CN117078023B - 基于大数据分析的窑炉故障风险评估方法 - Google Patents

Abstract

本发明涉及数字数据处理领域，具体涉及基于大数据分析的窑炉故障风险评估方法，采集回转炉各参数的实时监测数据序列及参考数据序列；将回转炉烧结过程划分为各烧结阶段；对于各烧结阶段，构建烧结阶段的特征矩阵，提取烧结阶段各参数的关键组分；并分析烧结阶段各参数的权重；根据烧结阶段各参数的关键组分及权重得到烧结阶段的烧结状态参数；获取各时间窗口的烧结状态参数，根据时间窗口与各烧结阶段的烧结状态参数之间的欧式距离得到时间窗口的烧结阶段隶属度；根据相邻时间窗口的烧结阶段隶属度得到时间窗口的回转炉故障风险指标；根据回转炉故障风险指标评估时间窗口内回转炉故障风险。从而实现窑炉故障风险的精确评估。

Description

基于大数据分析的窑炉故障风险评估方法

技术领域

本申请涉及数字数据处理领域，具体涉及基于大数据分析的窑炉故障风险评估方法。

背景技术

窑炉是一种用于加热和处理物料的设备，广泛应用于冶金、化工、建材等行业，同时窑炉可以根据用途分为多种类型，回转炉便属于窑炉中的一种，其为一种热工设备，可以用来煅烧、焙烧或干燥粒状或粉状的物料，例如水泥、陶瓷、耐火材料等。回转炉的工作原理是利用筒体的倾斜和回转，让物料和燃烧在高温下进行化学反应。而对于回转炉来说其本身属于高温设备，如发生故障可能引起火灾、***等安全事故，通过故障风险评估可以及时发现潜在的安全隐患并采取相应的措施进行修复和改进，不仅提高了生产效率还降低维护成本等。

在现代陶粒回转炉故障风险评估中常使用时序预测算法，如移动平均法，该算法是基于实时监测数据之前发生的历史数据进行预测。在此场景中，如果在正常烧结阶段改变时间点使用移动平均法进行预测，那么预测数据与正常数据将会出现差异造成错误预测从而影响回转炉故障风险评估结果。

综上所述，本发明提出基于大数据分析的窑炉故障风险评估方法，通过不同传感器收集陶粒回转炉的运行数据，基于预处理后数据时间序列特征划分回转炉正常工作状态的不同烧结阶段，并根据不同烧结阶段中参数自身变化以及参数之间相互关系构建烧结状态参数，最终计算实时监测数据时间窗口的烧结阶段隶属度，进而判断数据是否异常，完成回转炉故障风险的评估。

发明内容

为了解决上述技术问题，本发明提供基于大数据分析的窑炉故障风险评估方法，以解决现有的问题。

本发明的基于大数据分析的窑炉故障风险评估方法采用如下技术方案：

本发明一个实施例提供了基于大数据分析的窑炉故障风险评估方法，该方法包括以下步骤：

采集回转炉各参数的实时监测数据序列，参数包括温度、氧气含量及压强，将回转炉正常工作状态各参数的数据序列记为参考数据序列；

根据温度参考数据序列的变化将回转炉烧结过程划分为各烧结阶段；对于各烧结阶段，根据烧结阶段对应数据采集时段内各参数的数据构建烧结阶段的特征矩阵，结合PCA主成分分析及特征矩阵得到烧结阶段各参数的关键组分；根据烧结阶段对应数据采集时段内各参数数据之间的关系得到烧结阶段各参数的权重；根据烧结阶段各参数的关键组分及权重得到烧结阶段的烧结状态参数；

获取各烧结阶段的烧结状态参数，构建实时监测数据序列的时间窗口，获取各时间窗口的烧结状态参数，根据时间窗口与各烧结阶段的烧结状态参数之间的欧式距离得到时间窗口的烧结阶段隶属度；根据相邻时间窗口的烧结阶段隶属度得到时间窗口的回转炉故障风险指标；根据回转炉故障风险指标评估时间窗口内回转炉故障风险。

进一步的，所述根据温度参考数据序列的变化将回转炉烧结过程划分为各烧结阶段，包括：

将温度参考数据序列中相邻的前一温度参考数据与后一温度参考数据的差值组成的序列作为一阶差分序列，获取一阶差分序列中各拐点；将拐点在温度参考数据序列中对应的后一温度参考数据作为拐点的对应点，根据各对应点对温度参考数据序列进行划分得到回转炉烧结过程的各烧结阶段，其中各烧结阶段包括升温阶段、稳定阶段以及降温阶段。

进一步的，所述构建烧结阶段的特征矩阵包括：

计算烧结阶段对应数据采集时段内各参数对应参考数据的平均值、标准差、最大值及斜度，将每个参数的平均值标准差、最大值及斜度作为特征矩阵的各行。

进一步的，所述结合PCA主成分分析及特征矩阵得到烧结阶段各参数的关键组分包括：

对特征矩阵中每个行向量进行PCA主成分分析，得到每个行向量对应的第一主成分向量，将所述第一主成分向量作为对应参数的关键组分。

进一步的，所述根据烧结阶段对应数据采集时段内各参数数据之间的关系得到烧结阶段的各参数权重，包括：

分别计算烧结阶段对应数据采集时段内的温度参考数据序列与氧气含量参考数据序列、压强参考数据序列之间皮尔逊相关系数，分别记为第一温度相关系数、第二温度相关系数，将第一温度相关系数与第二温度相关系数的和值作为烧结阶段的温度权重；

计算烧结阶段对应数据采集时段内的氧气含量参考数据序列与压强参考数据序列之间的皮尔逊相关系数，记为氧气压强相关系数，将所述氧气压强相关系数与第一温度相关系数倒数的和值作为烧结阶段氧气含量的权重；

将所述第二温度相关系数倒数与氧气压强相关系数倒数的和值作为烧结阶段压强的权重。

进一步的，所述根据烧结阶段各参数的关键组分及权重得到烧结阶段的烧结状态参数，包括：将烧结阶段所有参数的关键组分与权重乘积的和值作为烧结阶段的烧结状态参数。

进一步的，所述构建实时监测数据序列的时间窗口，包括：

采用固定长度的1L窗口对各参数的实时监测数据序列进行划分，所述固定长度的1/>L窗口为时间窗口，其中，L为时间窗口长度。

进一步的，所述根据时间窗口与各烧结阶段的烧结状态参数之间的欧式距离得到时间窗口的烧结阶段隶属度，包括：

将时间窗口与各烧结阶段的烧结状态参数之间的欧式距离的最小值作为时间窗口的烧结阶段隶属度。

进一步的，所述根据相邻时间窗口的烧结阶段隶属度得到时间窗口的回转炉故障风险指标，具体为：

计算当前时间窗口烧结阶段隶属度与下一时间窗口烧结阶段隶属度和值，获取所述和值与预设阈值的差值，将所述差值与所述和值的比值进行归一化的结果作为当前时间窗口的回转炉故障风险指标。

进一步的，所述根据回转炉故障风险指标评估时间窗口内回转炉故障风险，包括：当回转炉故障风险指标高于风险阈值时，则判定时间窗口内回转炉存在故障风险，当回转炉故障风险指标低于风险阈值时，则判定时间窗口内回转炉不存在故障风险。

本发明至少具有如下有益效果：

本发明基于参考数据的温度时间序列特征将正常回转炉工作状态分为不同的烧结阶段，并根据不同烧结阶段各参数特征构建特征矩阵，然后降维得到各个阶段各参数的关键组分，可降低计算量，避免无关因素的影响；同时根据不同烧结阶段各参数之间相互联系确定参数权重计算获取烧结状态参数，对实时数据进行监测计算时间窗口的烧结阶段隶属度来判断获取的实时数据是否异常，避免了常规预测算法在不同烧结阶段改变时间点产生错误预测数据，防止对回转炉故障风险评估结果产生影响，提高了回转炉故障风险评估精度。

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和优点，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的介绍，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它附图。

图1为本发明提供的基于大数据分析的窑炉故障风险评估方法的流程图。

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大数据分析的窑炉故障风险评估方法，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大数据分析的窑炉故障风险评估方法的具体方案。

本发明一个实施例提供的基于大数据分析的窑炉故障风险评估方法。

具体的，提供了如下的基于大数据分析的窑炉故障风险评估方法，请参阅图1，该方法包括以下步骤：

步骤S001，通过不同传感器收集陶粒回转炉的运行数据，并对数据进行预处理操作。

在现代陶粒回转炉设备中安装不同传感器收集数据，将铂电阻温度传感器固定安装在回转炉内中段位置采集回转炉内温度数据；将氧气传感器安装在回转炉烟气排放口采集回转炉内氧气含量；将绝对压力传感器安装在回转炉侧壁采集回转炉内部压强数据，每隔/>秒采集一组实时数据包括温度，氧气含量以及压强，采集时间间隔参数实施者可根据实际情况自行选取，本发明中选取经验值/>。除上述所采集到的实时数据外，此处还需预先采集回转炉在正常工作状态下一个完整陶粒烧结周期的三类参数的历史数据，作为各参数的参考数据序列以便后续分析烧结阶段，这里各参数的参考数据采集时间间隔同样设置为经验值/>，采集时长由陶粒成品烧结时间所决定。将上述获取的两类数据进行预处理，包括数据清洗以及归一化操作，得到归一化的温度参考数据序列/>，氧气含量参考数据序列/>以及压强参考数据序列/>，待分析的实时监测温度数据序列/>，氧气含量数据序列/>以及压强数据序列/>，上述数据清洗以及归一化作为公知技术此处不再进行赘述。

至此，即可通过本实施例上述方法获取回转炉运行数据，并对数据进行归一化处理，作为回转炉运行状况分析的基础数据。

步骤S002：基于预处理后数据时间序列特征划分回转炉正常工作状态的不同烧结阶段，并根据不同烧结阶段中参数自身变化以及参数之间相互关系构建烧结状态参数，计算实时监测数据时间窗口的烧结阶段隶属度。

本实施例中共采集了回转炉的三类参数，其中温度作为关键参数，不仅可以反映烧结曲线，判断其是否处于正常区间内，还可以在温度梯度异常时预警热应力过大等问题；氧气含量过低时会造成渗碳现象；而压力数据则体现了回转炉内气流分布均匀程度，通过分析上述参数变化趋势以及参数之间内在联系完成回转炉故障风险评估方法。

在回转炉烧结陶粒的过程中，其参数并不是一成不变的，对于不同的陶粒烧结阶段，各个参数也会发生相应的变化，以温度参数来举例说明。在预热阶段，回转炉温度缓慢上升到左右，以蒸发原料上的吸附水分；在升温阶段逐步升高到/>左右，使原料颗粒开始熔结和结合，形成固体陶粒；在保温阶段保持在/>左右，进行全面烧结；最后降温阶段逐步降低至/>以下，烧结完成。也就是说如果实时采集的数据发生改变时并不能说明回转炉一定发生了故障，可能是由于陶粒烧结阶段的改变引起的变化，那么在对采集数据分析时需要判断数据的变化属于烧结阶段改变引起的正常变化，或是属于故障引起的异常变化。

首先，本实施例通过分析各参考数据序列来确定陶粒各个烧结阶段的数据特征，其中温度是最能直观反映回转炉工作状态的参数，由先验知识可知一个完整的陶粒烧结周期共包括多个升温阶段、稳定阶段以及最终的降温阶段，首先计算获得温度参考数据序列的一阶差分序列，即温度参考数据序列中所有相邻的前一温度参考数据与后一温度参考数据的差值组成的序列作为一阶差分序列，检测一阶差分序列的各拐点（局部极值点），拐点数据对应的采集时刻即表示烧结阶段发生改变的时间点，这里需要说明的是，将拐点在温度参考数据序列中对应的后一温度参考数据作为拐点的对应点，也即一阶差分序列的第一个元素的对应点为温度参考数据序列的第二个温度参考数据，由于陶粒烧结时从一开始就处于升温阶段所以温度参考数据序列第一个元素并不会为拐点，也就是对于后续分析内容不会产生影响。将拐点数记为M，则这/>个拐点将温度参考数据序列划分为/>个烧结阶段，每个被划分的温度参考数据则对应一个烧结阶段，将这些烧结阶段分别记为升温阶段/>、稳定阶段/>、以及降温阶段/>，其中/>与/>分别为升温阶段以及稳定阶段的标号。

将采集时刻按照阶段分割后，分析每个烧结阶段内各个参数本身特征以及相互的关联性，以烧结阶段的第一升温阶段为例，提取该阶段所包含采集时刻的温度、氧气含量以及压力数据，首先分别计算温度、氧气含量以及压强参数在第一升温阶段对应数据采集时段内的平均值和标准差，分别记为/>、/>、/>和/>、/>、，反映该阶段参数中心趋势和离散程度；然后分别获取温度、氧气含量以及压强参数在第一升温阶段内的最大值和斜度，分别记为/>、/>、/>和/>、、/>，反映该阶段参数极值和分布形状，基于此，本实施例将构建第一升温阶段的特征矩阵/>，如下所示：

该特征矩阵中每列数据为同一特征的不同变量，然后本实施例采用PCA主成分分析方法对特征矩阵进行降维，去除噪声以及冗余信息并筛选最主要的特征，按照解释方差大小排序获取第一主成分向量，将每个第一主成分向量作为对应参数的关键组分，各第一主成分向量得到一维特征矩阵：

式中，表示温度参数对应的第一升温阶段的温度关键组分，/>与分别表示第一升温阶段的氧气含量关键组分、压强关键组分。

在不同升温阶段，温度的变化速率也不相同，比如在第一升温阶段，温度需要提高至左右，该阶段温升比较缓慢以充分蒸发水分；在第二升温阶段，温度需要提高到左右，此阶段温升较快；后续升温阶段回转炉设备功率提升较慢，需较长时间提高温度；同时在烧结结束后的降温阶段，如果降温不均则会产生大温差，使得陶粒破裂等，所以一般为自然降温，温度变化较慢。也就是说在回转炉设备正常工作的不同温度变化阶段，其温度与氧气含量以及压力之间的关系也不完全相同，因此同样针对每个烧结阶段确定三个参数的相互制约关系。

这里仍然以烧结阶段的第一升温阶段为例，第一升温阶段对应的数据采集时段记为，该/>时间段内对应的第一升温阶段的温度参考数据序列为/>、氧气含量参考数据序列为/>、压强参考数据序列为/>。在升温阶段时，温度升高会加速氧气的消耗，而氧气含量的变化会影响烧结气氛，进而影响陶粒的烧结效果，同时温度升高会使得回转炉内气体膨胀，导致压力升高，在压力稳定的情况下回转炉内气流流动均匀，可提高烧结均匀性。通过上述内容可知，虽然在不同温度变化阶段各参数之间相互关系不完全相同，但是各参数在设备正常情况下仍具有一定的线性关系，那么此处分别计算参数之间的皮尔逊相关系数来确定其线性相关程度，计算第一升温阶段对应数据采集时段内的温度参考数据序列与氧气含量参考数据序列之间皮尔逊相关系数、第一升温阶段对应数据采集时段内的温度参考数据序列与压强参考数据序列之间皮尔逊相关系数、第一升温阶段对应数据采集时段内的氧气含量参考数据序列与压强参考数据序列之间皮尔逊相关系数。那么对于第一升温阶段来说，其烧结状态参数/>计算如下所示：

其中、/>以及/>分别为第一升温阶段温度、氧气含量以及压强的权重；/>为第一升温阶段的第一温度相关系数；/>为第一升温阶段的第二温度相关系数；/>为第一升温阶段的氧气压强相关系数；/>则为第一升温阶段的烧结状态参数；/>则为调参因子，避免分母为0的情况，本实施例中取经验值。

当第一升温阶段中某个参数的权重越大时，说明该参数的关键组分在此阶段中重要性越大，则第一升温阶段的烧结状态参数越大。通过上述计算过程可获得回转炉设备正常工作时第一升温阶段的烧结状态参数。

重复本实施例上述方法分别获取其余阶段的烧结状态参数，至此可得到回转炉正常工作情况下各个阶段的烧结状态参数。

然后，本实施例将对回转炉各参数的实时监测数据进行分析，计算实时监测数据的烧结阶段隶属度来判断其是否属于设备正常工作情况下的某个烧结阶段。

对于现代工业回转炉所烧结的陶粒，较大型陶粒平均烧结时间在一天左右，那么并不能准确判断在单一采集时刻的实时监测数据是否属于某个烧结阶段，因此，本实施例使用滑动窗口对实时监测数据进行判断，具体为：

使用定长时间窗口采集实时监测数据，以本实施例上述相同方式计算时间窗口内各参数的关键组分以及权重，从而获取当前监测时间窗口的烧结状态参数，与参考数据中每个阶段的烧结状态参数进行比较判断当前时间窗口内监测数据是否异常，从而对回转炉故障风险进行评估。本实施例中采用1L的定长时间窗口对实时监测数据序列进行分析，L为时间窗口长度，实施者可自行设定，本实施例根据平均烧结时长取经验值/>，实施者各自行设定时间窗口长度，这里记第/>个时间窗口的烧结状态参数为/>，则第/>个时间窗口的烧结阶段隶属度/>计算方法为：

其中，表示第/>个时间窗口的烧结状态参数与参考数据第i个阶段的烧结状态参数之间的欧式距离；U为烧结阶段数；/>为第/>个时间窗口的烧结阶段隶属度；为取最小值函数。根据烧结阶段隶属度可知，时间窗口的烧结状态与正常烧结过程中烧结状态参数之间欧式距离最小的烧结阶段的状态最为接近。

重复本实施例上述方法，可对各时间窗口的烧结阶段隶属度进行计算，用于对各时间窗口内回转炉故障风险情况进行分析评估。

步骤S003：基于实时监测数据序列中时间窗口的烧结阶段隶属度判断数据是否异常，完成回转炉故障风险评估。

根据本实施例上述方法，可获取实时监测数据序列各时间窗口的烧结阶段隶属度，对本实施例上述时间窗口的烧结阶段隶属度检测结果进行分析，如果第个时间窗口的烧结阶段隶属度/>小于阈值/>，那么说明该时间窗口的烧结状态属于回转炉正常工作下的某个烧结阶段，反之当其大于阈值/>时，说明该时间窗口的烧结状态参数与参考数据烧结状态参数集合中的数据差异较大，有可能为回转炉故障的时间窗口，但也有可能是定长时间窗口采集的实时数据正好处于烧结阶段改变的节点，那么针对此情况可再次采集后续实时数据并计算第/>个时间窗口的烧结阶段隶属度/>，如果烧结阶段隶属度/>、/>均大于阈值/>，则第/>个时间窗口所采集的数据异常，根据烧结阶段隶属度构建回转炉故障风险指标/>，具体计算过程如下：

其中，为第/>个时间窗口的回转炉故障风险指标；/>与/>分别为第/>个时间窗口与第/>个时间窗口的烧结阶段隶属度；/>为阈值，该参数可由实施者根据实际情况自行选取，本实施例中选取经验值/>；/>为归一化处理。

当第个时间窗口与第/>个时间窗口的烧结阶段隶属度/>、/>均大于阈值/>时，说明第/>个时间窗口内的数据出现异常，也即上式中的分子越大，则越有可能为回转炉出现故障的时间窗口，对应回转炉故障风险指标/>也越大。当回转炉故障风险指标/>大于风险阈值时，即说明此时回转炉存在故障风险，应及时提示相关维护人员对回转炉进行检修，避免故障的发生。需要说明的是，风险阈值的设定实施者可自行选取，本实施例中风险阈值为0.3。

综上所述，本发明实施例基于参考数据的温度时间序列特征将正常回转炉工作状态分为不同的烧结阶段，并根据不同烧结阶段各参数特征构建特征矩阵，然后降维得到各个阶段各参数的关键组分，降低整体计算量，避免无关数据的影响；

同时，本发明实施例根据不同烧结阶段各参数之间相互联系确定参数权重计算获取烧结状态参数，对实时数据进行监测计算时间窗口的烧结阶段隶属度来判断获取的实时数据是否异常，避免了常规预测算法在不同烧结阶段改变时间点产生错误预测数据，防止对回转炉故障风险评估结果产生影响，提高了回转炉故障风险评估精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (7)

1.基于大数据分析的窑炉故障风险评估方法，其特征在于，该方法包括以下步骤：

采集回转炉各参数的实时监测数据序列，参数包括温度、氧气含量及压强，将回转炉正常工作状态各参数的数据序列记为参考数据序列；

根据温度参考数据序列的变化将回转炉烧结过程划分为各烧结阶段；对于各烧结阶段，根据烧结阶段对应数据采集时段内各参数的数据构建烧结阶段的特征矩阵，结合PCA主成分分析及特征矩阵得到烧结阶段各参数的关键组分；根据烧结阶段对应数据采集时段内各参数数据之间的关系得到烧结阶段各参数的权重；根据烧结阶段各参数的关键组分及权重得到烧结阶段的烧结状态参数；

获取各烧结阶段的烧结状态参数，构建实时监测数据序列的时间窗口，获取各时间窗口的烧结状态参数，根据时间窗口与各烧结阶段的烧结状态参数之间的欧式距离得到时间窗口的烧结阶段隶属度；根据相邻时间窗口的烧结阶段隶属度得到时间窗口的回转炉故障风险指标；根据回转炉故障风险指标评估时间窗口内回转炉故障风险；

所述根据温度参考数据序列的变化将回转炉烧结过程划分为各烧结阶段，包括：

将温度参考数据序列中相邻的前一温度参考数据与后一温度参考数据的差值组成的序列作为一阶差分序列，获取一阶差分序列中各拐点；将拐点在温度参考数据序列中对应的后一温度参考数据作为拐点的对应点，根据各对应点对温度参考数据序列进行划分得到回转炉烧结过程的各烧结阶段，其中各烧结阶段包括升温阶段、稳定阶段以及降温阶段；

所述构建烧结阶段的特征矩阵包括：

计算烧结阶段对应数据采集时段内各参数对应参考数据的平均值、标准差、最大值及斜度，将每个参数的平均值标准差、最大值及斜度作为特征矩阵的各行；

所述结合PCA主成分分析及特征矩阵得到烧结阶段各参数的关键组分包括：

对特征矩阵中每个行向量进行PCA主成分分析，得到每个行向量对应的第一主成分向量，将所述第一主成分向量作为对应参数的关键组分。

2.如权利要求1所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述根据烧结阶段对应数据采集时段内各参数数据之间的关系得到烧结阶段的各参数权重，包括：

分别计算烧结阶段对应数据采集时段内的温度参考数据序列与氧气含量参考数据序列、压强参考数据序列之间皮尔逊相关系数，分别记为第一温度相关系数、第二温度相关系数，将第一温度相关系数与第二温度相关系数的和值作为烧结阶段的温度权重；

计算烧结阶段对应数据采集时段内的氧气含量参考数据序列与压强参考数据序列之间的皮尔逊相关系数，记为氧气压强相关系数，将所述氧气压强相关系数与第一温度相关系数倒数的和值作为烧结阶段氧气含量的权重；

将所述第二温度相关系数倒数与氧气压强相关系数倒数的和值作为烧结阶段压强的权重。

3.如权利要求1所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述根据烧结阶段各参数的关键组分及权重得到烧结阶段的烧结状态参数，包括：将烧结阶段所有参数的关键组分与权重乘积的和值作为烧结阶段的烧结状态参数。

4.如权利要求1所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述构建实时监测数据序列的时间窗口，包括：

采用固定长度的1*L窗口对各参数的实时监测数据序列进行划分，所述固定长度的1*L窗口为时间窗口，其中，L为时间窗口长度。

5.如权利要求1所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述根据时间窗口与各烧结阶段的烧结状态参数之间的欧式距离得到时间窗口的烧结阶段隶属度，包括：

将时间窗口与各烧结阶段的烧结状态参数之间的欧式距离的最小值作为时间窗口的烧结阶段隶属度。

6.如权利要求1所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述根据相邻时间窗口的烧结阶段隶属度得到时间窗口的回转炉故障风险指标，具体为：

计算当前时间窗口烧结阶段隶属度与下一时间窗口烧结阶段隶属度和值，获取所述和值与预设阈值的差值，将所述差值与所述和值的比值进行归一化的结果作为当前时间窗口的回转炉故障风险指标。

7.如权利要求6所述的基于大数据分析的窑炉故障风险评估方法，其特征在于，所述根据回转炉故障风险指标评估时间窗口内回转炉故障风险，包括：当回转炉故障风险指标高于风险阈值时，则判定时间窗口内回转炉存在故障风险，当回转炉故障风险指标低于风险阈值时，则判定时间窗口内回转炉不存在故障风险。