《PLOS One》：Reliability assessment of key equipment for coal gasification using artificial intelligence technology
编辑推荐：
为解决气化炉锁斗阀系统可靠性动态失效机制定量建模的空白，本研究提出一种创新方法：使用反向传播（BP）神经网络优化动态贝叶斯网络（DBN）的先验数据。首先，基于隐层神经元数量的经验公式，将系统的原始DBN模型适配为结构自适应的BP神经网络以校准其先验参数，并建立
为解决气化炉锁斗阀系统可靠性动态失效机制定量建模的空白，本研究提出一种创新方法：使用反向传播（BP）神经网络优化动态贝叶斯网络（DBN）的先验数据。首先，基于隐层神经元数量的经验公式，将系统的原始DBN模型适配为结构自适应的BP神经网络以校准其先验参数，并建立DBN先验分布与BP网络输入-输出函数之间的对应关系。随后，利用BP网络的核心特性，通过对锁斗阀系统运行性能的持续学习，实现对DBN先验数据的迭代优化。接着，采用双向推理分析对优化后的DBN模型进行动态系统可靠性评估。结果表明，在正向预测中，不考虑维护情况下系统运行300小时后的可靠性仅为0.047，而纳入维护因素后可提升至0.302。优化后系统的可靠性低于优化前，且差距随时间逐渐扩大。反向推理清晰识别出系统薄弱环节为高压煤粉冲刷、球座间粘连、内部变形与磨损。针对性的预防措施可提升系统可靠性并延长其使用寿命。
**论文解读：基于BP神经网络优化动态贝叶斯网络的气化炉锁斗阀系统可靠性评估**
**研究背景与问题：**
煤的清洁高效利用关乎能源安全与可持续发展，煤化工技术是优化国家能源结构、应对环境挑战的战略需求。煤气化技术是煤化工领域的关键工艺，通过气化炉将固体煤转化为含一氧化碳、氢气等组分的气体。锁斗阀作为气化炉的核心设备，用于控制气化炉工作后灰渣进入锁斗的开关，其故障将导致气化炉排渣异常、设备停机。准确评估锁斗阀系统的可靠性对保障企业生产安全至关重要。然而，现有基于动态贝叶斯网络（DBN）的可靠性研究存在显著局限：传统方法依赖专家知识确定DBN先验参数，受限于专家经验的主观性和不同专家参数分配的差异性，导致参数主观性强、评估结果准确性难以保证。因此，需要一种能够客观优化DBN先验参数的方法，以提升动态可靠性评估的精度。
**研究内容与结论：**
研究人员提出一种基于反向传播（BP）神经网络优化DBN先验数据的创新方案，并通过对SE东方气化炉锁斗阀系统的实证分析验证了其有效性。研究得出以下结论：（1）成功构建结构自适应的BP-DBN融合模型，通过BP神经网络对锁斗阀系统运行性能数据的持续学习，迭代优化了DBN先验数据，获得了优化后的节点失效率（如SX1从4.4544e-04提升至6.8728e-04），显著提高了模型对系统动态特性的表征能力。（2）基于优化DBN模型的双向推理分析表明，不考虑维护时系统运行300小时后可靠性仅0.047，考虑维护后提升至0.302；优化后系统可靠性低于优化前，差距随时间增大。反向推理精确定位薄弱环节为高压煤粉冲刷（SX1）、球座间粘连（SX3）、内部变形与磨损（SX4）及阀球与阀座磨损（SX2）。（3）通过100次蒙特卡洛模拟验证了结果的统计鲁棒性（系统可靠性标准差<0.05，节点后验概率标准差<0.03），并量化了关键薄弱环节SX1失效概率降低10%可使系统可靠性提升约8%，为制定针对性维护措施提供了定量依据。该研究发表于《PLOS One》。
**关键技术方法：**
本研究主要采用以下关键技术方法：
1. **BP神经网络（BP neural network）**：基于隐层神经元数量经验公式，将原始DBN模型适配为结构自适应的BP神经网络（1-7-7三层前馈结构），利用其非线性映射与自学习能力迭代优化DBN先验参数。
2. **动态贝叶斯网络（Dynamic Bayesian Network, DBN）**：构建气化炉锁斗阀系统DBN模型，结合时间片扩展策略进行动态可靠性评估。
3. **蒙特卡洛模拟（Monte Carlo simulation）与贝叶斯估计（Bayesian estimation）**：在系统零故障数据条件下，通过定时截尾实验估计节点失效率。
4. **双向推理（Bidirectional inference）**：正向推理预测系统可靠性变化趋势，反向推理基于后验概率识别薄弱环节。
样本数据来源：专家经验与文献[14–20]提供的SE东方气化炉锁斗阀系统故障模式知识。
**研究结果：**
**（1）DBN先验参数优化**
基于BP神经网络训练（400训练集、100验证集、100测试集，决定系数>0.9），获得优化后的节点失效率与维护率（表3）。优化后节点失效率显著变化，如SX1从4.4544e-04升至6.8728e-04，SX3从3.2673e-04升至4.6227e-04。
**（2）可靠性预测**
在GeNIe软件中构建DBN模型（Δt=60h，总运行300h）。正向推理结果显示：不考虑维护时系统可靠性仅0.047，考虑维护后提升至0.302；优化后系统可靠性低于优化前，且差距随时间增大。通过100次蒙特卡洛模拟验证了数据鲁棒性（标准差<0.05，95%置信区间狭窄），交叉验证与基线对比分析进一步支持了结论的有效性。
**（3）反向推理**
反向推理获得各动态节点后验概率及变化率（RoV）。节点关注顺序为：SX1 > SX3 > SX4 > SX2 > SX7 > SX6 > SX5 > SX10 > SX9 > SX12 > SX8 > SX11。关键薄弱环节为高压煤粉冲刷（SX1）、球座间粘连（SX3）、内部变形与磨损（SX4）及阀球与阀座磨损（SX2）。蒙特卡洛模拟验证了节点后验概率的统计鲁棒性（标准差<0.03），方差分析与t检验支持了动态演化假设。
**总结与讨论：**
研究结论部分翻译如下：
本研究聚焦于能源生产核心设备气化炉的锁斗阀系统技术优化，以平衡可持续能源目标与设备长期运行可持续性为核心需求，提出并验证了基于反向传播（BP）神经网络优化动态贝叶斯网络（DBN）先验数据的创新方案。主要研究结论如下：
（1）成功构建结构自适应的BP-DBN融合模型，有效解决了传统DBN模型依赖经验先验数据导致的评估精度受限问题，通过BP神经网络持续学习锁斗阀系统运行性能数据，实现DBN先验数据的迭代优化，为后续可靠性评估奠定了精确的数据与模型基础。
（2）基于优化DBN模型的双向推理分析验证了该方案在系统动态可靠性评估中的实用价值。正向推理揭示了维护对可靠性的提升作用及优化后系统可靠性更真实的退化趋势；反向推理精确定位了薄弱环节，突破了传统运维依赖经验判断的局限。
（3）研究结果为气化炉锁斗阀系统全生命周期高效管理提供了关键技术支撑，通过量化薄弱环节对可靠性的影响，为制定针对性维护措施提供了定量依据，降低了人力物力无效消耗，同时提高了系统可靠性评估精度，为能源生产系统的低碳高效可持续发展提供了实用技术路径。
