1.本发明涉及工艺故障诊断和实时监测领域，具体涉及一种水泥熟料制备过程工艺故障诊断系统及方法。
背景技术：
：：2.水泥制备过程中共有三个阶段分别是生料制备、熟料制备和水泥粉磨，其中水泥熟料制备包含了复杂的热工和化工过程，一旦发生故障，并且如果故障没有得到及时解决，极可能引起连锁效应，造成更严重的问题，给生产企业带来巨大的利益损失，将直接影响着水泥熟料的产量和质量。因此水泥熟料制备是水泥生产中最重要的工艺环节。由于水泥熟料制备过程复杂，所以故障存在着一定的多样性；熟料制备生产过程是一个理化反应过程所以具有一定的非线性、纯滞后性的特点。3.现在对水泥熟料制备过程工艺故障诊断共有两种诊断方法：一种是通过经验诊断；另一种是智能故障诊断。前者凭借维检人员的个人经验，辅之以简单的维修工具，这种方法简单方便，不需要借助特别复杂的诊断仪器。但是这种方法存在比较大的缺点，一方面人员的劳动强度较大，另一方面诊断结果容易出现误差，不能快速准确地找出系统出现故障的原因。后者借助人工智能技术，根据感知到的生产数据进行故障诊断。这种方法能够及时，准确、快速排查故障。技术实现要素：4.为了克服上述现有技术中的不足，本发明提供一种水泥熟料制备过程工艺故障诊断系统，系统能够更为快速的进行故障诊断。5.水泥熟料制备过程工艺故障诊断系统包括：数据源层、数据采集层、数据存储层、服务层和应用层；6.所述数据源层用于获取dcs生产过程数据和实验室数据；7.所述数据采集层用于通过opc接口将数据源层的数据存储到数据存储层；8.所述数据存储层用于储存水泥熟料制备过程数据和与水泥熟料制备工艺故障相关联的信息记录表；9.所述服务层用于处理应用层的请求，使用户通过web服务器访问系统；10.所述应用层用于接收用户业务请求，对水泥熟料制备过程数据进行提取并处理，还对处理结果展现；11.应用层还用于对水泥熟料制备过程数据进行提取，并进行实时监测和故障诊断；如检测出故障，则提取故障出现时间；对水泥熟料制备过程的故障状态通过故障诊断机器学习算法进行分析，并进行报警。12.进一步需要说明的是，应用层包括：数据提取模块、实时监测模块、信息管理模块和故障诊断模块；13.数据提取模块用于根据故障信息查找水泥熟料制备过程的相关参数，根据查找的相关参数查找dcs对照表中对应相关信息数据库表名信息，将表中各个参数按照时序匹配功能的时间对齐形成一个table表；14.实时监测模块具有故障监测单元和故障预警单元两个功能；15.故障监测单元用于在监测故障参数时，使用故障基本信息表中的判断标准对故障进行判断，当满足故障条件时，向操作人员发送报告；16.故障预警单元用于在水泥熟料制备过程数据超过预警阈值时，向操作人员发送预警报告；通过记录超过预警阈值的持续时间；17.信息管理模块用于故障信息管理、操作人员交接班管理、候选故障管理以及数据信息配置管理信息；将故障数据、故障出现时间、故障状态下对应水泥熟料制备过程数据进行统一的管理；18.故障诊断模块包括：故障诊断单元和故障分析单元；19.故障诊断单元通过机器学习算法对水泥熟料制备过程数据进行故障判断，对诊断出来的故障信息储存到数据库的候选故障表中；20.故障分析单元用于使用机器学习模型性能衡量指标对机器学习算法进行评估，判断机器学习算法对故障诊断是否准确。21.进一步需要说明的是，所述数据源层采集的数据包括：烧成带温度、二次风温、窑电流、生料喂料量、窑头喂煤量、窑转速、分解炉喷煤量、窑头喷煤、窑尾温度、窑头负压、篦床与窑头链接一段篦床压力数据、c4温度、篦冷机风机篦速、篦床下面压力；22.所述数据存储层存储的数据包括：水泥熟料制备过程数据和各种数据库表，其中数据库表包含故障基本信息表、候选故障表、故障标签表、故障阈值参数表、故障记录表、预警信息记录表；23.所述应用层中的数据提取方式包含时序匹配功能和数据提取功能；24.其中时序匹配功能是将数据库中的数据实现时间对齐；25.数据提取功能是将数据存储层的数据通过时序匹配提取到数据库中。26.进一步需要说明的是，故障诊断模块还用是将故障数据以及正常数据从数据存储层中提取出来；经过异常值剔除，利用拉依达准则进行异常值的检测；27.将检测为异常的数据进行剔除，再对数据进行滤波处理，以及归一化处理；再将处理后的数据加入到机器学习算法中进行故障诊断；28.机器学习算法包括：xgboost模型、rbf神经网络和pnn概率神经网络；29.其中xgboost模型是通过对一个叶子节点进行分裂，计算分裂前后的增益gain来确定最优树的结构，并且加入了正则化防止过拟合；30.采用机器学习算法对故障进行诊断后，将诊断结果写入候选故障表中。31.进一步需要说明的是，故障诊断模块将水泥熟料制备过程数据阈值范围和数据在水泥熟料制备过程持续时间写入到数据库中，将候选故障表中的故障进行判断；32.如水泥熟料制备过程数据存在故障，则写入故障基本信息表中；33.如果水泥熟料制备过程数据不存在故障，则通过工作人员判断是否写入故障基本信息表。34.进一步需要说明的是，所述应用层针对故障基本信息表中的故障进行实时的监测，当故障的阈值范围和持续时间与故障基本信息表中的故障相同时，通过报警的形式报告给在场的操作人员，并将故障发生的时间、当时所在班组以及处理办法信息一并展示出；35.所述应用层基于基本信息表中的信息与水泥熟料制备过程数据进行实时监测，当水泥熟料制备过程数据超过预警阈值时，则提前发生预警，并显示将要发生的故障以及处理办法。36.进一步需要说明的是，所述应用层还实现展示与故障相关的所有信息；37.与故障相关的所有信息包括预热器下料管堵塞故障信息、预热器塌料故障信息、红窑故障信息、后结圈故障信息、结大块故障信息、掉窑皮故障信息、跑生料故障信息、堆雪人故障信息以及红河故障信息；38.所述预热器下料管堵塞故障信息包括预热器锥体负压低于预设锥体负压阈值；c1筒出口温度高于预设出口温度阈值；窑尾温度高于预设窑尾温度阈值；39.所述预热器塌料故障信息包括预热器锥体负压低于预设负压阈值；预热器各处温度低于预设温度阈值；窑尾温度低于预设温度阈值；窑头负压高于预设负压阈值；40.所述红窑故障信息包括窑电流快速上升速度大于预设上升阈值；烧成带温度升高速度大于预设温升阈值；41.所述后结圈故障信息包括窑头温度大于窑头温度阈值；窑尾温度低于预设窑尾温度阈值；窑尾负压大于预设窑尾负压阈值；窑头负压小于预设窑头负压阈值；窑主电机电流大于预设电机电流阈值；42.所述结大块故障信息包括烧成带温度高于预设烧成带温度阈值；窑头喂煤量大于预设喂煤量阈值；窑转速小于预设转速阈值；43.所述掉窑皮故障信息包括窑主电机电流波动超阈值；窑尾温度低于预设窑尾温度阈值；窑头负压小于预设窑头负压阈值；二次风温低于预设风温阈值；44.所述跑生料故障信息包括窑电流波动超窑电流波动阈值；生料喂料量大于预设喂料量阈值；窑内生料量正常，但喷煤量低于预设喷煤量阈值；烧成带温度低于预设烧成带温度阈值；三次风温高于预设三次风温阈值；窑系统负压高于预设窑系统负压阈值；窑主机电流低于预设主机电流阈值；篦冷机各室压力低于预设室压力阈值；45.所述堆雪人故障信息包括窑头负压波动超窑头负压波动阈值；篦床与窑头链接段的篦床压力高于预设篦床压力阈值；46.所述红河故障信息包括篦冷机风机篦速低于预设篦速阈值；篦床下面压力高于预设篦床下压力阈值。47.进一步需要说明的是，所述应用层还用于对操作人员交接班记录故障类型、故障状态、故障名称、故障发生的起始时间和操作人员的信息进行统计，形成具体化管理报表；48.应用层对获取的候选故障按照工艺类型进行分类管理；49.应用层还将故障基本信息表中对应的故障原因相关参数进行管理，并通过组织树的形式进行展示。50.本发明还提供一种水泥熟料制备过程工艺故障诊断方法，方法包括：51.获取故障诊断规则以及水泥熟料制备过程数据阈值信息；52.应用层通过多线程对水泥熟料制备过程数据进行提取；53.应用层具有指针匹配策略，设置指针中头指针p和尾指针q；54.利用kmp匹配策略持续移动头指针p和尾指针q进行故障监测；55.当故障诊断规则匹配成功时，应用层进行故障报警。56.进一步需要说明的是，方法还包括故障预警方法：57.调取故障诊断规则；58.将匹配的时间条件放宽为原来的三分之一；即将最值时间和变化率时间之比设置为三分之一；59.启动多线程实时提取水泥熟料制备过程数据；60.设置指针中头指针p和尾指针q；61.利用kmp匹配策略持续移动头指针p和尾指针q进行故障预警；62.当匹配成功时进行故障预警，并通知操作人员。63.从以上技术方案可以看出，本发明具有以下优点：64.本发明提供的水泥熟料制备过程工艺故障诊断系统及方法实现将故障、故障出现时间、故障对应参数等信息进行统一的管理。故障诊断通过三个机器学习算法对相应的参数进行故障判断；故障分析单元可以对机器学习算法判断的准确性。能够更为快速的进行故障诊断。解决水泥熟料制备过程故障靠人工经验诊断存在时间滞后性的现象。65.而且本发明提供的水泥熟料制备过程工艺故障诊断系统及方法给出基于xgboost、rbf和pnn神经网络模型的水泥熟料工艺故障诊断方法，提高故障诊断的准确率。66.本发明还将水泥熟料制备过程工艺故障进行细致分类，并将其故障诊断融合到mes系统中。67.本发明还对故障进行实时的监测，并对可能发生的故障进行了预警，可使在故障发生前给操作人员进行预警提升，降低故障发生的次数，保证水泥熟料制备过程稳定运行。附图说明68.图1为水泥熟料制备过程工艺故障诊断系统架构图；69.图2为水泥熟料制备过程工艺故障诊断系统的故障诊断流程图；70.图3为水泥熟料制备过程工艺故障诊断系统的实施例示意图；71.图4为水泥熟料制备过程工艺故障诊断方法流程图；72.图5为故障预警流程图。具体实施方式73.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、完整地描述，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。74.本发明提供的水泥熟料制备过程工艺故障诊断系统及方法中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。75.本发明提供的水泥熟料制备过程工艺故障诊断系统及方法的附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。76.在本发明提供的水泥熟料制备过程工艺故障诊断系统及方法中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。77.如图1至3所示，本发明提供的水泥熟料制备过程工艺故障诊断系统包括：数据源层、数据采集层、数据存储层、服务层和应用层；78.所述数据源层用于获取dcs生产过程数据和实验室数据；所述数据采集层用于通过opc接口将数据源层的数据存储到数据存储层；所述数据存储层用于储存水泥熟料制备过程数据和与水泥熟料制备工艺故障相关联的信息记录表；所述服务层用于处理应用层的请求，使用户通过web服务器访问系统；79.所述应用层用于接收用户业务请求，对水泥熟料制备过程数据进行提取并处理，还对处理结果展现；80.应用层还用于对水泥熟料制备过程数据进行提取，并进行实时监测和故障诊断；如检测出故障，则提取故障出现时间；对水泥熟料制备过程的故障状态通过故障诊断机器学习算法进行分析，并进行报警。所述应用层还用于对操作人员交接班记录故障类型、故障状态、故障名称、故障发生的起始时间和操作人员的信息进行统计，形成具体化管理报表；应用层对获取的候选故障按照工艺类型进行分类管理；应用层还将故障基本信息表中对应的故障原因相关参数进行管理，并通过组织树的形式进行展示。81.作为本发明的一种实施例，应用层包括：数据提取模块、实时监测模块、信息管理模块和故障诊断模块；82.数据提取模块用于根据故障信息查找水泥熟料制备过程的相关参数，根据查找的相关参数查找dcs对照表中对应相关信息数据库表名信息，将表中各个参数按照时序匹配功能的时间对齐形成一个table表；83.本发明中，实时监测模块具有故障监测单元和故障预警单元两个功能；84.故障监测单元用于在监测故障参数时，使用故障基本信息表中的判断标准对故障进行判断，当满足故障条件时，向操作人员发送报告；85.故障预警单元用于在水泥熟料制备过程数据超过预警阈值时，向操作人员发送预警报告；通过记录超过预警阈值的持续时间；86.也就是说，本发明具有对故障进行诊断分析并报警的功能。还可以实现对水泥熟料制备过程数据进行预警。在故障发生之前进行报警，根据阈值中对应的持续时间，将持续时间缩短之后通过不同的故障进行判读，最后同时进行报警报告给在场的操作人员。87.信息管理模块用于故障信息管理、操作人员交接班管理、候选故障管理以及数据信息配置管理信息；将故障数据、故障出现时间、故障状态下对应水泥熟料制备过程数据进行统一的管理；88.故障诊断模块包括：故障诊断单元和故障分析单元；89.故障诊断单元通过机器学习算法对水泥熟料制备过程数据进行故障判断，对诊断出来的故障信息储存到数据库的候选故障表中；90.故障分析单元用于使用机器学习模型性能衡量指标对机器学习算法进行评估，判断机器学习算法对故障诊断是否准确。91.本发明的数据源层采集的数据包括：烧成带温度、二次风温、窑电流、生料喂料量、窑头喂煤量、窑转速、分解炉喷煤量、窑头喷煤、窑尾温度、窑头负压、篦床与窑头链接一段篦床压力数据、c4温度、篦冷机风机篦速、篦床下面压力；92.所述数据存储层存储的数据包括：水泥熟料制备过程数据和各种数据库表，其中数据库表包含故障基本信息表、候选故障表、故障标签表、故障阈值参数表、故障记录表、预警信息记录表；93.所述应用层中的数据提取方式包含时序匹配功能和数据提取功能；其中时序匹配功能是将数据库中的数据实现时间对齐；94.数据提取功能是将数据存储层的数据通过时序匹配提取到数据库中。95.所述应用层还实现展示与故障相关的所有信息；与故障相关的所有信息包括预热器下料管堵塞故障信息、预热器塌料故障信息、红窑故障信息、后结圈故障信息、结大块故障信息、掉窑皮故障信息、跑生料故障信息、堆雪人故障信息以及红河故障信息；96.预热器下料管堵塞故障信息包括预热器锥体负压低于预设锥体负压阈值；c1筒出口温度高于预设出口温度阈值；窑尾温度高于预设窑尾温度阈值；97.预热器塌料故障信息包括预热器锥体负压低于预设负压阈值；预热器各处温度低于预设温度阈值；窑尾温度低于预设温度阈值；窑头负压高于预设负压阈值；98.红窑故障信息包括窑电流快速上升速度大于预设上升阈值；烧成带温度升高速度大于预设温升阈值；99.后结圈故障信息包括窑头温度大于窑头温度阈值；窑尾温度低于预设窑尾温度阈值；窑尾负压大于预设窑尾负压阈值；窑头负压小于预设窑头负压阈值；窑主电机电流大于预设电机电流阈值；100.所述结大块故障信息包括烧成带温度高于预设烧成带温度阈值；窑头喂煤量大于预设喂煤量阈值；窑转速小于预设转速阈值；101.所述掉窑皮故障信息包括窑主电机电流波动超阈值；窑尾温度低于预设窑尾温度阈值；窑头负压小于预设窑头负压阈值；二次风温低于预设风温阈值；102.所述跑生料故障信息包括窑电流波动超窑电流波动阈值；生料喂料量大于预设喂料量阈值；窑内生料量正常，但喷煤量低于预设喷煤量阈值；烧成带温度低于预设烧成带温度阈值；三次风温高于预设三次风温阈值；窑系统负压高于预设窑系统负压阈值；窑主机电流低于预设主机电流阈值；篦冷机各室压力低于预设室压力阈值；103.所述堆雪人故障信息包括窑头负压波动超窑头负压波动阈值；篦床与窑头链接段的篦床压力高于预设篦床压力阈值；104.所述红河故障信息包括篦冷机风机篦速低于预设篦速阈值；篦床下面压力高于预设篦床下压力阈值。105.上述阈值信息可以根据水泥熟料制备过程工艺来进行设定，具体设定数据这里不做限定。106.进一步的讲，故障诊断模块还用是将故障数据以及正常数据从数据存储层中提取出来；经过异常值剔除，利用拉依达准则进行异常值的检测；107.将检测为异常的数据进行剔除，再对数据进行滤波处理，以及归一化处理；再将处理后的数据加入到机器学习算法中进行故障诊断；机器学习算法包括：xgboost模型、rbf神经网络和pnn概率神经网络；108.也就是说，本发明的故障诊断流程将预处理之后的数据进行故障诊断，共创建三种模型对数据进行并行处理，第一个是xgboost，xgboost模型是通过对一个叶子节点进行分裂，计算分裂前后的增益gain来确定最优树的结构，并且加入了正则化防止过拟合；rbf神经网络够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度；pnn是概率神经网络，它的训练容易，收敛速度快，从而非常适用于实时处理。在基于密度函数核估计的pnn网络中，每一个训练样本确定一个隐含层神经元，神经元的权值直接取自输入样本值。口可以实现任意的非线性逼近，用pnn网络所形成的判决曲面与贝叶斯最优准则下的曲面非常接近；采用以上三种模型对故障进行诊断。采用以上三种模型对故障进行诊断，并将诊断得到的故障写入候选故障表中。109.本发明的故障诊断流程对三种模型的预测进行检验，通过四种常用机器学习模型性能衡量指标准确率(accuracy)、精准率(precision)、召回率(recall)和平衡分数f1值对模型进行评估，并将得到的故障存放在数据库的候选故障表中。最终候选故障表中的故障会放入的基于故障分析方案进行分析，判断是否有新的故障或者诊断的故障是否准确。110.本发明的故障诊断模块将水泥熟料制备过程数据阈值范围和数据在水泥熟料制备过程持续时间写入到数据库中，将候选故障表中的故障进行判断；如水泥熟料制备过程数据存在故障，则写入故障基本信息表中；如果水泥熟料制备过程数据不存在故障，则通过工作人员判断是否写入故障基本信息表。111.本发明还涉及对水泥熟料制备过程数据的预警，在故障发生前就可以提示操作人员可能会有故障发生。这样，可以使操作人员提前进行故障排除，防止或避免故障发生。112.本发明的应用层针对故障基本信息表中的故障进行实时的监测，当故障的阈值范围和持续时间与故障基本信息表中的故障相同时，通过报警的形式报告给在场的操作人员，并将故障发生的时间、当时所在班组以及处理办法信息一并展示出；方便在场的操作人员能够及时处理故障。113.所述应用层基于基本信息表中的信息与水泥熟料制备过程数据进行实时监测，当水泥熟料制备过程数据超过预警阈值时，则提前发生预警，并显示将要发生的故障以及处理办法。114.具体来讲，应用层的实时监测模块的故障预警，也是通过故障的基本信息表中的信息与现场的数据进行实时的监测，当数据持续了三分之一故障阈值表中的持续时间时，则提前发生预警，可能发生的故障以及处理办法展示出来，方便在场的操作人员进行验证是否存在故障，如果存在发生的故障的征兆，进行及时的制止。115.基于上述系统，本发明还提供一种水泥熟料制备过程工艺故障诊断方法，如图4所示，方法包括：116.获取故障诊断规则以及水泥熟料制备过程数据阈值信息；117.应用层通过多线程对水泥熟料制备过程数据进行提取；118.应用层具有指针匹配策略，设置指针中头指针p和尾指针q；119.利用kmp匹配策略持续移动头指针p和尾指针q进行故障监测；120.当故障诊断规则匹配成功时，应用层进行故障报警。121.如图5所示，方法还包括故障预警方法：122.调取故障诊断规则；123.将匹配的时间条件放宽为原来的三分之一；即将最值时间和变化率时间之比设置为三分之一；124.启动多线程实时提取水泥熟料制备过程数据；125.设置指针中头指针p和尾指针q；126.利用kmp匹配策略持续移动头指针p和尾指针q进行故障预警；127.当匹配成功时进行故障预警，并通知操作人员。128.本发明提供的水泥熟料制备过程工艺故障诊断方法实现将故障、故障出现时间、故障对应参数等信息进行统一的管理。故障诊断通过三个机器学习算法对相应的参数进行故障判断；基于故障分析方案是将故障诊断判断的故障进行分析，用来判断故障诊断机器学习算法判断的准确性。解决水泥熟料制备过程故障靠人工经验诊断存在时间滞后性的现象。129.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。当前第1页12当前第1页12