CN117436593A - 基于人工智能的焚烧炉系统故障预测方法及系统 - Google Patents
基于人工智能的焚烧炉系统故障预测方法及系统 Download PDFInfo
- Publication number
- CN117436593A CN117436593A CN202311741959.6A CN202311741959A CN117436593A CN 117436593 A CN117436593 A CN 117436593A CN 202311741959 A CN202311741959 A CN 202311741959A CN 117436593 A CN117436593 A CN 117436593A
- Authority
- CN
- China
- Prior art keywords
- incineration
- fault
- instance
- incineration control
- control instance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 98
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 28
- 230000000750 progressive effect Effects 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 239000000446 fuel Substances 0.000 description 42
- 239000002023 wood Substances 0.000 description 23
- 238000002485 combustion reaction Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 239000003245 coal Substances 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 239000002894 chemical waste Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Incineration Of Waste (AREA)
Abstract
本申请实施例提供一种基于人工智能的焚烧炉系统故障预测方法及系统,将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,通过故障检测网络对其涵盖的故障路径矢量进行检测,并以此生成对应的实例聚类属性和焚烧异常类别,可以有效地模拟特定焚烧控制实例对焚烧控制实例的影响,并预测可能出现的异常情况。进一步地,通过执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,能够更深入地理解各种操作指令如何影响焚烧过程。最后,通过构建知识成员和知识链路,并生成焚烧故障知识图谱,实现了对焚烧炉系统中各种可能故障的全面、深入的理解和分析。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于人工智能的焚烧炉系统故障预测方法及系统。
背景技术
焚烧炉系统是处理各类废弃物,如垃圾、化学废料等的重要设备。在其运行过程中,由于操作参数、环境条件、设备状态等多种因素的影响,可能会出现各种故障。这些故障不仅影响了焚烧炉系统的正常运行和效率,还可能对环境和人员安全构成威胁。
传统的故障检测方法通常基于规则或者经验,需要人工设定故障阈值和警告级别,而且往往只能在故障发生后才能进行检测和处理,缺乏预测和前瞻性。另外,由于焚烧炉系统的复杂性和故障类型的多样性,这些方法的准确性和可靠性也无法得到保证。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于人工智能的焚烧炉系统故障预测方法及系统。
第一方面,本申请提供一种基于人工智能的焚烧炉系统故障预测方法,应用于故障诊断系统,所述方法包括:
将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,调用故障检测网络检测所述基础焚烧控制实例中涵盖的故障路径矢量;
对所述基础焚烧控制实例进行聚类,生成所述基础焚烧控制实例所对应的实例聚类属性,以及所述基础焚烧控制实例在相应焚烧控制实例聚类簇中所对应的焚烧异常类别,焚烧控制实例聚类簇用于反映关联焚烧异常操作的序列,每个焚烧异常操作对应所述焚烧炉系统的一个目标焚烧控制实例;
执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,生成所述基础焚烧控制实例关联的进展焚烧控制实例,并获取所述进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别;
轮询执行将每个进展焚烧控制实例作为新的基础焚烧控制实例,获取所述新的基础焚烧控制实例所关联的进展焚烧控制实例,以及获取每个进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别;
基于所述焚烧炉系统中的每个目标焚烧控制实例构建知识成员,以及基于所述焚烧炉系统中的基础焚烧控制实例与进展焚烧控制实例之间的实例关系构建成员知识链路,并标记各知识成员的实例聚类属性和焚烧异常类别,生成所述焚烧炉系统的焚烧故障知识图谱,以基于所述焚烧炉系统的焚烧故障知识图谱执行任意异常焚烧控制实例的焚烧故障预测操作。
在第一方面的一种可能的实施方式中,对所述基础焚烧控制实例进行聚类,生成所述基础焚烧控制实例所对应的实例聚类属性,以及所述基础焚烧控制实例在相应焚烧控制实例聚类簇中所对应的焚烧异常类别,包括:
获取已存储的多个焚烧控制实例聚类簇;
计算所述基础焚烧控制实例与各焚烧控制实例聚类簇的焚烧异常操作关联值,依据所述焚烧异常操作关联值确定出所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,并获得相应的实例聚类属性;
计算所述基础焚烧控制实例与所述焚烧控制实例聚类簇中各焚烧异常操作的故障路径关联值,依据所述故障路径关联值确定出所述基础焚烧控制实例所对应的焚烧异常操作,并获得相应的焚烧异常类别。
在第一方面的一种可能的实施方式中,将最大焚烧异常操作关联值的焚烧控制实例聚类簇作为所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,将最大故障路径关联值的焚烧控制实例作为所述基础焚烧控制实例所对应的焚烧异常操作;所述方法还包括:
如果所述最大焚烧异常操作关联值小于第一阈值,则添加一个新的焚烧控制实例聚类簇,将所述基础焚烧控制实例加载至所述新的焚烧控制实例聚类簇中,并生成相应的实例聚类属性和焚烧异常类别;
如果所述最大故障路径关联值小于第二阈值,则将所述基础焚烧控制实例存储为新的焚烧异常操作,并生成相应的焚烧异常类别。
在第一方面的一种可能的实施方式中,所述执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,包括:
依据下述操作每次选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行:
如果故障路径矢量之间存在触发次序,则依据所述触发次序依次执行仿真流程以虚拟化运行对各故障路径矢量的参数应用指令; 若故障路径矢量之间不存在触发次序,则检测未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,并选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行;
如果所述基础焚烧控制实例中全部的故障路径矢量均已执行仿真流程以虚拟化运行了参数应用指令,则在已存储的知识图谱中查找所述基础焚烧控制实例关联的进展焚烧异常操作中是否存在未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,如果存在,则选择所述基础焚烧控制实例中用于运行所述进展焚烧异常操作的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行;如果不存在,在选择所述基础焚烧控制实例中设定类别的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行,所述设定类别用于反映焚烧炉系统的停止操作;
如果以上条件都不满足,则随机选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。
在第一方面的一种可能的实施方式中,所述方法还包括:
如果所述故障检测网络未检测到所述基础焚烧控制实例中含有故障路径矢量,则将所述基础焚烧控制实例的下一焚烧控制实例调整为基础焚烧控制实例继续执行处理;
如果连续多个焚烧控制实例中均未检测到故障路径矢量,则从当前基础焚烧控制实例中随机选择一个焚烧控制实例的运行进程执行仿真流程以虚拟化运行参数应用指令,将获得的进展焚烧控制实例调整为基础焚烧控制实例继续执行处理。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取包含有多个样本焚烧控制实例的样本学习数据序列,各样本焚烧控制实例携带各故障路径矢量的标注数据,并确定每个标注数据对应的样本数量;
依据每个标注数据对应的样本数量与设定数量之间的比较结果,在所述样本学习数据序列中进行数据增强处理,以使数据增强处理后的每个标注数据的故障路径矢量的样本数量符合所述设定数量所对应的条件;
基于数据增强处理后的样本学习数据序列对初始化神经网络进行参数更新,生成所述故障检测网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
在所述焚烧故障知识图谱中配置始端知识成员和末端知识成员,并生成所述始端知识成员到所述末端知识成员的故障链路;
依据所述始端知识成员到所述末端知识成员的故障链路,对所述焚烧故障知识图谱进行更新。
在第一方面的一种可能的实施方式中,所述在所述焚烧故障知识图谱中指定始端知识成员和末端知识成员,并生成所述始端知识成员到所述末端知识成员的故障链路,包括:
在所述焚烧故障知识图谱中轮询所述始端知识成员与所述末端知识成员之间的目标链路;
将所述目标链路上相依赖的两个知识成员作为第一成员和第二成员,在所述焚烧故障知识图谱中查找所述第一成员到所述第二成员的链路代价值大于设定链路代价值的目标链路,所述链路代价值对应所述第一成员与所述第二成员之间的成员知识链路的数量;
将所述目标链路与所述目标链路进行融合,生成衍生链路;
将所述目标链路和所述衍生链路作为所述始端知识成员到所述末端知识成员的故障链路。
在第一方面的一种可能的实施方式中,所述方法还包括:
对所述故障链路进行重现处理,并在所述重现处理的过程中检测重现链路中的每个目标焚烧控制实例是否与所述故障链路中的相应焚烧控制实例匹配;
如果不匹配,则使用重现的目标焚烧控制实例对所述故障链路中的相应焚烧控制实例进行跳转,并依据跳转后的故障链路相应跳转所述焚烧故障知识图谱;
所述对所述故障链路进行重现处理,并在所述重现处理的过程中检测重现链路中的每个目标焚烧控制实例是否与所述故障链路中的相应焚烧控制实例匹配,包括:
依次加载所述故障链路中的每个知识成员焚烧控制实例; 获取所述故障链路中的第一成员,并以所述第一成员作为基础焚烧控制实例进行相应的焚烧故障关联关系检测;
在检测过程中比较所生成的每个进展焚烧控制实例是否与所述故障链路中的相应知识成员的焚烧控制实例特征匹配。
第二方面,本申请实施例还提供一种故障诊断系统,所述故障诊断系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的焚烧炉系统故障预测方法。
采用以上任意方面的技术方案,将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,通过故障检测网络对其涵盖的故障路径矢量进行检测,并以此生成对应的实例聚类属性和焚烧异常类别。这一流程可以有效地模拟特定指令对焚烧控制实例的影响,并预测可能出现的异常情况。进一步地,还提供了执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令的方法,从而生成所述基础焚烧控制实例关联的进展焚烧控制实例,并获取这些进展焚烧控制实例对应的实例聚类属性和焚烧异常类别,可以使得能够更深入地理解各种操作指令如何影响焚烧过程,从而有助于优化设备运行和预防可能的故障。另外,通过轮询执行将每个进展焚烧控制实例作为新的基础焚烧控制实例的操作,实现了连续的故障预测和分析,从而大大提高了故障预测的准确性和效率。最后,通过构建知识成员和知识链路,并生成焚烧故障知识图谱,实现了对焚烧炉系统中各种可能故障的全面、深入的理解和分析。这不仅可以为设备运行提供强大的支持,更可以根据这个知识图谱执行任意异常焚烧控制实例的焚烧故障预测操作,进一步提高了设备的运行稳定性和安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的焚烧炉系统故障预测方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于人工智能的焚烧炉系统故障预测方法的故障诊断系统的网络组成数据示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种基于人工智能的焚烧炉系统故障预测方法,包括以下步骤。
步骤S110,将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,调用故障检测网络检测所述基础焚烧控制实例中涵盖的故障路径矢量。
例如,这一步在软件模拟的焚烧炉系统中,首先创建一个基础焚烧控制实例,该基础焚烧控制实例可以理解为初始化运行焚烧控制实例,这可能包括燃料类型、供应方式、炉温等基础参数设定的焚烧控制实例。然后调用预先训练好的故障检测网络来分析这个基础焚烧控制实例,根据各种不同的输入参数和运行状态,寻找可能引发特定类型故障(如燃料供应中断、排气系统堵塞)的故障路径矢量。
示例性的,假设有一个焚烧炉系统,它已经进行了初始化运行,生成了一个基础焚烧控制实例。这个基础焚烧控制实例包含了很多信息,例如燃料类型(比如木材)、供应方式(比如手动添加)、状态数据(比如炉温200摄氏度)等。在焚烧炉系统中,基础焚烧控制实例的状态数据可以包括以下几种:
1. 温度数据:这是最重要的参数,通常包括炉温、烟气出口温度、预热器入口和出口温度等。例如,如果炉温过高或者过低,都可能意味着存在问题。过高的温度可能会导致设备损坏,而过低的温度则可能影响焚烧效率。
2. 压力数据:包括炉膛压力、燃气供应压力、冷却水压力等。例如,如果炉膛压力过大,可能会引发安全风险;如果燃气供应压力过低,可能会影响燃烧效率。
3. 流量数据:包括燃气流量、空气流量、冷却水流量等。例如,如果燃气流量过大或者过小,都可能导致燃烧不充分或者燃气浪费。
4. 成分数据:如烟气中的二氧化碳、硫化氢、氮氧化物等成分的含量。例如,如果烟气中二氧化碳的含量过高,可能意味着燃烧不充分;如果硫化氢含量过高,则可能对环境造成污染。
5. 设备状态数据:如炉膛门开关状态、燃气阀门开关状态、冷却系统运行状态等。例如,如果炉膛门频繁开关,可能会导致温度波动,影响焚烧效率;如果燃气阀门无法正常开关,可能会导致安全风险。
这些状态数据可以通过传感器实时采集并输入到故障检测与预测系统中,用于实时监控和预测焚烧炉的运行状态。
接下来,需要调用故障检测网络来检测这个基础焚烧控制实例中可能存在的故障路径。这个故障检测网络是一个预先训练好的神经网络模型,它可以根据输入的实例参数来预测可能发生的故障。
具体来说,将基础焚烧控制实例的各项参数(燃料类型、供应方式、炉温等)输入到故障检测网络中。然后,可以输出一个故障路径矢量,这个矢量描述了在当前的实例参数下,可能出现的故障以及这些故障发生的概率。
例如,可能会输出这样一个矢量:[0.1,0.9],其中第一位(0.1)表示在当前实例参数下,发生燃料供应中断的概率是10%,第二位(0.9)表示炉温异常升高的概率是90%。这就是所说的故障路径矢量。
通过这种方式,可以预先了解到在特定实例参数下,可能发生的各种故障以及它们发生的概率,从而为后续的焚烧控制提供参考。
步骤S120,对所述基础焚烧控制实例进行聚类,生成所述基础焚烧控制实例所对应的实例聚类属性,以及所述基础焚烧控制实例在相应焚烧控制实例聚类簇中所对应的焚烧异常类别,焚烧控制实例聚类簇用于反映关联焚烧异常操作的序列,每个焚烧异常操作对应所述焚烧炉系统的一个目标焚烧控制实例。
例如,在这个步骤中,基于上一步获取到的故障路径矢量,可以将基础焚烧控制实例进行聚类处理。例如,可以根据可能出现的故障类型(如燃料供应中断、排气系统堵塞)进行分类,生成每个基础焚烧控制实例对应的实例聚类属性和对应的焚烧异常类别。
示例性的,每个基础焚烧控制实例都包含了炉温、燃料类型、供应方式等参数,并且每个基础焚烧控制实例都通过故障检测网络得到了对应的故障路径矢量。
在聚类阶段,首先,使用聚类算法(例如K-means或DBSCAN)将这些基础焚烧控制实例根据他们的属性和故障路径矢量进行分类。比如,所有炉温在200-300摄氏度,燃料类型为木材,供应方式为手动添加,故障路径矢量中炉温过高概率大于80%的基础焚烧控制实例可能会被归入同一个焚烧控制实例聚类簇。
然后,根据焚烧控制实例聚类簇中实例的故障路径矢量来为这个焚烧控制实例聚类簇标记一个异常类别。例如,如果该焚烧控制实例聚类簇中的大部分基础焚烧控制实例都显示出炉温过高的高概率,那么可以将此焚烧控制实例聚类簇标记为“炉温过高”。
这些焚烧控制实例聚类簇可以帮助反映出与特定燃烧状态相关的异常操作序列。例如,在“炉温过高”的焚烧控制实例聚类簇中,可能包含了一系列与炉温过高有关的操作序列,比如先是正常加热,然后是炉温逐渐上升,最后触发了过热警告。每个异常操作都对应着一个目标焚烧控制实例。例如,“触发过热警告”这个异常操作可能对应着一个炉温达到300摄氏度,需要进行降温处理的焚烧控制实例。
通过以上步骤,就可以从基础焚烧控制实例和对应的故障路径矢量,得到焚烧控制实例聚类簇,然后通过分析这些焚烧控制实例聚类簇,可以预测在某种特定的焚烧状态下,可能会发生哪些异常操作,并找到对应的目标焚烧控制实例,从而为后续的焚烧控制提供参考。
示例性的,首先假设每个基础焚烧控制实例包含如下信息:
- 状态数据:如炉温:200摄氏度、210摄氏度、220摄氏度等
- 燃料类型:木材、塑料、纸张等
- 供应方式:手动、自动等
- 故障路径矢量:[0.1,0.9]、[0.2,0.8]、[0.3,0.7]等
现在,要对这些基础焚烧控制实例进行聚类。比如,可以使用聚类算法将所有炉温在200-220摄氏度、燃料类型为木材、供应方式为手动、故障路径矢量第二位值(代表炉温过高概率)大于0.8的实例归入一个焚烧控制实例聚类簇。此时,该焚烧控制实例聚类簇所对应的实例聚类属性就是这些特性(炉温200-220摄氏度、燃料类型为木材、供应方式为手动、炉温过高概率大于0.8)。
接下来,为每个焚烧控制实例聚类簇标记一个焚烧异常类别。在这个例子中,由于按照故障路径矢量第二位值(代表炉温过高概率)大于0.8来进行聚类的,所以该焚烧控制实例聚类簇对应的焚烧异常类别就是"炉温过高"。
然后,将这个焚烧控制实例聚类簇用来反映关联的焚烧异常操作序列。在这个例子中,如果焚烧控制实例聚类簇对应的异常类别是"炉温过高",那么相应的异常操作序列可能包括:正常加热 -> 炉温逐渐上升 -> 炉温过高警告。
最后,每个焚烧异常操作对应着一个目标焚烧控制实例。比如,“炉温过高警告”这个异常操作可能对应着一个炉温达到230摄氏度、需要进行降温处理的目标焚烧控制实例。
通过以上步骤,就可以预测出在某种特定的焚烧状态下,可能会发生哪些异常操作,并找到对应的目标焚烧控制实例,从而为后续的焚烧控制提供参考。
步骤S130,执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,生成所述基础焚烧控制实例关联的进展焚烧控制实例,并获取所述进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别。
例如,在此阶段,对每一个可能导致故障的故障路径矢量,可以运行仿真过程,根据具体的参数设定(例如,刻意让燃料供应中断或者排气系统堵塞),模拟出所述基础焚烧控制实例关联的不同的进展焚烧控制实例,并获取这些进展焚烧控制实例对应的聚类属性和焚烧异常类别。
示例性的,首先,有一系列基础焚烧控制实例,假设其中一个基础焚烧控制实例的属性如下:{炉温: 200摄氏度,燃料类型: 木材,供应方式: 手动},并且其对应的故障路径矢量为[0.1,0.9],表示炉温过高的概率为90%。
接下来,要执行仿真流程以虚拟化运行对这个故障路径矢量的参数应用指令。例如,选择的参数应用指令是"增加炉温20摄氏度"。应用指令后,通过仿真流程生成一个进展焚烧控制实例。在此例中,新的进展焚烧控制实例可能如下:{炉温: 220摄氏度,燃料类型:木材,供应方式: 手动}。因为炉温增加,所以新的故障路径矢量可能会变为[0.05,0.95],表示炉温过高的概率提升到了95%。接下来,需要获取这个进展焚烧控制实例的实例聚类属性和焚烧异常类别。为此,将所有进展焚烧控制实例按照其属性和故障路径矢量进行聚类。在这个例子中,因为进展焚烧控制实例的故障路径矢量变为了[0.05,0.95],它可能会被分到一个新的聚类簇,比如"严重过热"。
所以,通过这种方式,可以模拟特定指令对焚烧控制实例的影响,并预测可能出现的异常情况。例如,在本例中,如果选择的操作是"增加炉温20摄氏度",那么最可能发生的异常就是"严重过热"。
步骤S140,轮询执行将每个进展焚烧控制实例作为新的基础焚烧控制实例,获取所述新的基础焚烧控制实例所关联的进展焚烧控制实例,以及获取每个进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别。
例如,一旦生成了一系列的进展焚烧控制实例,将这些进展焚烧控制实例视为新的基础焚烧控制实例,再进行一轮仿真流程。通过这种方式,可以持续生成更多的进展焚烧控制实例,并得出这些新的进展焚烧控制实例的实例聚类属性和焚烧异常类别。
步骤S150,基于所述焚烧炉系统中的每个目标焚烧控制实例构建知识成员,以及基于所述焚烧炉系统中的基础焚烧控制实例与进展焚烧控制实例之间的实例关系构建成员知识链路,并标记各知识成员的实例聚类属性和焚烧异常类别,生成所述焚烧炉系统的焚烧故障知识图谱,以基于所述焚烧炉系统的焚烧故障知识图谱执行任意异常焚烧控制实例的焚烧故障预测操作。
例如,可以基于所有生成的目标焚烧控制实例构建焚烧故障知识图谱。其中,每个知识成员代表一个目标焚烧控制实例,根据它们之间的关系构建成员知识链路。然后,对每个知识成员进行标记,包括它的实例聚类属性和焚烧异常类别。最后,就可以通过这个的焚烧故障知识图谱预测任意新的异常焚烧控制实例可能出现的故障类型。
示例性的,以下是这些目标焚烧控制实例的一些可能性,以状态数据为炉温为例:
1. 实例A:{炉温: 200摄氏度,燃料类型: 木材,供应方式: 手动}
2. 实例B:{炉温: 220摄氏度,燃料类型: 木材,供应方式: 手动}
3. 实例C:{炉温: 240摄氏度,燃料类型: 木材,供应方式: 手动}
4. 实例D:{炉温: 260摄氏度,燃料类型: 木材,供应方式: 手动}
5. 实例E:{炉温: 280摄氏度,燃料类型: 木材,供应方式: 手动}
6. 实例F:{炉温: 200摄氏度,燃料类型: 煤,供应方式: 手动}
7. 实例G:{炉温: 220摄氏度,燃料类型: 煤,供应方式: 手动}
8. 实例H:{炉温: 240摄氏度,燃料类型: 煤,供应方式: 手动}
9. 实例I:{炉温: 260摄氏度,燃料类型: 煤,供应方式: 手动}
10. 实例J:{炉温: 280摄氏度,燃料类型: 煤,供应方式: 手动}
然后,建立这些知识成员之间的链路。比如,如果在实例A中增加炉温,就可能到达实例B,那么就有一个从A到B的链路,代表“增加炉温”这个操作。类似地,也可以从实例B到实例C、从实例C到实例D等等。
接下来,需要标记每个知识成员的实例聚类属性和焚烧异常类别。比如,实例A、B、F、G可能属于“正常工作”类别,因为它们的炉温都在安全范围内;而实例E和J可能属于“严重过热”类别,因为它们的炉温过高。
有了以上信息,就可以生成焚烧故障知识图谱了。当焚烧炉系统运行在某个特定实例时,可以通过查看焚烧故障知识图谱,预测可能出现的故障,并找到相应的处理方法。例如,如果当前在实例D({炉温: 260摄氏度,燃料类型: 木材,供应方式: 手动}),可以预测接下来可能会发生“过热”故障,而解决方法可能是减少燃料供应量或者增加冷却水流量。
基于以上步骤,本申请将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,通过故障检测网络对其涵盖的故障路径矢量进行检测,并以此生成对应的实例聚类属性和焚烧异常类别。这一流程可以有效地模拟特定指令对焚烧控制实例的影响,并预测可能出现的异常情况。进一步地,还提供了执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令的方法,从而生成所述基础焚烧控制实例关联的进展焚烧控制实例,并获取这些进展焚烧控制实例对应的实例聚类属性和焚烧异常类别,可以使得能够更深入地理解各种操作指令如何影响焚烧过程,从而有助于优化设备运行和预防可能的故障。另外,通过轮询执行将每个进展焚烧控制实例作为新的基础焚烧控制实例的操作,实现了连续的故障预测和分析,从而大大提高了故障预测的准确性和效率。最后,通过构建知识成员和知识链路,并生成焚烧故障知识图谱,实现了对焚烧炉系统中各种可能故障的全面、深入的理解和分析。这不仅可以为设备运行提供强大的支持,更可以根据这个知识图谱执行任意异常焚烧控制实例的焚烧故障预测操作,进一步提高了设备的运行稳定性和安全性。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,获取已存储的多个焚烧控制实例聚类簇。
步骤S122,计算所述基础焚烧控制实例与各焚烧控制实例聚类簇的焚烧异常操作关联值,依据所述焚烧异常操作关联值确定出所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,并获得相应的实例聚类属性。
步骤S123,计算所述基础焚烧控制实例与所述焚烧控制实例聚类簇中各焚烧异常操作的故障路径关联值,依据所述故障路径关联值确定出所述基础焚烧控制实例所对应的焚烧异常操作,并获得相应的焚烧异常类别。
例如,假设有一批基础焚烧控制实例(例如实例A-J)。首先,可以根据这些实例的属性(如炉温、燃料类型和供应方式)进行聚类。例如,所有炉温在200-300摄氏度、燃料类型为木材、供应方式为手动的实例可能会被归入同一个聚类簇。然后,为每个聚类簇分配一个对应的焚烧异常类别,例如“炉温过高”。
通过获取已存储的多个焚烧控制实例聚类簇,表示从数据库或其他存储系统中获取了已经分类好的焚烧控制实例聚类簇。这些聚类簇可能是根据历史数据创建的,也可能是通过机器学习模型预测生成的。
接下来,需要计算基础焚烧控制实例与各焚烧控制实例聚类簇之间的关联性。这可能是通过比较它们的属性(例如炉温、燃料类型和供应方式)以及它们的故障路径矢量来完成的。然后,根据这些关联值将基础焚烧控制实例分配到最相关的聚类簇,并获取该聚类簇的实例聚类属性。
然后,需要计算基础焚烧控制实例与它所属的聚类簇中的各焚烧异常操作之间的关联性。然后,根据这些关联值确定该实例对应的焚烧异常操作,并获取该操作的异常类别。
在一种可能的实施方式中,将最大焚烧异常操作关联值的焚烧控制实例聚类簇作为所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,将最大故障路径关联值的焚烧控制实例作为所述基础焚烧控制实例所对应的焚烧异常操作。
基于此,如果所述最大焚烧异常操作关联值小于第一阈值,则添加一个新的焚烧控制实例聚类簇,将所述基础焚烧控制实例加载至所述新的焚烧控制实例聚类簇中,并生成相应的实例聚类属性和焚烧异常类别。
如果所述最大故障路径关联值小于第二阈值,则将所述基础焚烧控制实例存储为新的焚烧异常操作,并生成相应的焚烧异常类别。
例如,如果发现一个基础焚烧控制实例与任何现有的聚类簇的关联度都不高(即其最大焚烧异常操作关联值小于设定的阈值),就会创建一个新的聚类簇,并将该实例添加到新的聚类簇中。然后,为这个新的聚类簇生成相应的实例聚类属性和焚烧异常类别。如果发现一个基础焚烧控制实例与它所属聚类簇中的任何焚烧异常操作的关联度都不高(即其最大故障路径关联值小于设定的阈值),就会将该实例存储为新的焚烧异常操作,并为这个新的异常操作生成相应的异常类别。
在一种可能的实施方式中,步骤S130可以包括:
依据下述操作每次选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行:
步骤S131,如果故障路径矢量之间存在触发次序,则依据所述触发次序依次执行仿真流程以虚拟化运行对各故障路径矢量的参数应用指令。 若故障路径矢量之间不存在触发次序,则检测未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,并选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。
步骤S132,如果所述基础焚烧控制实例中全部的故障路径矢量均已执行仿真流程以虚拟化运行了参数应用指令,则在已存储的知识图谱中查找所述基础焚烧控制实例关联的进展焚烧异常操作中是否存在未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,如果存在,则选择所述基础焚烧控制实例中用于运行所述进展焚烧异常操作的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。如果不存在,在选择所述基础焚烧控制实例中设定类别的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行,所述设定类别用于反映焚烧炉系统的停止操作。
步骤S133,如果以上条件都不满足,则随机选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。
例如,首先,假设有一系列基础焚烧控制实例。一个具体的基础焚烧控制实例的属性如下:{炉温: 200摄氏度,燃料类型: 木材,供应方式: 手动},并且其对应的故障路径矢量为[0.1,0.9],表示炉温过高的概率为90%。
如果故障路径矢量之间存在触发次序,例如第一个参数是炉温,第二个参数是燃料类型,那么就依据这个触发次序依次执行仿真流程以虚拟化运行对各故障路径矢量的参数应用指令。例如,首先执行"增加炉温20摄氏度"的指令,然后执行"更换燃料类型为石油"的指令。
若故障路径矢量之间不存在触发次序,例如只知道故障路径矢量为[0.1,0.9],但不清楚哪个参数应该先调整,那么就需要检测未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,并选择一个进行参数应用指令的执行仿真流程以虚拟化运行。例如,可以选择"增加炉温20摄氏度"的指令进行执行。
如果所述基础焚烧控制实例中全部的故障路径矢量均已执行仿真流程以虚拟化运行了参数应用指令,例如炉温和燃料类型都已经调整过了,那么就需要在已存储的知识图谱中查找该基础焚烧控制实例关联的进展焚烧异常操作中是否存在未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量。如果存在,例如还没有对供应方式进行调整,那么就需要选择这个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行,例如执行"更改供应方式为自动"的指令。
如果以上条件都不满足,例如所有可能的故障路径矢量都已经调整过了,那么就需要随机选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。例如,可以随机选择"增加炉温10摄氏度"的指令进行执行。
在一种可能的实施方式中,如果所述故障检测网络未检测到所述基础焚烧控制实例中含有故障路径矢量,则将所述基础焚烧控制实例的下一焚烧控制实例调整为基础焚烧控制实例继续执行处理。如果连续多个焚烧控制实例中均未检测到故障路径矢量,则从当前基础焚烧控制实例中随机选择一个焚烧控制实例的运行进程执行仿真流程以虚拟化运行参数应用指令,将获得的进展焚烧控制实例调整为基础焚烧控制实例继续执行处理。
例如,假设正在运行实例A({炉温: 200摄氏度, 燃料类型: 木材, 供应方式: 手动}),经过故障检测网络分析,发现它并没有出现任何故障路径矢量,即它是正常工作状态。在这种情况下,就将实例A的下一个焚烧控制实例调整为基础焚烧控制实例继续执行处理。例如,可能会提高炉温到220摄氏度,进入实例B进行下一轮的运行和监测。
假设连续检测了实例A、B、C({炉温: 240摄氏度, 燃料类型: 木材, 供应方式:手动}),都没有发现故障路径矢量。这表示连续多次运行都处于正常状态。在这种情况下,为了更全面地测试和评估系统,可能会选择一个更复杂的策略:从当前基础焚烧控制实例中随机选择一个运行进程执行仿真流程。例如,可能会随机选择在供应方式改为自动,并同时提高炉温到260摄氏度,生成新的焚烧控制实例D。然后将获得的这个新实例调整为基础焚烧控制实例,继续执行处理。
在一种可能的实施方式中,所述方法还包括:
步骤S101,获取包含有多个样本焚烧控制实例的样本学习数据序列,各样本焚烧控制实例携带各故障路径矢量的标注数据,并确定每个标注数据对应的样本数量。
步骤S102,依据每个标注数据对应的样本数量与设定数量之间的比较结果,在所述样本学习数据序列中进行数据增强处理,以使数据增强处理后的每个标注数据的故障路径矢量的样本数量符合所述设定数量所对应的条件。
步骤S103,基于数据增强处理后的样本学习数据序列对初始化神经网络进行参数更新,生成所述故障检测网络。
例如,首先,需要获取包含有多个样本焚烧控制实例的样本学习数据序列。这些样本焚烧控制实例都携带各自的故障路径矢量的标注数据。例如,一个样本焚烧控制实例可能是这样的:{炉温: 200摄氏度,燃料类型: 木材,供应方式: 手动,故障路径矢量: [0.1,0.9]}。然后,需要确定每个标注数据对应的样本数量。比如,在所有的样本焚烧控制实例中,有50个样本的故障路径矢量是[0.1, 0.9]。
接下来,需要根据每个标注数据对应的样本数量与设定数量之间的比较结果,在样本学习数据序列中进行数据增强处理。比如,如果设定的数量是100,而当前故障路径矢量[0.1, 0.9]的样本数量只有50,那么就需要通过数据增强处理,生成50个新的样本,使得故障路径矢量[0.1, 0.9]的样本数量达到100。
最后,基于数据增强处理后的样本学习数据序列对初始化神经网络进行参数更新,生成故障检测网络。这一步是通过训练过程完成的,通常包括前向传播和反向传播两个步骤。在前向传播中,神经网络会根据当前的输入和参数,计算出一个预测值;然后,在反向传播中,神经网络会根据预测值和真实值的差距,更新网络参数,使得预测值更接近真实值。
通过以上步骤,可以获取一个能够预测焚烧控制实例可能发生故障的故障检测网络。在之后的使用中,只需要将新的焚烧控制实例输入到这个网络中,就可以得到该实例可能出现的故障及其概率。
在一种可能的实施方式中,所述方法还包括:
步骤A110,在所述焚烧故障知识图谱中配置始端知识成员和末端知识成员,并生成所述始端知识成员到所述末端知识成员的故障链路。
步骤A120,依据所述始端知识成员到所述末端知识成员的故障链路,对所述焚烧故障知识图谱进行更新。
例如,可以设定实例A(炉温: 200摄氏度,燃料类型: 木材,供应方式: 手动)为始端知识成员,实例J(炉温: 280摄氏度,燃料类型: 煤,供应方式: 手动)为末端知识成员。然后,基于已有的知识链路,从实例A生成到实例J的故障链路。
如果在实践中,发现从实例A到实例J的过程中存在其他未被考虑的故障模式,会更新这个故障链路,以反映新的发现。
在一种可能的实施方式中,步骤A110可以包括:
步骤A111,在所述焚烧故障知识图谱中轮询所述始端知识成员与所述末端知识成员之间的目标链路。
例如,这可能意味着正在寻找从实例A到实例J的所有可能路径。
步骤A112,将所述目标链路上相依赖的两个知识成员作为第一成员和第二成员,在所述焚烧故障知识图谱中查找所述第一成员到所述第二成员的链路代价值大于设定链路代价值的目标链路,所述链路代价值对应所述第一成员与所述第二成员之间的成员知识链路的数量。
例如,例如,如果实例B依赖于实例A,且从实例A到实例B的链路数量(可能是表示从一个状态转变到另一个状态的复杂性或者困难程度)超过了预设的阈值,那么会标记这条链路进行进一步的分析。
步骤A113,将所述目标链路与所述目标链路进行融合,生成衍生链路。
例如,这可能意味着在已有的路径(例如,从实例A到实例B)上找到了新的路径(例如,通过实例C),然后将这两条路径融合为一个更完整的故障链路。
步骤A114,将所述目标链路和所述衍生链路作为所述始端知识成员到所述末端知识成员的故障链路。
最后,这个融合的故障链路(包括原来的路径和新发现的路径)就构成了从实例A到实例J的完整故障链路。
在一种可能的实施方式中,所述方法还包括:
步骤B110,对所述故障链路进行重现处理,并在所述重现处理的过程中检测重现链路中的每个目标焚烧控制实例是否与所述故障链路中的相应焚烧控制实例匹配。
步骤B120,如果不匹配,则使用重现的目标焚烧控制实例对所述故障链路中的相应焚烧控制实例进行跳转,并依据跳转后的故障链路相应跳转所述焚烧故障知识图谱。
例如,继续以焚烧控制系统的场景进行说明。
这里,假设已经发现了一个故障链路,即一系列导致焚烧控制系统出现问题的焚烧控制实例(比如{炉温: 280摄氏度, 燃料类型: 湿木头, 供应方式: 自动} -> {炉温:300摄氏度, 燃料类型: 湿木头, 供应方式: 自动} -> ...)。将尝试重现这个故障链路,看看能否在新的环境下复现出同样的问题。然后,会检查每个重现的焚烧控制实例是否与原故障链路中的对应实例匹配。
假设在重现过程中的某一步,原本预期的焚烧控制实例是{炉温: 300摄氏度, 燃料类型: 湿木头, 供应方式: 自动},但实际得到的却是{炉温: 310摄氏度, 燃料类型:干木头, 供应方式: 自动}。那么就需要将故障链路进行调整,使用新的实例替换原来不匹配的部分,并相应地更新的焚烧故障知识图谱。
所述步骤B110包括:
步骤B111,依次加载所述故障链路中的每个知识成员焚烧控制实例。 获取所述故障链路中的第一成员,并以所述第一成员作为基础焚烧控制实例进行相应的焚烧故障关联关系检测。
例如,可能会首先加载第一个故障实例,然后加载第二个,依此类推。
步骤B112,在检测过程中比较所生成的每个进展焚烧控制实例是否与所述故障链路中的相应知识成员的焚烧控制实例特征匹配。
这一步就是开始真正的重现过程。首先取出故障链路的第一个实例,然后根据它来设置焚烧控制系统的状态,以便能够重新执行和观察故障发生的过程。
例如,可能会首先检查重现过程中第一个实例是否与原故障链路的第一个实例匹配,然后再检查第二个,依此类推。这是为了确保正确地重现了故障链路,从而能够找到问题的根源并解决它。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的故障诊断系统100。
对于一个实施例,图2示出了故障诊断系统100,该故障诊断系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,故障诊断系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,故障诊断系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为故障诊断系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为故障诊断系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为故障诊断系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为故障诊断系统100提供接口以依据多个网络通信,故障诊断系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,故障诊断系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,故障诊断系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,故障诊断系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人工智能的焚烧炉系统故障预测方法,其特征在于,应用于故障诊断系统,所述方法包括:
将焚烧炉系统的初始化运行焚烧控制实例作为基础焚烧控制实例,调用故障检测网络检测所述基础焚烧控制实例中涵盖的故障路径矢量;
对所述基础焚烧控制实例进行聚类,生成所述基础焚烧控制实例所对应的实例聚类属性,以及所述基础焚烧控制实例在相应焚烧控制实例聚类簇中所对应的焚烧异常类别,焚烧控制实例聚类簇用于反映关联焚烧异常操作的序列,每个焚烧异常操作对应所述焚烧炉系统的一个目标焚烧控制实例;
执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,生成所述基础焚烧控制实例关联的进展焚烧控制实例,并获取所述进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别;
轮询执行将每个进展焚烧控制实例作为新的基础焚烧控制实例,获取所述新的基础焚烧控制实例所关联的进展焚烧控制实例,以及获取每个进展焚烧控制实例所对应的实例聚类属性和焚烧异常类别;
基于所述焚烧炉系统中的每个目标焚烧控制实例构建知识成员,以及基于所述焚烧炉系统中的基础焚烧控制实例与进展焚烧控制实例之间的实例关系构建成员知识链路,并标记各知识成员的实例聚类属性和焚烧异常类别,生成所述焚烧炉系统的焚烧故障知识图谱,以基于所述焚烧炉系统的焚烧故障知识图谱执行任意异常焚烧控制实例的焚烧故障预测操作。
2.根据权利要求1所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,对所述基础焚烧控制实例进行聚类,生成所述基础焚烧控制实例所对应的实例聚类属性,以及所述基础焚烧控制实例在相应焚烧控制实例聚类簇中所对应的焚烧异常类别,包括:
获取已存储的多个焚烧控制实例聚类簇;
计算所述基础焚烧控制实例与各焚烧控制实例聚类簇的焚烧异常操作关联值,依据所述焚烧异常操作关联值确定出所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,并获得相应的实例聚类属性;
计算所述基础焚烧控制实例与所述焚烧控制实例聚类簇中各焚烧异常操作的故障路径关联值,依据所述故障路径关联值确定出所述基础焚烧控制实例所对应的焚烧异常操作,并获得相应的焚烧异常类别。
3.根据权利要求2所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,将最大焚烧异常操作关联值的焚烧控制实例聚类簇作为所述基础焚烧控制实例所对应的焚烧控制实例聚类簇,将最大故障路径关联值的焚烧控制实例作为所述基础焚烧控制实例所对应的焚烧异常操作;所述方法还包括:
如果所述最大焚烧异常操作关联值小于第一阈值,则添加一个新的焚烧控制实例聚类簇,将所述基础焚烧控制实例加载至所述新的焚烧控制实例聚类簇中,并生成相应的实例聚类属性和焚烧异常类别;
如果所述最大故障路径关联值小于第二阈值,则将所述基础焚烧控制实例存储为新的焚烧异常操作,并生成相应的焚烧异常类别。
4.根据权利要求1所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述执行仿真流程以虚拟化运行对每个故障路径矢量的参数应用指令,包括:
依据下述操作每次选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行:
如果故障路径矢量之间存在触发次序,则依据所述触发次序依次执行仿真流程以虚拟化运行对各故障路径矢量的参数应用指令; 若故障路径矢量之间不存在触发次序,则检测未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,并选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行;
如果所述基础焚烧控制实例中全部的故障路径矢量均已执行仿真流程以虚拟化运行了参数应用指令,则在已存储的知识图谱中查找所述基础焚烧控制实例关联的进展焚烧异常操作中是否存在未执行仿真流程以虚拟化运行参数应用指令的故障路径矢量,如果存在,则选择所述基础焚烧控制实例中用于运行所述进展焚烧异常操作的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行;如果不存在,在选择所述基础焚烧控制实例中设定类别的故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行,所述设定类别用于反映焚烧炉系统的停止操作;
如果以上条件都不满足,则随机选择一个故障路径矢量进行参数应用指令的执行仿真流程以虚拟化运行。
5.根据权利要求1所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述方法还包括:
如果所述故障检测网络未检测到所述基础焚烧控制实例中含有故障路径矢量,则将所述基础焚烧控制实例的下一焚烧控制实例调整为基础焚烧控制实例继续执行处理;
如果连续多个焚烧控制实例中均未检测到故障路径矢量,则从当前基础焚烧控制实例中随机选择一个焚烧控制实例的运行进程执行仿真流程以虚拟化运行参数应用指令,将获得的进展焚烧控制实例调整为基础焚烧控制实例继续执行处理。
6.根据权利要求1所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述方法还包括:
获取包含有多个样本焚烧控制实例的样本学习数据序列,各样本焚烧控制实例携带各故障路径矢量的标注数据,并确定每个标注数据对应的样本数量;
依据每个标注数据对应的样本数量与设定数量之间的比较结果,在所述样本学习数据序列中进行数据增强处理,以使数据增强处理后的每个标注数据的故障路径矢量的样本数量符合所述设定数量所对应的条件;
基于数据增强处理后的样本学习数据序列对初始化神经网络进行参数更新,生成所述故障检测网络。
7.根据权利要求1所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述方法还包括:
在所述焚烧故障知识图谱中配置始端知识成员和末端知识成员,并生成所述始端知识成员到所述末端知识成员的故障链路;
依据所述始端知识成员到所述末端知识成员的故障链路,对所述焚烧故障知识图谱进行更新。
8.根据权利要求7所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述在所述焚烧故障知识图谱中指定始端知识成员和末端知识成员,并生成所述始端知识成员到所述末端知识成员的故障链路,包括:
在所述焚烧故障知识图谱中轮询所述始端知识成员与所述末端知识成员之间的目标链路;
将所述目标链路上相依赖的两个知识成员作为第一成员和第二成员,在所述焚烧故障知识图谱中查找所述第一成员到所述第二成员的链路代价值大于设定链路代价值的目标链路,所述链路代价值对应所述第一成员与所述第二成员之间的成员知识链路的数量;
将所述目标链路与所述目标链路进行融合,生成衍生链路;
将所述目标链路和所述衍生链路作为所述始端知识成员到所述末端知识成员的故障链路。
9.根据权利要求7所述的基于人工智能的焚烧炉系统故障预测方法,其特征在于,所述方法还包括:
对所述故障链路进行重现处理,并在所述重现处理的过程中检测重现链路中的每个目标焚烧控制实例是否与所述故障链路中的相应焚烧控制实例匹配;
如果不匹配,则使用重现的目标焚烧控制实例对所述故障链路中的相应焚烧控制实例进行跳转,并依据跳转后的故障链路相应跳转所述焚烧故障知识图谱;
所述对所述故障链路进行重现处理,并在所述重现处理的过程中检测重现链路中的每个目标焚烧控制实例是否与所述故障链路中的相应焚烧控制实例匹配,包括:
依次加载所述故障链路中的每个知识成员焚烧控制实例; 获取所述故障链路中的第一成员,并以所述第一成员作为基础焚烧控制实例进行相应的焚烧故障关联关系检测;
在检测过程中比较所生成的每个进展焚烧控制实例是否与所述故障链路中的相应知识成员的焚烧控制实例特征匹配。
10.一种故障诊断系统,其特征在于,所述故障诊断系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于人工智能的焚烧炉系统故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311741959.6A CN117436593B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311741959.6A CN117436593B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436593A true CN117436593A (zh) | 2024-01-23 |
CN117436593B CN117436593B (zh) | 2024-05-24 |
Family
ID=89550170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311741959.6A Active CN117436593B (zh) | 2023-12-18 | 2023-12-18 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436593B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117826771A (zh) * | 2024-03-05 | 2024-04-05 | 广东云湾科技有限公司 | 基于ai分析的冷轧机控制系统异常检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
CN109522192A (zh) * | 2018-10-17 | 2019-03-26 | 北京航空航天大学 | 一种基于知识图谱和复杂网络组合的预测方法 |
US20190219981A1 (en) * | 2016-08-29 | 2019-07-18 | Siemens Aktiengesellschaft | Method and system for anomaly detection in a manufacturing system |
CN110968546A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 图谱节点跳转概率的设置方法及相关设备 |
CN112887119A (zh) * | 2019-11-30 | 2021-06-01 | 华为技术有限公司 | 故障根因确定方法及装置、计算机存储介质 |
CN115511118A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 一种基于人工智能的供热系统故障辅助决策方法及系统 |
CN116610104A (zh) * | 2023-07-19 | 2023-08-18 | 博纯材料股份有限公司 | 基于砷烷合成控制系统的故障分析方法及系统 |
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
CN117113108A (zh) * | 2023-07-19 | 2023-11-24 | 大唐保定热电厂 | 一种基于数据融合的电厂锅炉运行故障调节方法及系统 |
-
2023
- 2023-12-18 CN CN202311741959.6A patent/CN117436593B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
US20190219981A1 (en) * | 2016-08-29 | 2019-07-18 | Siemens Aktiengesellschaft | Method and system for anomaly detection in a manufacturing system |
CN110968546A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 图谱节点跳转概率的设置方法及相关设备 |
CN109522192A (zh) * | 2018-10-17 | 2019-03-26 | 北京航空航天大学 | 一种基于知识图谱和复杂网络组合的预测方法 |
CN112887119A (zh) * | 2019-11-30 | 2021-06-01 | 华为技术有限公司 | 故障根因确定方法及装置、计算机存储介质 |
CN115511118A (zh) * | 2022-09-19 | 2022-12-23 | 常州英集动力科技有限公司 | 一种基于人工智能的供热系统故障辅助决策方法及系统 |
CN116610104A (zh) * | 2023-07-19 | 2023-08-18 | 博纯材料股份有限公司 | 基于砷烷合成控制系统的故障分析方法及系统 |
CN117113108A (zh) * | 2023-07-19 | 2023-11-24 | 大唐保定热电厂 | 一种基于数据融合的电厂锅炉运行故障调节方法及系统 |
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117826771A (zh) * | 2024-03-05 | 2024-04-05 | 广东云湾科技有限公司 | 基于ai分析的冷轧机控制系统异常检测方法及系统 |
CN117826771B (zh) * | 2024-03-05 | 2024-05-14 | 广东云湾科技有限公司 | 基于ai分析的冷轧机控制系统异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117436593B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11720821B2 (en) | Automated and customized post-production release review of a model | |
EP3834401B1 (en) | Industrial system event detection and corresponding response | |
CN117436593B (zh) | 基于人工智能的焚烧炉系统故障预测方法及系统 | |
US10990668B2 (en) | Local and global decision fusion for cyber-physical system abnormality detection | |
TWI528216B (zh) | 隨選檢測惡意程式之方法、電子裝置、及使用者介面 | |
US11126519B2 (en) | Monitoring device, monitoring method and non-transitory storage medium | |
US20130318018A1 (en) | Neural network-based turbine monitoring system | |
JP7465237B2 (ja) | アプリケーションにおける挙動の異常を検出するシステム、方法およびコンピュータ可読媒体 | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
CN113190457A (zh) | 面向网络化系统的软件可靠性测评方法 | |
US20220345475A1 (en) | Decision Support for Anomaly Detection via Impact Analysis for Security and Safety | |
Yu et al. | A continuous learning monitoring strategy for multi-condition of nuclear power plant | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
Du et al. | Knowledge-extracted deep learning diagnosis and its cloud-based management for multiple faults of chiller | |
US20140188772A1 (en) | Computer-implemented methods and systems for detecting a change in state of a physical asset | |
CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
Murshed et al. | Monitoring of solid oxide fuel cell systems | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及系统 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
Ma et al. | Digital-Twin-Based CPS Anomaly Diagnosis and Security Defense Countermeasure Recommendation | |
Arroyo et al. | Supporting plant disturbance analysis by dynamic causal digraphs and propagation look-up tables | |
CN116338113B (zh) | 环境智慧感知模拟系统、方法、服务器和存储介质 | |
Qiao et al. | Research on Software Reliability of Nuclear Power Plant Instrument Control System | |
KR102677933B1 (ko) | 예측 모형 기반 가열로 이상 감지 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |