CN117251744B - 基于人工智能的窑炉运行异常状态检测方法 - Google Patents

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及基于人工智能的窑炉运行异常状态检测方法，包括：根据窑炉输入氧气对应的氧气浓度数据和输出一氧化碳对应的一氧化碳浓度数据中，滑动窗口内数据点的斜率值变化情况，对氧气浓度数据和一氧化碳浓度数据的序列段进行匹配获得滞后因子，根据滞后因子获得一氧化碳浓度数据相对于氧气浓度数据的滞后时间，并通过滞后时间结合当前时刻下的一氧化碳和氧气浓度获得一氧化碳预测浓度。本发明准确地判断了当前时刻下窑炉内部是否存在运行状态异常的情况，大大提高窑炉运行的安全性。

Description

基于人工智能的窑炉运行异常状态检测方法

技术领域

本发明涉及电子数字数据处理技术领域，具体涉及基于人工智能的窑炉运行异常状态检测方法。

背景技术

窑炉是一种高温高压的设备，如果出现异常状态，可能引发事故，对生产和人员安全造成威胁，同时，窑炉的异常状态会导致生产过程中断或者质量问题，降低生产效率。通过及时检测和处理异常状态，可以减少停机时间，提高生产效率和产品质量。

传统方法通常需要先定义阈值，判断当前时刻下获得的一氧化碳浓度数据中数值相对阈值的大小确定窑炉状态，这种方法存在一定的滞后性，无法及时对窑炉运行状态作出反应，导致对窑炉运行时进行实时性的状态检测得到的结果不准确，使得存在一定的安全隐患。

发明内容

本发明提供基于人工智能的窑炉运行异常状态检测方法，以解决现有的问题：传统方法通常需要先定义阈值，判断获得的数据中数值相对阈值的大小确定窑炉状态，而阈值设定容易受到操作人员主观意识和经验水平的影响，导致窑炉运行状态检测的结果不准确，易造成产品质量问题，并存在安全隐患。

本发明的基于人工智能的窑炉运行异常状态检测方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的窑炉运行异常状态检测方法，该方法包括以下步骤：

获取氧气浓度数据以及一氧化碳浓度数据；

对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线，根据氧气浓度曲线和一氧化碳浓度曲线，获取相同时间点下氧气浓度数据和一氧化碳浓度数据中所有数据点的斜率值；构建对氧气浓度数据或一氧化碳浓度数据进行遍历的滑动窗口，将滑动窗口内多个数据点对应斜率值所形成的序列记为序列段，根据滑动窗口内数据点的斜率值获得任意序列段的变化-匹配程度，将滑动窗口对氧气浓度数据进行遍历时得到的序列段记为氧气序列段，将滑动窗口对一氧化碳浓度数据进行遍历时得到的序列段记为一氧化碳序列段，将序列段中数值最小的时间点作为序列段的时间点，根据氧气序列段和一氧化碳序列段的变化-匹配程度和时间点的差异，获得一氧化碳序列段相对于氧气序列段的滞后因子，根据滞后因子的大小获得滞后时间；

将一氧化碳浓度数据和氧气浓度数据中当前时刻对应的数据点分别记为一氧化碳当前浓度和氧气当前浓度，根据一氧化碳当前浓度和氧气当前浓度结合滞后时间对一氧化碳当前浓度进行调节，获得一氧化碳预测数据；

通过一氧化碳预测数据对窑炉运行状态进行异常检测。

进一步的，所述对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线，根据氧气浓度曲线和一氧化碳浓度曲线，获取相同时间点下氧气浓度数据和一氧化碳浓度数据中所有数据点的斜率值，包括的具体方法为：

首先，利用最小二乘法分别对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线；

然后，分别获取氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值；

最后，在相同时间点下，将氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值，分别作为氧气浓度数据以及一氧化碳浓度数据中对应数据点的斜率值。

进一步的，所述构建对氧气浓度数据或一氧化碳浓度数据进行遍历的滑动窗口，将滑动窗口内多个数据点对应斜率值所形成的序列记为序列段，根据滑动窗口内数据点的斜率值获得任意序列段的变化-匹配程度，包括的具体方法为：

首先，利用长度为的滑动窗口对氧气浓度数据或一氧化碳浓度数据进行遍历，遍历过程中滑动窗口的步长为/>，其中/>和/>为预设的超参数；

然后，获取任意一个序列段中，所有相邻两个数据点的斜率值的正负符号不同时对应的数量，记为第一数量；

最后，任意序列段的变化-匹配程度的具体的计算方法为：

其中，表示序列段的变化-匹配程度，/>表示序列段中数据点的数量；/>表示序列段中第/>个数据点的斜率值；/>表示序列段中第/>个数据点的斜率值；/>表示第一数量。

进一步的，所述根据氧气序列段和一氧化碳序列段的变化-匹配程度和时间点的差异，获得一氧化碳序列段相对于氧气序列段的滞后因子，包括的具体方法为：

滞后因子的具体计算方法为：

其中，表示第/>个一氧化碳序列段相对于氧气序列段的滞后因子；/>表示第/>个一氧化碳序列段的变化-匹配程度；/>表示氧气序列段的变化-匹配程度；/>表示第/>个一氧化碳序列段的时间点；/>表示氧气序列段的时间点。

进一步的，所述根据滞后因子的大小获得滞后时间，包括的具体方法为：

获取所有一氧化碳序列段相对于所有氧气序列段的滞后因子最大时，所对应一氧化碳序列段和氧气序列段的时间点，分别记为一氧化碳时间点和氧气时间点，将一氧化碳时间点与氧气时间点对应数值的差值，记为一氧化碳浓度数据相对氧气浓度数据的滞后时间。

进一步的，所述根据一氧化碳当前浓度和氧气当前浓度结合滞后时间对一氧化碳当前浓度进行调节，获得一氧化碳预测数据，包括的具体方法为：

首先，根据氧气当前浓度和滞后时间获得第一变化量；

然后，一氧化碳预测数据的具体计算方法为：

其中，表示一氧化碳预测数据对应的浓度值；/>表示一氧化碳当前浓度；/>表示第一变化量；/>表示第二变化量；/>表示第三变化量。

进一步的，所述第一变化量的具体获取方法为：

将氧气当前浓度对应时刻减去滞后时间后所对应时刻下的氧气浓度数据，记为氧气历史浓度，将氧气当前浓度与氧气历史浓度的差值记为第一变化量。

进一步的，所述第二变化量的具体获取方法为：

当一氧化碳当前浓度作为一氧化碳序列段中的最后一个数据点时，将一氧化碳序列段记为一氧化碳当前序列段，将一氧化碳当前序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第二变化量。

进一步的，所述第三变化量的具体获取方法为：

当氧气历史浓度作为氧气序列段中的最后一个数据点时，将氧气序列段记为氧气历史序列段，将氧气历史序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第三变化量。

进一步的，所述通过一氧化碳预测数据对窑炉运行状态进行异常检测，包括的具体方法为：

当一氧化碳预测数据大于预设的浓度阈值时，窑炉的运行状态存在异常，增加对窑炉输入的氧气浓度。

本发明的技术方案的有益效果是：通过根据窑炉输入的氧气对应的浓度数据和输出的一氧化碳的浓度数据中，局部范围内数据点的斜率值变化情况，对氧气浓度数据和一氧化碳浓度数据的局部范围进行匹配，根据反映氧气浓度数据和一氧化碳浓度数据相近程度的滞后因子，依据窑炉产生一氧化碳相对于输入的氧气存在滞后性的特点，获得一氧化碳浓度数据相对于氧气浓度数据的滞后时间，并通过滞后时间结合当前时刻下的一氧化碳和氧气浓度对当前时刻下所输入的氧气，预测经过窑炉后所能够产生一氧化碳的浓度，以准确判断当前时刻下窑炉内部是否存在运行状态异常的情况，大大提高了窑炉运行安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于人工智能的窑炉运行异常状态检测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的窑炉运行异常状态检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的窑炉运行异常状态检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的窑炉运行异常状态检测方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集窑炉的排烟口的一氧化碳浓度数据和入风口的氧气浓度数据。

需要说明的是，本实施例需要依据窑炉的风机出风口所排出气体的流量变化以及气体中一氧化碳浓度的变化，对窑炉排烟口的一氧化碳浓度的检测数据进行修正，因此首先需要对风机出风口的气体流量数据以及排烟口一氧化碳浓度数据进行采集。

具体的，为了实现本实施例提出的基于人工智能的窑炉运行异常状态检测方法，首先需要采集气体流量数据以及一氧化碳浓度数据，具体过程为：

利用气体综合测试仪分别获取一段时间内窑炉的风机的入风口处的氧气浓度数据和排烟口的一氧化碳浓度数据。

至此，通过上述方法得到一氧化碳浓度数据和氧气浓度数据。

步骤S002：对一氧化碳浓度数据和氧气浓度数据进行遍历，获取一氧化碳浓度数据相对于氧气浓度数据的滞后时间。

需要说明的是，因为窑炉内一氧化碳气体的产生通常由于氧气不足而导致燃料不完全燃烧，所以窑炉的风机入风口的氧气吸入量和排烟口的一氧化碳浓度之间的相互关系呈负相关，并且由于需要经过窑炉内部燃烧过程，因此一氧化碳浓度的变化相对于氧气吸入量的变化有一定的滞后性。

故本实施例需要避免一氧化碳浓度数据的滞后性问题，对一氧化碳浓度数据进行修正，获得实时的修正后的一氧化碳浓度数据。

需要说明的是，为了对一氧化碳浓度数据进行修正，首先需要记录一段时间内窑炉的风机入风口的氧气吸入量数据和出风口的一氧化碳浓度数据，观察二者的随时间变化的不同，对风机出风口的氧气吸入量的变化与排烟口一氧化碳浓度的变化的差异进行分析，对于每一个时间点上的差异进行分析，获得一氧化碳浓度数据的修正因子，得到修正后的一氧化碳浓度数据。

需要说明的是，在对一氧化碳浓度数据进行修正时，需要分别对一段时间内相邻时间点的氧气浓度的变化速率以及一氧化碳浓度的变化速率进行归一化处理，对二者进行归一化后的变化速率数据进行分析，找出变化速率相同时对应的时间点以计算出可以反映一氧化碳浓度数据滞后时间的时间间隔；最后，依据相同时间间隔内氧气浓度变化与一氧化碳浓度变化的关系结合氧气浓度在检测时间点之前的滞后时间内的变化趋势，对一氧化碳浓度数据进行修正。

具体的，步骤（1），首先，利用最小二乘法分别对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线。

需要说明的是，本实施例中最小二乘法选用五元多次项函数进行曲线拟合，在应用过程中可选取其他曲线函数，本实施例不进行具体限定；另外由于最小二乘法为现有曲线拟合方法，因此本实施例不过多赘述。

需要说明的是，氧气浓度曲线和一氧化碳浓度数据的横轴表示各数据点对应的时间点，纵轴表示各数据点对应的浓度值。

然后，分别获取氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值，由氧气浓度曲线和一氧化碳浓度曲线中各自包含的所有数据点的斜率值分别形成对应的斜率曲线，即为氧气斜率曲线和一氧化碳斜率曲线。

需要说明的是，氧气浓度数据和一氧化碳浓度数据为离散的数据序列，因此氧气浓度数据和一氧化碳浓度数据中的数据点无法直接获得斜率值，因此本实施例通过拟合的曲线获得氧气浓度数据和一氧化碳浓度数据中所有数据点的斜率值。

步骤（2），计算一氧化碳浓度数据相对于氧气浓度数据的滞后时间。

需要说明的是，由于需要经过窑炉对氧气进行消耗并产生一氧化碳，因此对应的一氧化碳数据相对于氧气数据会在时间上存在一定的滞后性，为了保证窑炉内部运行正常并及时调整氧气输入，需要根据历史的一氧化碳浓度数据与氧气数据不同时间下的相似关系，对当前输入的氧气所能产生的一氧化碳对应的一氧化碳浓度数据进行估计，根据估计值判断窑炉内部是否存在运行异常的情况。

需要说明的是，计算滞后时间依靠的逻辑是选取一段氧气数据计算出其数据变化的特征，然后再一氧化碳数据段上选取同样长度的窗口进行匹配，获取变化特征相似的数据段，然后计算二者的时间差，这个时间差就是一氧化碳数据相对于氧气数据的滞后时间。对变化特征的构建主要是依据两个数据变化的相关性，由于在窑炉中氧气和一氧化碳的化学反应是在同一空间下进行的，所以两个物质的浓度数据在相邻时刻的斜率数据的比值应该是一样的，所以可以通过该依据对变化-匹配程度进行计算。

首先，利用长度为的滑动窗口对氧气浓度数据或一氧化碳浓度数据进行遍历，遍历过程中滑动窗口的步长为/>，获取氧气浓度数据中每个数据点所对应的时间点，在相同时间点下，将氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值，分别作为氧气浓度数据以及一氧化碳浓度数据中对应数据点的斜率值，氧气浓度数据以及一氧化碳浓度数据中每一个数据点都对应一个斜率值，其中/>和/>为预设的超参数。

需要说明的是，根据经验预设超参数和/>分别为5和1，可根据实际情况进行调整，本实施例不进行具体限定。

需要说明的是，在本实施例中利用滑动窗口对氧气浓度数据或一氧化碳浓度数据进行遍历时，滑动窗口的位置不是同步变化的。

然后，在滑动窗口对氧气浓度数据或一氧化碳浓度数据进行遍历过程中的任意位置下，将滑动窗口内多个数据点对应斜率值所形成的序列记为序列段，将对氧气浓度数据进行遍历时得到的序列段记为氧气序列段，将对一氧化碳浓度数据进行遍历时得到的序列段记为一氧化碳序列段，将滑动窗口中数值最小的时间点作为滑动窗口的时间点，一个滑动窗口对应一个时间点，滑动窗口对应的序列段也对应一个时间点；获取任意一个序列段中，所有相邻两个数据点的斜率值的正负符号不同时对应的数量，记为第一数量。

最后，根据斜率值获得滑动窗口对应序列段的变化-匹配程度，则任意序列段的变化-匹配程度的具体的计算方法为：

其中，表示序列段的变化-匹配程度，/>表示序列段中数据点的数量；/>表示序列段中第/>个数据点的斜率值；/>表示序列段中第/>个数据点的斜率值；/>表示第一数量。

需要说明的是，表示相邻两个数据点对应斜率值的比值，通常情况下一氧化碳浓度数据和氧气浓度数据存在相似的情况，即存在一氧化碳浓度数据和氧气浓度数据的序列段中相邻数据点的斜率值比值相近。

需要说明的是，是对序列段中相邻数据点的斜率值比值进行求和，作为后续对序列段进行匹配的主要依据；/>表示序列段中所有相邻数据点的斜率值的正负符号发生变化的次数，反映了序列段中数据点的斜率值发生变化的稳定性，/>越大表示相邻数据点的斜率值变化频繁，用于对一氧化碳浓度数据和氧气浓度数据进行匹配时的准确性越低。

步骤（3），首先，对于任意一个氧气序列段，根据一个氧气序列段与所有一氧化碳序列段的变化-匹配程度和对应时间点的差异获得所有一氧化碳序列段相对于任意一个氧气序列段的滞后因子，具体计算方法为：

其中，表示第/>个一氧化碳序列段相对于氧气序列段的滞后因子；/>表示第/>个一氧化碳序列段的变化-匹配程度；/>表示氧气序列段的变化-匹配程度；/>表示第/>个一氧化碳序列段的时间点；/>表示氧气序列段的时间点。

需要说明的是，滞后因子反映了一氧化碳序列段与氧气序列段在整体上的相近程度，即在变化-匹配程度和时间点上的相近程度；表示氧气序列段与一氧化碳序列段的变化-匹配程度的差异，差异越小，两个序列段，即氧气序列段与一氧化碳序列段之间在斜率变化方面的相近程度越高；/>表示氧气序列段与一氧化碳序列段的时间点的差异，差异越小，氧气序列段与一氧化碳序列段之间在时间上越接近，越有可能是相匹配的。

然后，获取所有一氧化碳序列段相对于所有氧气序列段的滞后因子最大时，所对应一氧化碳序列段和氧气序列段的时间点，分别记为一氧化碳时间点和氧气时间点，将一氧化碳时间点与氧气时间点对应数值的差值，记为一氧化碳浓度数据相对氧气浓度数据的滞后时间。

至此，通过上述方法得到一氧化碳浓度数据相对氧气浓度数据的滞后时间。

步骤S003：根据滞后时间、一氧化碳浓度数据以及氧气浓度数据获得一氧化碳预测数据。

需要说明的是，根据当前时刻的一氧化碳浓度数据以及对应滞后时间前的氧气浓度数据，对当前氧气浓度数据所对应的滞后时间后的一氧化碳浓度数据进行预测，获得一氧化碳预测数据。

具体的，首先，获取气体综合测试仪得到的当前时刻的一氧化碳浓度数据和氧气浓度数据，分别记为一氧化碳当前浓度和氧气当前浓度/>，将当前时刻减去滞后时间所对应时刻下的氧气浓度数据，记为氧气历史浓度/>，将氧气当前浓度/>与氧气历史浓度/>的差值记为第一变化量。

需要说明的是，一氧化碳当前浓度和氧气当前浓度分别在一氧化碳浓度数据和氧气浓度数据中对应为一个数据点，即为一氧化碳浓度数据和氧气浓度数据中各自的最后一个数据点。

然后，当一氧化碳当前浓度作为一氧化碳序列段中的最后一个数据点时，将一氧化碳序列段记为一氧化碳当前序列段，将一氧化碳当前序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第二变化量；当氧气历史浓度作为氧气序列段中的最后一个数据点时，将氧气序列段记为氧气历史序列段，将氧气历史序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第三变化量。

最后，一氧化碳预测数据的具体计算方法为：

其中，表示一氧化碳预测数据对应的浓度值；/>表示一氧化碳当前浓度；/>表示第一变化量；/>表示第二变化量；/>表示第三变化量。

需要说明的是，预测因子表示在氧气历史序列段和一氧化碳当前序列段内一氧化碳与氧气浓度值对应变化量之间的比值，反映二者的变化速率之间的比值关系。预测参数/>表示通过预测因子对第一变化量进行乘积调节，使得可以根据历史的一氧化碳浓度和氧气浓度的变化量对当前的一氧化碳浓度数据进行调节，以准确获得一氧化碳浓度的预测值，即一氧化碳预测数据。

至此，通过上述方法得到一氧化碳预测数据。

步骤S004：根据一氧化碳预测数据的大小对窑炉运行状态进行异常检测。

具体的，当一氧化碳预测数据大于预设的浓度阈值时，窑炉的运行状态存在异常，内部未能充分燃烧，发出预警信息以提示工作人员增加对窑炉输入的氧气浓度。

需要说明的是，根据经验预设浓度阈值为50mg/m³，可根据实际情况进行调整，本实施例不进行具体限定。

需要说明的是，对于修正后一氧化碳浓度超标的窑炉，可通过合理的燃烧调整、燃烧工艺的改进，提高燃烧效率和燃烧温度，减少一氧化碳的生成；同时加强对窑炉的维护和操作管理，确保炉内设备的正常运行，检查和修复可能存在的漏风、堵塞或不完全燃烧等问题，以降低一氧化碳的排放；并考虑使用如低硫燃料或具有更高纯度和燃烧效率的燃料，以降低一氧化碳的生成；控制窑炉的操作温度和加热过程，避免过高的温度和不良的燃烧条件，以减少一氧化碳的生成；保持风机输入功率的稳定，使得窑炉内保持充足的氧气供应。

需要说明的是，本实施例中各计算公式中的0.1为预设的超参数，目的为保证分式成立，避免分母为0的情况，可根据具体情况进行调整，本实施例不进行具体限定。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于人工智能的窑炉运行异常状态检测方法，其特征在于，该方法包括以下步骤：

获取氧气浓度数据以及一氧化碳浓度数据；

对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线，根据氧气浓度曲线和一氧化碳浓度曲线，获取相同时间点下氧气浓度数据和一氧化碳浓度数据中所有数据点的斜率值；构建对氧气浓度数据或一氧化碳浓度数据进行遍历的滑动窗口，将滑动窗口内多个数据点对应斜率值所形成的序列记为序列段，根据滑动窗口内数据点的斜率值获得任意序列段的变化-匹配程度，将滑动窗口对氧气浓度数据进行遍历时得到的序列段记为氧气序列段，将滑动窗口对一氧化碳浓度数据进行遍历时得到的序列段记为一氧化碳序列段，将序列段中数值最小的时间点作为序列段的时间点，根据氧气序列段和一氧化碳序列段的变化-匹配程度和时间点的差异，获得一氧化碳序列段相对于氧气序列段的滞后因子，根据滞后因子的大小获得滞后时间；

将一氧化碳浓度数据和氧气浓度数据中当前时刻对应的数据点分别记为一氧化碳当前浓度和氧气当前浓度，根据一氧化碳当前浓度和氧气当前浓度结合滞后时间对一氧化碳当前浓度进行调节，获得一氧化碳预测数据；

通过一氧化碳预测数据对窑炉运行状态进行异常检测；

所述根据一氧化碳当前浓度和氧气当前浓度结合滞后时间对一氧化碳当前浓度进行调节，获得一氧化碳预测数据，包括的具体方法为：

首先，根据氧气当前浓度和滞后时间获得第一变化量；

然后，一氧化碳预测数据的具体计算方法为：

其中，表示一氧化碳预测数据对应的浓度值；/>表示一氧化碳当前浓度；/>表示第一变化量；/>表示第二变化量；/>表示第三变化量；

所述第一变化量的具体获取方法为：

将氧气当前浓度对应时刻减去滞后时间后所对应时刻下的氧气浓度数据，记为氧气历史浓度，将氧气当前浓度与氧气历史浓度的差值记为第一变化量；

所述第二变化量的具体获取方法为：

当一氧化碳当前浓度作为一氧化碳序列段中的最后一个数据点时，将一氧化碳序列段记为一氧化碳当前序列段，将一氧化碳当前序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第二变化量；

所述第三变化量的具体获取方法为：

当氧气历史浓度作为氧气序列段中的最后一个数据点时，将氧气序列段记为氧气历史序列段，将氧气历史序列段中最后一个数据点与第一个数据点对应浓度值的差值记为第三变化量。

2.根据权利要求1所述基于人工智能的窑炉运行异常状态检测方法，其特征在于，所述对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线，根据氧气浓度曲线和一氧化碳浓度曲线，获取相同时间点下氧气浓度数据和一氧化碳浓度数据中所有数据点的斜率值，包括的具体方法为：

首先，利用最小二乘法分别对氧气浓度数据和一氧化碳浓度数据进行曲线拟合，分别获得氧气浓度曲线和一氧化碳浓度曲线；

然后，分别获取氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值；

最后，在相同时间点下，将氧气浓度曲线和一氧化碳浓度曲线中所有数据点的斜率值，分别作为氧气浓度数据以及一氧化碳浓度数据中对应数据点的斜率值。

3.根据权利要求1所述基于人工智能的窑炉运行异常状态检测方法，其特征在于，所述构建对氧气浓度数据或一氧化碳浓度数据进行遍历的滑动窗口，将滑动窗口内多个数据点对应斜率值所形成的序列记为序列段，根据滑动窗口内数据点的斜率值获得任意序列段的变化-匹配程度，包括的具体方法为：

首先，利用长度为的滑动窗口对氧气浓度数据或一氧化碳浓度数据进行遍历，遍历过程中滑动窗口的步长为/>，其中/>和/>为预设的超参数；

然后，获取任意一个序列段中，所有相邻两个数据点的斜率值的正负符号不同时对应的数量，记为第一数量；

最后，任意序列段的变化-匹配程度的具体的计算方法为：

其中，表示序列段的变化-匹配程度，/>表示序列段中数据点的数量；/>表示序列段中第/>个数据点的斜率值；/>表示序列段中第/>个数据点的斜率值；/>表示第一数量。

4.根据权利要求1所述基于人工智能的窑炉运行异常状态检测方法，其特征在于，所述根据氧气序列段和一氧化碳序列段的变化-匹配程度和时间点的差异，获得一氧化碳序列段相对于氧气序列段的滞后因子，包括的具体方法为：

滞后因子的具体计算方法为：

其中，表示第/>个一氧化碳序列段相对于氧气序列段的滞后因子；/>表示第/>个一氧化碳序列段的变化-匹配程度；/>表示氧气序列段的变化-匹配程度；/>表示第/>个一氧化碳序列段的时间点；/>表示氧气序列段的时间点。

5.根据权利要求1所述基于人工智能的窑炉运行异常状态检测方法，其特征在于，所述根据滞后因子的大小获得滞后时间，包括的具体方法为：

获取所有一氧化碳序列段相对于所有氧气序列段的滞后因子最大时，所对应一氧化碳序列段和氧气序列段的时间点，分别记为一氧化碳时间点和氧气时间点，将一氧化碳时间点与氧气时间点对应数值的差值，记为一氧化碳浓度数据相对氧气浓度数据的滞后时间。

6.根据权利要求1所述基于人工智能的窑炉运行异常状态检测方法，其特征在于，所述通过一氧化碳预测数据对窑炉运行状态进行异常检测，包括的具体方法为：

当一氧化碳预测数据大于预设的浓度阈值时，窑炉的运行状态存在异常，增加对窑炉输入的氧气浓度。