基于人工智能的焚烧炉系统故障预测方法及系统与流程

本技术涉及人工智能，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：

1、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。

2、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。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术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。

2、第一方面，本技术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：

3、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；

4、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；

5、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；

6、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；

7、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。

8、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：

9、获取已存储的多个焚烧控制实例聚类簇；

10、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；

11、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。

12、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：

13、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；

14、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。

15、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：

16、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：

17、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；

18、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；

19、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。

20、在第一方面的一种可能的实施方式中，所述方法还包括：

21、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；

22、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。

23、在第一方面的一种可能的实施方式中，所述方法还包括：

24、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；

25、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；

26、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。

27、在第一方面的一种可能的实施方式中，所述方法还包括：

28、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；

29、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。

30、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：

31、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；

32、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；

33、将所述目标链路与所述目标链路进行融合，生成衍生链路；

34、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。

35、在第一方面的一种可能的实施方式中，所述方法还包括：

36、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；

37、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；

38、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：

39、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；

40、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。

41、第二方面，本技术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。

42、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。