根据历史运行数据结合数据因果挖掘辅助建立专家知识库，进而据此构建故障诊断因果图；

S3：基于多参数预测模型和异常参数监测模块对预测的各参数进行异常监测，一旦参数变化将出现异常，提前警报，并且将异常参数及数据作为证据参数传入因果图推论模块；

S4：根据收集到的异常参数，利用故障诊断因果图进行事件逻辑展开，并根据事件运算与化简法则对故障诊断因果图进行化简；

S5：对化简后的因果图利用贝叶斯公式计算各个故障点位的后验概率和排序概率，进而输出各个可能的故障点位和其故障概率大小。

作为优选，基于多参数预测模型与异常参数监测模型完成预测性故障诊断；

多参数预测模型基于DCS数据采集系统收集到的实时运行数据与历史运行数据，由机器学习训练得出；

采用基于长短期记忆神经网络(LSTM)和自动编码器的混合模型实现从序列到序列的多参数预测模型建立；多参数预测模型的输入参数包括废气进口温度、LEL浓度、洗涤塔压差、RTO各室体温度、各风机频率、气压的历史数据和DCS实时监测数据，输出各参数的预测值；

多参数预测模型的网络结构为基于ConvLSTM和BiGRU的自动编码器结构，由编码器和解码器构成；

其中编码器包括一层ConvLSTM，一层激活函数tanh和一层Dropout函数堆叠组成，ConvLSTM使用卷积算子代替全连接层算子，不仅能够提取时间特征，通过卷积操作还可以有效提取空间信息的特征，同时使用门控机制克服了梯度消失问题，其计算公式如下：

/>

其中，σ、tanh、×和

分别表示Sigmoid、tanh操作、卷积运算和Hadamard积；i_t，f_t，C_t和o_t分别表示当前状态下的输入门、遗忘门、内部记忆单元、输出门；C_t-1表示前一个状态下的内部记忆单元；X_t表示输入数据，h_t-1表示前一个ConvLSTM单元输出的循环状态，h_t表示当前时刻的循环状态：W_xi表输入数据到输入门的权重矩阵；W_hi表示输出的循环状态到输入门的权重矩阵；W_ci表示记忆单元到输入门的权重矩阵；W_xf表示输入数据到遗忘门的权重矩阵；W_hf表示输出的循环状态到遗忘门的权重矩阵；W_cf表示记忆单元到遗忘门的权重矩阵；W_xc表示输入数据到记忆单元的权重矩阵；W_hc表示输出的循环状态到记忆单元的权重矩阵；W_xo表示输入数据到输出层的权重矩阵；W_ho表示输出的循环状态到输出层的权重矩阵；W_co表示记忆单元到输出层的权重矩阵；b_i表示输入门的偏置向量；b_f表示遗忘门的偏置向量；b_c表示记忆单元的偏置向量；b_o表示输出门的偏置向量。

其中解码器由一层BiGRU，一层激活函数tanh和一层Dropout函数堆叠形成，BiGRU是一种双向循环神经网络，输出层中具有每一个点前向状态和后向状态，可以同时提取过去特征和未来特征，进而实现数据的双向复用；其计算公式如下：

Z_t＝σ(W_z[h_t-1，X_t]+b_z)

r_t＝σ(W_r[h_t-1，X_t]+b_r)

其中，Z_t表示更新门；r_t表示重置门；

表示候选状态；W_z表示更新门的权重矩阵；W_r表示重置门的权重矩阵；W_h表示记忆状态的权重矩阵；b_z表示更新门的偏置向量；b_r表示重置门的偏置向量；b_h表示记忆状态的偏置向量；

在编码层之后，使用一个重复向量层复制编码层的输出向量作为解码层的输入向量，在解码层之后通过一个全连接层输出各数据的预测值序列；

多参数预测模块选取均方误差MSE作为损失函数：

其中Y_i表示第i时刻的预测值；Y_i表示第i时刻的真实值；n表示数据样本总数；MSE表示均方误差。

作为优选，异常参数监测模块采用K-means聚类分析结合自动编码机建立异常监测模型，对预测的各参数值进行计算，判断是否处于正常范围内；由于自动编码机对编码后的特征进行解码重构过程中会产生误差，而训练通过反向传播方式最小化重构误差，学习正常数据的隐含特征和模式，故落在正常区间的值重构误差较小，而异常数据的重构误差较大，可以将重构误差看作异常分数，通过聚类辅助分析预测数据的重构误差比，若异常分数超过设定阈值，则检测出异常参数，将其相关数据作为证据参数传入因果图推论模块。

作为优选，因果图推论模块通过数据挖掘，利用图恢复算法和因果发现算法对历史运行数据进行全图建模构建故障诊断因果图，结合专家经验辅助建立专家知识库，即通过专家知识建立的点位故障引起某参数异常变化的因果关系；随后，根据异常参数监测模块所得到的异常参数相关数据，根据事件逻辑展开以及化简原则对故障诊断因果图进行化简；根据收集到的异常参数证据信息，对造成这些结果变量变化的根变量进行概率的推理，利用贝叶斯公式逆向计算出参数异常由某点位故障引起的后验状态概率，进而计算排序概率，输出各个可能的故障点位及其故障的概率，实现预测性故障溯源。

本发明通过各参数的历史运行数据训练长短期记忆神经网络，通过DCS监测系统实时监测到的在线数据，结合神经网络提前预测未来一段时间各个参数的变化趋势，监测将出现异常的参数，将其作为证据参数传入因果图推论模块。通过由专家知识库构建的故障诊断因果图，进行事件的运算和化简，利用贝叶斯公式计算输出可能故障的点位及概率，引导运维人员提前调控。本发明首先通过DCS系统实时监测到的RTO上游废气参数及RTO各点位实时运行参数，以及历史运行参数，并结合长短期记忆神经网络(LSTM)预测各点位参数的变化情况，建立异常参数监测模型实现对各参数未来变化趋势的实时异常监测，将可能出现异常的参数作为输入参数实时输入到因果图推论模块，结合专家知识库及图恢复算法和因果发现算法构建的因果图，利用因果图的化简规则以及贝叶斯公式进行图谱化简、运算，输出可能的故障点位及概率，实现预测性故障溯源。

以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体实施方式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，凡依本发明申请范围所做出的若干变形与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (6)

1.一种蓄热式热力氧化炉的故障预测与诊断系统，其特征在于：包括多参数预测模块、异常参数监测模块和因果图推论模块；

所述多参数预测模块包括基于蓄热式热力氧化炉多参数建立的多参数预测模型，多参数预测模型根据RTO上的DCS数据采集系统，结合历史运行数据和在线运行数据，提前预测各参数变化；

所述异常参数监测模块包括RTO设备可能发生故障时的异常参数监测模型，根据预测参数的异常分数与阈值比较，监测并传输异常参数；

所述因果图推论模块包括通过人工专家知识库建立各故障与参数异常变化的因果模型，以及通过计算机根据数据进行图恢复和因果发现所得的因果有向图，辅助建立故障诊断因果图；根据输入的异常参数以及各参数与故障之间的因果概率关系，通过一系列事件运算与化简原则化简故障诊断因果图，并通过贝叶斯公式计算后验概率，从而输出故障点位及概率。

2.根据权利要求1所述蓄热式热力氧化炉的故障预测与诊断系统，其特征在于：所述蓄热式热力氧化炉多参数包括蓄热式热力氧化炉内各腔体的温度、LEL浓度、气压和各风机频率。

3.根据权利要求1所述蓄热式热力氧化炉的故障预测与诊断系统，其特征在于：基于多参数预测模型与异常参数监测模型完成预测性故障诊断；

多参数预测模型基于DCS数据采集系统收集到的实时运行数据与历史运行数据，由机器学习训练得出；

采用基于长短期记忆神经网络和自动编码器的混合模型实现从序列到序列的多参数预测模型建立；多参数预测模型的输入参数包括废气进口温度、LEL浓度、洗涤塔压差、RTO各室体温度、各风机频率、气压的历史数据和DCS实时监测数据，输出各参数的预测值；

多参数预测模型的网络结构为基于ConvLSTM和BiGRU的自动编码器结构，由编码器和解码器构成；

其中编码器包括一层ConvLSTM，一层激活函数tanh和一层Dropout函数堆叠组成，ConvLSTM使用卷积算子代替全连接层算子，其计算公式如下：

其中，σ、tanh、×和

分别表示Sigmoid、tanh操作、卷积运算和Hadamard积；i_t，f_t，C_t和o_t分别表示当前状态下的输入门、遗忘门、内部记忆单元、输出门；C_t-1表示前一个状态下的内部记忆单元；X_t表示输入数据，h_t-1表示前一个ConvLSTM单元输出的循环状态，h_t表示当前时刻的循环状态：W_xi表输入数据到输入门的权重矩阵；W_hi表示输出的循环状态到输入门的权重矩阵；W_ci表示记忆单元到输入门的权重矩阵；W_xf表示输入数据到遗忘门的权重矩阵；W_hf表示输出的循环状态到遗忘门的权重矩阵；W_cf表示记忆单元到遗忘门的权重矩阵；W_xc表示输入数据到记忆单元的权重矩阵；W_hc表示输出的循环状态到记忆单元的权重矩阵；W_xo表示输入数据到输出层的权重矩阵；W_ho表示输出的循环状态到输出层的权重矩阵；W_co表示记忆单元到输出层的权重矩阵；b_i表示输入门的偏置向量；b_f表示遗忘门的偏置向量；b_c表示记忆单元的偏置向量；b_o表示输出门的偏置向量；

其中解码器由一层BiGRU，一层激活函数tanh和一层Dropout函数堆叠形成，BiGRU是一种双向循环神经网络，输出层中具有每一个点前向状态和后向状态，可以同时提取过去特征和未来特征，进而实现数据的双向复用；其计算公式如下：

Z_t＝σ(W_z[h_t-1，X_t]+b_z)

r_t＝σ(W_r[h_t-1，X_t]+b_r)

其中，Z_t表示更新门；r_t表示重置门；

表示候选状态；W_z表示更新门的权重矩阵；W_r表示重置门的权重矩阵；W_h表示记忆状态的权重矩阵；b_z表示更新门的偏置向量；b_r表示重置门的偏置向量；b_h表示记忆状态的偏置向量；

在编码层之后，使用一个重复向量层复制编码层的输出向量作为解码层的输入向量，在解码层之后通过一个全连接层输出各数据的预测值序列；

多参数预测模块选取均方误差MSE作为损失函数：

其中Y_i表示第i时刻的预测值；Y_i表示第i时刻的真实值；n表示数据样本总数；MSE表示均方误差。

4.根据权利要求1所述蓄热式热力氧化炉的故障预测与诊断系统，其特征在于：异常参数监测模块采用K-means聚类分析结合自动编码机建立异常监测模型，对预测的各参数值进行计算，判断是否处于正常范围内；通过聚类辅助分析预测数据的重构误差比，若异常分数超过设定阈值，则检测出异常参数，将其相关数据作为证据参数传入因果图推论模块。

5.根据权利要求1所述蓄热式热力氧化炉的故障预测与诊断系统，其特征在于：因果图推论模块通过数据挖掘，利用图恢复算法和因果发现算法对历史运行数据进行全图建模构建故障诊断因果图，结合专家经验辅助建立专家知识库，即通过专家知识建立的点位故障引起某参数异常变化的因果关系；随后，根据异常参数监测模块所得到的异常参数相关数据，根据事件逻辑展开以及化简原则对故障诊断因果图进行化简；根据收集到的异常参数证据信息，对造成这些结果变量变化的根变量进行概率的推理，利用贝叶斯公式逆向计算出参数异常由某点位故障引起的后验状态概率，进而计算排序概率，输出各个可能的故障点位及其故障的概率，实现预测性故障溯源。

6.一种蓄热式热力氧化炉的故障预测与诊断方法，其特征在于：采用权利要求1-5任一种故障预测与诊断系统，包括下述步骤：

S1：对RTO装置上的DCS数据采集系统、传感器阵列收集到的各个点位各参数关键运行数据，采用网络通信模块传输到云端数据库；

S2：通过DCS采集到的各参数历史运行数据对预测模型进行训练，拟合出最优的预测模型，根据历史运行数据结合数据因果挖掘辅助建立专家知识库，进而据此构建故障诊断因果图；

S3：基于多参数预测模型和异常参数监测模块对预测的各参数进行异常监测，一旦参数变化将出现异常，提前警报，并且将异常参数及数据作为证据参数传入因果图推论模块；

S4：根据收集到的异常参数，利用故障诊断因果图进行事件逻辑展开，并根据事件运算与化简法则对故障诊断因果图进行化简；

S5：对化简后的因果图利用贝叶斯公式计算各个故障点位的后验概率和排序概率，进而输出各个可能的故障点位和其故障概率大小。

Images