基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统

专利名称：基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统

专利类型：发明专利

专利申请号：CN202411161476.3

专利申请（专利权）人：山东超华环保智能装备有限公司,越华鹏诚数字科技(山东)有限公司
权利人地址：山东省济宁市梁山县韩岗镇齐岗村蒙馆路南

专利发明（设计）人：王长历,郭世鹏,刘长征,王长亮,杜深龙,朱春占

专利摘要：本发明公开了基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统，本发明涉及智能故障预测技术领域，解决了单一的传感器数据监测并进行参数调节不能实现对异常原因进行定位，同时不能对参数异常带来的危险进行预测的技术问题，本发明通过根据历史数据中的正确数据，并利用数字孪生技术和人工智能识别技术来建立对应的数字孪生模型，通过将实时参数代入模型中分析得到焚烧炉整体的工作状态，且针对异常工作状态，则根据对应的异常数据来进行分析，在分析的过程中综合历史数据中相同情况的记录进行系统的分析，一方面能够提高分析的精准度，另一方面能及时地发现故障原因，同时能够从异常数据的变化来对整体的故障情况进行预测。

主权利要求：
1.基于数字孪生的蓄热式热力焚烧炉系统故障预测方法，其特征在于，该方法具体包括以下步骤：
步骤一：根据获取的历史数据进行数据分析得到正确数据和错误数据，同时基于正确数据建立数字孪生模型，并将实时参数代入模型得到分析结果，且分析结果包括：状态正常结果和状态异常结果；
步骤二：对分析结果为异常状态结果进行分析，比较实时状态参数与标准参数的关系，将实时参数进行分类得到正常参数和异常参数，并分别对正常参数和异常参数进行分析；
步骤三：对分类得到的正常参数进行监测分析，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号，且对正常参数进行监测分析的具体方式为：对历史数据进行获取，同时获取历史数据中所有工作状态正常对应的工作参数记作比较参数，并根据比较参数生成对应的正常区间，接着以时间t为周期对正常参数进行监测，对时间周期t内正常参数的变化情况进行获取，同时将变化情况进行分类得到稳定变化和不稳定变化，并对稳定变化和不稳定变化情况进行分析；
对变化情况为稳定变化进行分析，获取相邻时间周期t对应的正常参数，并将两个时间周期对应的正常参数进行比较，若相邻时间周期t内的正常参数未发生变化，则生成正常信号，反之若相邻时间周期t内的正常参数发生变化，则将相邻时间周期t的正常参数与正常区间进行比较，若正常参数属于正常区间，则生成正常信号，反之若正常参数不属于正常区间，则生成预警信号；
对变化情况为不稳定变化进行分析，将相邻时间周期y的正常参数与正常区间进行比较，若正常参数属于正常区间，则生成二次分析信号，反之若正常参数不属于正常区间，则生成预警信号，并对生成的二次分析信号进行处理，且具体处理方式如下：对历史数据中对应的相同记录进行获取，并对相同记录中存在风险情况的记录数量进行获取，同时计算对应的风险记录占比，接着将风险记录占比与预设值进行比较，若风险记录占比大于预设值，则生成预警信号，反之若风险记录占比小于预设值，则生成正常信号；
步骤四：对分类得到的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号，且对异常参数进行分析的具体方式为：获取历史数据，并对历史数据中与异常参数相同情况的历史记录进行获取，同时判断历史记录是否存在风险记录，若存在风险记录，则将对应的风险记录进行获取，并获取对应的无风险记录；
接着对所有的风险记录进行分析，并对风险记录的种类进行识别，若风险记录的种类只存在一种类型，则以对应的风险记录生成预警信号，若风险记录的种类存在多种类型，则按照风险种类对风险记录进行分类并标号为i，且i=1、2、…、j，其中j表示风险种类数量，接着对不同风险种类对应的风险记录数量进行获取记作Li，并对同类型风险种类的风险特征进行提取，同时获取异常参数对应的异常特征，并将异常特征与风险特征进行匹配对风险记录进行筛选得到预选记录；
接着获取无风险记录，并对无风险记录中的参数特征进行提取，同时将无风险记录的参数特征与预选记录的风险特征进行匹配得到具体风险信息，接着生成预警信号。
2.根据权利要求1所述的基于数字孪生的蓄热式热力焚烧炉系统故障预测方法，其特征在于，所述步骤一中将实时参数代入模型得到分析结果的具体方式为：获取热力焚烧炉对应的历史数据，并对历史数据中的正确数据和错误数据进行识别，同时对正确数据进行特征提取得到数据特征，接着根据数据特征建立热力焚烧炉的数字孪生模型；
接着获取热力焚烧炉当前的实时参数，并将实时参数代入数字孪生模型中，由数字孪生模型根据实时参数对热力焚烧炉状态进行分析生成分析结果，且分析结果包括正常状态结果和异常状态结果。
3.基于数字孪生的蓄热式热力焚烧炉系统故障预测系统，用于执行权利要求1‑2任一项所述的基于数字孪生的蓄热式热力焚烧炉系统故障预测方法，其特征在于，包括：数据采集模块、模型建立分析模块，异常状态分析模块、预警分析模块和预测信息输出模块；
数据采集模块，该模块用于将历史数据和实时参数进行获取，并将二者传输到模型建立分析模块；
模型建立分析模块，该模块用于根据历史数据并结合人工智能算法建立数字孪生模型，同时将实时参数代入数字孪生模型得到正常状态结果和异常状态结果，将异常状态结果传输到异常状态分析模块；
异常状态分析模块，该模块用于对异常状态结果进行分析，并将实时状态参数与标准参数比较分类得到正常参数和异常参数，并将异常参数传输到预警分析模块，针对正常参数，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号，同时将生成的正常信号和预警信号传输到预测信息输出模块；
预警分析模块，该模块用于对获取的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号，同时将生成的预警信号传输到预测信息输出模块；
预测信息输出模块，该模块用于将获取的预警信号、正常状态结果和正常信号显示给对应的操作人员。 说明书 : 基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统技术领域[0001] 本发明涉及智能故障预测技术领域，具体为基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统。背景技术[0002] 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。[0003] 根据中国专利申请号为CN202311741959.6公开了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、深入地理解和分析。[0004] 部分现有的热力焚烧炉系统在使用的过程中，大多数是通过传感器来对焚烧过程中的参数进行获取，并对参数进行监测分析，针对存在异常的参数则进行调节，这样的调节方式不能综合焚烧炉整体的状态进行原因分析，单一的调节只能短暂地实现焚烧炉的状态正常，并没有实现对出现异常的原因进行分析，从而不方便后续出现相同情况时的调节和危险预测，严重情况下可能会对人员安全构成威胁。发明内容[0005] 针对现有技术的不足，本发明提供了基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统，解决了单一的传感器数据监测并进行参数调节不能实现对异常原因进行定位，同时不能对参数异常带来的危险进行预测的问题。[0006] 为实现以上目的，本发明通过以下技术方案予以实现：基于数字孪生的蓄热式热力焚烧炉系统故障预测方法，该方法具体包括以下步骤：[0007] 步骤一：根据获取的历史数据进行数据分析得到正确数据和错误数据，同时基于正确数据建立数字孪生模型，并将实时参数代入模型得到分析结果，且分析结果包括：状态正常结果和状态异常结果；[0008] 步骤二：对分析结果为异常状态结果进行分析，比较实时状态参数与标准参数的关系，将实时参数进行分类得到正常参数和异常参数，并分别对正常参数和异常参数进行分析；[0009] 步骤三：对分类得到的正常参数进行监测分析，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号；[0010] 步骤四：对分类得到的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号。[0011] 作为本发明的进一步方案：所述步骤一中将实时参数代入模型得到分析结果的具体方式为：[0012] 获取热力焚烧炉对应的历史数据，并对历史数据中的正确数据和错误数据进行识别，同时对正确数据进行特征提取得到数据特征，接着根据数据特征建立热力焚烧炉的数字孪生模型；[0013] 接着获取热力焚烧炉当前的实时参数，并将实时参数代入数字孪生模型中，由数字孪生模型根据实时参数对热力焚烧炉状态进行分析生成分析结果，且分析结果包括正常状态结果和异常状态结果。[0014] 作为本发明的进一步方案：所述步骤三中对正常参数进行监测分析的具体方式为：[0015] 对历史数据进行获取，同时获取历史数据中所有工作状态正常对应的工作参数记作比较参数，并根据比较参数生成对应的正常区间，接着以时间t为周期对正常参数进行监测，对时间周期t内正常参数的变化情况进行获取，同时将变化情况进行分类得到稳定变化和不稳定变化。[0016] 作为本发明的进一步方案：步骤三中对稳定变化和不稳定变化情况进行分析的具体方式为：[0017] 对变化情况为稳定变化进行分析，获取相邻时间周期t对应的正常参数，并将两个时间周期对应的正常参数进行比较，若相邻时间周期t内的正常参数未发生变化，则表示热力焚烧炉整体状态正常，并生成正常信号，反之若相邻时间周期t内的正常参数发生变化，则将相邻时间周期t的正常参数与正常区间进行比较，若正常参数属于正常区间，则表示热力焚烧炉正常状态正常，并生成正常信号，反之若正常参数不属于正常区间，则表示热力焚烧炉正常状态异常，并生成预警信号；[0018] 对变化情况为不稳定变化进行分析，将相邻时间周期y的正常参数与正常区间进行比较，若正常参数属于正常区间，则生成二次分析信号，反之若正常参数不属于正常区间，则表示热力焚烧炉正常状态异常，并生成预警信号，并对生成的二次分析信号进行处理。[0019] 作为本发明的进一步方案：步骤三中对生成的二次分析信号进行处理的具体方式为：[0020] 对历史数据中对应的相同记录进行获取，并对相同记录中存在风险情况的记录数量进行获取，同时计算对应的风险记录占比，接着将风险记录占比与预设值进行比较，若风险记录占比大于预设值，则生成预警信号，反之若风险记录占比小于预设值，则生成正常信号。[0021] 作为本发明的进一步方案：所述步骤四中对异常参数进行分析的具体方式为：[0022] 获取历史数据，并对历史数据中与异常参数相同情况的历史记录进行获取，同时判断历史记录是否存在风险记录，若存在风险记录，则将对应的风险记录进行获取，并获取对应的无风险记录；[0023] 接着对所有的风险记录进行分析，并对风险记录的种类进行识别，若风险记录的种类只存在一种类型，则以对应的风险记录生成预警信号，若风险记录的种类存在多种类型，则按照风险种类对风险记录进行分类并标号为i，且i=1、2、…、j，其中j表示风险种类数量，接着对不同风险种类对应的风险记录数量进行获取记作Li，并对同类型风险种类的风险特征进行提取，同时获取异常参数对应的异常特征，并将异常特征与风险特征进行匹配对风险记录进行筛选得到预选记录；[0024] 接着获取无风险记录，并对无风险记录中的参数特征进行提取，同时将无风险记录的参数特征与预选记录的风险特征进行匹配得到具体风险信息，接着生成预警信号。[0025] 作为本发明的进一步方案：基于数字孪生的蓄热式热力焚烧炉系统故障预测系统，包括：数据采集模块、模型建立分析模块，异常状态分析模块、预警分析模块和预测信息输出模块；[0026] 数据采集模块，该模块用于将历史数据和实时参数进行获取，并将二者传输到模型建立分析模块；[0027] 模型建立分析模块，该模块用于根据历史数据并结合人工智能算法建立数字孪生模型，同时将实时参数代入数字孪生模型得到正常状态结果和异常状态结果，将异常状态结果传输到异常状态分析模块；[0028] 异常状态分析模块，该模块用于对异常状态结果进行分析，并将实时状态参数与标准参数比较分类得到正常参数和异常参数，并将异常参数传输到预警分析模块，针对正常参数，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号，同时将生成的正常信号和预警信号传输到预测信息输出模块；[0029] 预警分析模块，该模块用于对获取的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号，同时将生成的预警信号传输到预测信息输出模块；[0030] 预测信息输出模块，该模块用于将获取的预警信号、正常状态结果和正常信号显示给对应的操作人员。[0031] 本发明提供了基于数字孪生的蓄热式热力焚烧炉系统故障预测方法及系统。与现有技术相比具备以下有益效果：[0032] 本发明通过根据历史数据中的正确数据，并利用数字孪生技术和人工智能识别技术来建立对应的数字孪生模型，通过将实时参数代入模型中分析得到焚烧炉整体的工作状态，且针对异常工作状态，则根据对应的异常数据来进行分析，在分析的过程中综合历史数据中相同情况的记录进行系统的分析，一方面能够提高分析的精准度，另一方面能够实现对异常数据对应的具体原因的定位功能，从而及时地发现故障原因，同时能够从异常数据的变化来对整体的故障情况进行预测。附图说明[0033] 图1为本发明方法图；[0034] 图2为本发明系统框图。具体实施方式[0035] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。[0036] 实施例一，请参阅图1，本申请提供了基于数字孪生的蓄热式热力焚烧炉系统故障预测方法，该方法具体包括以下步骤：[0037] 步骤一：根据获取的历史数据进行数据分析得到正确数据和错误数据，同时基于正确数据建立数字孪生模型，并将实时参数代入模型得到分析结果，且分析结果包括：状态正常结果和状态异常结果，且具体的分析方式如下：[0038] 获取热力焚烧炉对应的历史数据，且此处获取的历史数据表示为在过去时间T内所有的使用记录，并对历史数据中的正确数据和错误数据进行识别，同时对正确数据进行特征提取得到数据特征，且对数据特征的提取通过对应的人工智能算法进行识别和提取，接着根据数据特征建立热力焚烧炉的数字孪生模型，具体地建立数字孪生模型的过程为现有技术，在此不做过多的赘述。[0039] 例如，假设在过去6个月的运行记录中，收集了热力焚烧炉的温度、压力、燃料消耗量和排放数据。通过数据分析发现了一些异常值，比如某日的压力读数异常高，这可能是由于传感器故障造成的错误数据。在排除这些错误数据后，对剩余的正确数据进行特征提取，发现炉温与燃料消耗量之间存在明显的正相关关系，而压力则对排放水平有较大影响，基于这些数据特征，建立一个数字孪生模型，该模型能够模拟热力焚烧炉在不同操作条件下的行为，预测其性能和维护需求。[0040] 接着获取热力焚烧炉当前的实时参数，且此处的实时参数包括温度、压力、燃烧消耗量和排放量等，并将实时参数代入数字孪生模型中，由数字孪生模型根据实时参数对热力焚烧炉状态进行分析生成分析结果，且分析结果包括正常状态结果和异常状态结果。[0041] 数字孪生模型是一个高级的动态仿真模型，它能够根据实时数据精准地模拟热力焚烧炉的运行状态。模型会处理这些实时参数，并通过复杂的计算和模式识别技术预测焚烧炉的行为。根据分析的结果，模型可以判定焚烧炉是处于正常状态或是存在潜在的异常情况。[0042] 步骤二：对分析结果为异常状态结果进行分析，比较实时状态参数与标准参数的关系，将实时参数进行分类得到正常参数和异常参数，并分别对正常参数和异常参数进行分析；具体的此处的标准参数表示为正常情况下热力焚烧炉对应的正常工作参数，这一标准参数代表了热力焚烧炉在正常工作条件下的各项指标，如理想的温度范围、压力值、燃料消耗速率和排放水平等。[0043] 在分析过程中，实时参数将根据其是否偏离标准参数进行分类，分为正常参数和异常参数。正常参数是指那些在预设的正常工作范围内的参数，而异常参数则是超出这些范围的指标。通过这种分类，可以更清晰地识别问题所在，以及哪些系统部件可能处于非理想状态。[0044] 步骤三：对分类得到的正常参数进行监测分析，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号，且具体的分析方式为：[0045] 对历史数据进行获取，同时获取历史数据中所有工作状态正常对应的工作参数记作比较参数，并根据比较参数生成对应的正常区间，且此处的正常区间是根据比较参数进行组合得到，具体的通过获取比较参数的最小值和最大值进行组合得到对应的正常区间，接着以时间t为周期对正常参数进行监测，对时间周期t内正常参数的变化情况进行获取，同时将变化情况进行分类得到稳定变化和不稳定变化，且此处具体的分类方式是通过计算时间周期t内t1时间对应的正常参数变化值，并将计算得到的变化值与阈值进行比较，且阈值为范围值，具体数值由操作人员设定，若正常参数变化值在阈值范围内，则表示为稳定变化，反之若正常参数变化值不在阈值范围内，则表示为不稳定变化；[0046] 对变化情况为稳定变化进行分析，获取相邻时间周期t对应的正常参数，并将两个时间周期对应的正常参数进行比较，且此处的比较为互相比较，若相邻时间周期t内的正常参数未发生变化，同时未发生变化表示二者的差值在允许的范围内，则表示热力焚烧炉整体状态正常，并生成正常信号，反之若相邻时间周期t内的正常参数发生变化，同时发生变化表示二者的差值不在允许的范围内，则将相邻时间周期t的正常参数与正常区间进行比较，且此处与正常区间比较的正常参数为后一个时间周期t内的正常参数，若正常参数属于正常区间，则表示热力焚烧炉正常状态正常，并生成正常信号，反之若正常参数不属于正常区间，则表示热力焚烧炉正常状态异常，并生成预警信号；[0047] 对变化情况为不稳定变化进行分析，将相邻时间周期y的正常参数与正常区间进行比较，若正常参数属于正常区间，则生成二次分析信号，反之若正常参数不属于正常区间，则表示热力焚烧炉正常状态异常，并生成预警信号，并对生成的二次分析信号进行处理，且具体的处理方式为：[0048] 对历史数据中对应的相同记录进行获取，且此处的相同记录表示为正常参数同样为不稳定变化的记录，并对相同记录中存在风险情况的记录数量进行获取，同时计算对应的风险记录占比，接着将风险记录占比与预设值进行比较，若风险记录占比大于预设值，则表示当前不稳定变化存在风险，并生成预警信号，反之若风险记录占比小于预设值，则生成正常信号。且预设值的具体数值由操作人员根据实际情况进行拟定。[0049] 步骤四：对分类得到的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号，且具体的分析方式为：[0050] 获取历史数据，并对历史数据中与异常参数相同情况的历史记录进行获取，同时判断历史记录是否存在风险记录，若存在风险记录，则将对应的风险记录进行获取，并获取对应的无风险记录；具体的此处是对相同情况历史记录进行分类得到风险记录和无风险记录。[0051] 接着对所有的风险记录进行分析，并对风险记录的种类进行识别，若风险记录的种类只存在一种类型，则以对应的风险记录生成预警信号，若风险记录的种类存在多种类型，则按照风险种类对风险记录进行分类并标号为i，且i=1、2、…、j，其中j表示风险种类数量，接着对不同风险种类对应的风险记录数量进行获取记作Li，并对同类型风险种类的风险特征进行提取，且此处的风险特征表示为对应的参数特征，同时获取异常参数对应的异常特征，并将异常特征与风险特征进行匹配对风险记录进行筛选得到预选记录；[0052] 接着获取无风险记录，并对无风险记录中的参数特征进行提取，同时将无风险记录的参数特征与预选记录的风险特征进行匹配得到具体风险信息，接着生成预警信号。具体的，比如无风险记录对应的参数特征为温度，而预选记录中的一组预选记录对应的风险特征包括温度和压力，进一步地表示温度为非风险的必要因素，因此将该组预选记录中的温度进行剔除分析，并只对压力进行分析，再结合异常参数的具体情况来进行匹配分析，从而来确定具体风险信息，如果异常参数与该组的压力匹配，则将该组预选记录作为具体风险信息，并生成预警信号。[0053] 实施例二，请参阅图2，基于数字孪生的蓄热式热力焚烧炉系统故障预测系统，包括：数据采集模块、模型建立分析模块，异常状态分析模块、预警分析模块和预测信息输出模块；[0054] 数据采集模块，该模块用于将历史数据和实时参数进行获取，并将二者传输到模型建立分析模块；[0055] 模型建立分析模块，该模块用于根据历史数据并结合人工智能算法建立数字孪生模型，同时将实时参数代入数字孪生模型得到正常状态结果和异常状态结果，将异常状态结果传输到异常状态分析模块，且得到正常状态结果和异常状态结果的具体方式同理实施例一中步骤一的处理方式；[0056] 异常状态分析模块，该模块用于对异常状态结果进行分析，并将实时状态参数与标准参数比较分类得到正常参数和异常参数，并将异常参数传输到预警分析模块，针对正常参数，并结合历史数据对正常参数进行周期性持续监测，根据正常参数的变化及对应的正常范围值进行综合分析生成正常信号和预警信号，同时将生成的正常信号和预警信号传输到预测信息输出模块，且具体的处理方式同理实施例一中步骤三的分析方式；[0057] 预警分析模块，该模块用于对获取的异常参数进行分析，根据历史数据对异常参数存在的风险影响进行分析生成预警信号，同时将生成的预警信号传输到预测信息输出模块，且具体的处理方式同理实施例一中步骤四的分析方式；[0058] 预测信息输出模块，该模块用于将获取的预警信号、正常状态结果和正常信号显示给对应的操作人员。[0059] 同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。[0060] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

专利地区：山东

专利申请日期：2024-08-23

专利公开日期：2024-11-22

专利公告号：CN118690306B