基于LSTM⁃RNN的煤气化关键设备动态风险评估

doi:10.12422/j.issn.1672-6952.2026.05.008

摘要/Abstract

摘要：

为解决动态风险评估中动态贝叶斯网络（DBN）先验数据主观性强的问题，以煤浆制备系统为研究对象，利用长短时记忆循环神经网络（LSTM⁃RNN）模型优化了DBN的先验数据；LSTM⁃RNN通过门控机制与细胞状态，动态筛选和保留关键信息，有效记忆长序列中的早期特征，同时过滤冗余噪声，稳定学习长时间跨度的依赖关系，通过对系统历史运行性能时序数据进行学习，实现对DBN的先验数据优化；对优化后煤浆制备系统的DBN进行双向推理，实现对煤浆制备系统的动态可靠性分析。结果表明，对煤浆制备系统DBN进行正向推理，可得到优化后的系统可靠性变化趋势；进行反向推理，可得到优化前后的关键事件及薄弱环节。

关键词: 贝叶斯估计, 蒙特卡洛模拟, 动态贝叶斯网络, 长短时记忆循环神经网络, 可靠性

Abstract:

To address the strong subjectivity of prior data in dynamic Bayesian network (DBN) for dynamic risk assessment, this study focuses on a coal⁃slurry preparation system and uses a long short⁃term memory recurrent neural network (LSTM⁃RNN) to optimize the prior data of the DBN. Through its gating mechanism and cell state, the LSTM⁃RNN dynamically screens and retains key information, effectively captures early⁃stage features in long sequences, filters redundant noise, and robustly learns long⁃term dependencies. By learning the time‑series historical operational performance data of the system, the prior data of the DBN is optimized. Bidirectional inference is then performed on the optimized DBN to achieve dynamic reliability analysis of the coal⁃slurry preparation system. The results show that forward inference yields the optimized trend of system reliability, whereas backward inference identifies key events and weak links before and after optimization.

Key words: Bayesian estimation, Monte Carlo simulation, Dynamic Bayesian network, Long short?term memory recurrent neural network, Reliability

中图分类号:

TQ545

刘明, 张文欣. 基于LSTM⁃RNN的煤气化关键设备动态风险评估[J]. 辽宁石油化工大学学报, 2026, 46(5): 52-60.

Ming LIU, Wenxin ZHANG. Dynamic Risk Assessment of Key Coal Gasification Equipment Based on LSTM⁃RNN[J]. Journal of Liaoning Petrochemical University, 2026, 46(5): 52-60.

图/表 12

图1 DBN的初始网络及转移网络（a）初始网络（b）转移网络

Fig.1 Initial network and transfer network of DBN

图2 RNN网络结构

Fig.2 RNN network structure

图3 RNN按时间展开的网络结构

Fig.3 Network structure of RNN unfolded over time

图4 LSTM 的整体框架简化图

Fig.4 Simplified overall framework of LSTM

图5 LSTM 的内部门控细节图

Fig.5 Internal gate control details of LSTM

图6 煤浆制备系统事故树模型

Fig.6 Fault tree model of coal slurry preparation system

表1 节点符号及事件名称

Table 1 Node symbol and event name

节点符号	事件名称
T	煤浆制备系统故障
M₁	磨煤机给水量异常
M₂	煤流量异常
M₃	添加剂流量异常
X₁	添加剂给料泵P1409打量异常
X₂	添加剂给料泵P1409入口管线堵塞
X₃	流量控制器FIC1101阀门回路故障
X₄	给水流量计FI1101A/B显示偏低
X₅	煤仓V1101空仓
X₆	煤仓V1101煤架桥
X₇	煤仓料位指示器WI1101故障
X₈	煤仓料位指示器WI1101控制回路故障
X₉	添加剂计量泵P1203故障
X₁₀	添加剂计量泵P1203入口滤网堵塞
X₁₁	添加剂流量计FI1204故障
X₁₂	磨机出料槽V1102液位过低
X₁₃	辅助系统故障

图7 煤浆制备系统的DBN模型

Fig.7 Dynamic Bayesian network model of coal slurry preparation system

表2 煤浆制备系统节点先验失效率

Table 2 Prior failure rates of nodes in the coal slurry preparation system

节点符号	$λ$ /h^-1	节点符号	$λ$ /h^-1
X₁	9.588 4×10^－5	X₈	1.003 9×10^－4
X₂	1.652 4×10^－4	X₉	3.239 2×10^－4
X₃	1.476 7×10^－4	X₁₀	1.400 1×10^－4
X₄	1.138 9×10^－4	X₁₁	5.101 4×10^－4
X₅	4.479 8×10^－5	X₁₂	3.096 3×10^－4
X₆	7.746 5×10^－5	X₁₃	1.339 9×10^－4
X₇	1.031 8×10^－4

表2 煤浆制备系统节点先验失效率

Table 2 Prior failure rates of nodes in the coal slurry preparation system

节点符号	$λ$ /h^-1	节点符号	$λ$ /h^-1
X₁	9.588 4×10^－5	X₈	1.003 9×10^－4
X₂	1.652 4×10^－4	X₉	3.239 2×10^－4
X₃	1.476 7×10^－4	X₁₀	1.400 1×10^－4
X₄	1.138 9×10^－4	X₁₁	5.101 4×10^－4
X₅	4.479 8×10^－5	X₁₂	3.096 3×10^－4
X₆	7.746 5×10^－5	X₁₃	1.339 9×10^－4
X₇	1.031 8×10^－4

表3 煤浆制备系统DBN优化后的先验失效率及维修率

Table 3 Optimized prior failure rates and repair rates of the DBN for the coal slurry preparation system

节点符号	$λ$ /h^-1	维修率/h^-1
X₁	1.002 0×10^－4	1
X₂	1.727 0×10^－4	1
X₃	1.543 5×10^－4	1
X₄	1.187 0×10^－4	2
X₅	4.675 9×10^－5	3
X₆	8.086 6×10^－5	2
X₇	1.077 5×10^－4	1
X₈	1.048 8×10^－4	2
X₉	3.372 9×10^－4	1
X₁₀	1.463 3×10^－4	2
X₁₁	5.313 6×10^－4	2
X₁₂	3.233 2×10^－4	1
X₁₃	1.400 1×10^－4	3

表3 煤浆制备系统DBN优化后的先验失效率及维修率

Table 3 Optimized prior failure rates and repair rates of the DBN for the coal slurry preparation system

节点符号	$λ$ /h^-1	维修率/h^-1
X₁	1.002 0×10^－4	1
X₂	1.727 0×10^－4	1
X₃	1.543 5×10^－4	1
X₄	1.187 0×10^－4	2
X₅	4.675 9×10^－5	3
X₆	8.086 6×10^－5	2
X₇	1.077 5×10^－4	1
X₈	1.048 8×10^－4	2
X₉	3.372 9×10^－4	1
X₁₀	1.463 3×10^－4	2
X₁₁	5.313 6×10^－4	2
X₁₂	3.233 2×10^－4	1
X₁₃	1.400 1×10^－4	3

图8 煤浆制备系统可靠性预测结果

Fig.8 Reliability prediction results of the coal slurry preparation system

图9 优化后系统各节点的后验概率及概率变化率

Fig.9 Posterior probabilities and probability variation rate of each node in the optimized system

参考文献 37

[1]	张敏，张海峰，王红林，等. 晋城无烟煤气化技术发展研究［J］. 煤炭科学技术， 2020， 48（S1）： 215⁃218.
	ZHANG M， ZHANG H F， WANG H L， et al. Study on development of anthracite gasification technology in Jincheng［J］. Coal Science and Technology， 2020， 48（S1）： 215⁃218.
[2]	张能，乔二浪，鲁得鹏，等. 煤气化技术应用现状及发展趋势［J］. 化工设计通讯， 2022， 48（7）： 1⁃3.
	ZHANG N， QIAO E L， LU D P， et al. Application status and development trend of coal gasification technology［J］. Chemical Engineering Design Communications， 2022， 48（7）： 1⁃3.
[3]	栾运加. 煤气化技术的现状及发展趋势研究［J］. 化工管理， 2023（16）： 75⁃77.
	LUAN Y J. Research on the status quo and development trend of coal gasification technology［J］. Chemical Enterprise Management， 2023（16）： 75⁃77.
[4]	葛世荣，刘淑琴，樊静丽，等. 低碳化现代煤基能源开发关键技术体系［J］. 煤炭学报， 2024， 49（7）： 2949⁃2972.
	GE S R， LIU S Q， FAN J L， et al. Key technologies for low⁃carbon modern coal⁃based energy［J］. Journal of China Coal Society， 2024， 49（7）： 2949⁃2972.
[5]	LIU M， MA J Y， DUO Y L， et al. Reliability analysis of gasifier lock bucket valve system based on DBN method［J］. Mathematical Problems in Engineering， 2021， 2020（1）： 8840545.
[6]	LIU Y P， WANG S， LIU Q， et al. Failure risk assessment of coal gasifier based on the integration of bayesian network and trapezoidal intuitionistic fuzzy number⁃based similarity aggregation method （TpIFN⁃SAM）［J］. Processes， 2022， 10（9）： 1863.
[7]	ZHAO D， WANG Z R， SONG Z Y， et al. Assessment of domino effects in the coal gasification process using fuzzy analytic hierarchy process and bayesian network［J］. Safety Science， 2020， 130： 104888.
[8]	刘明，靳宇，李宽，等. 基于贝叶斯网络气化炉供料系统风险分析［J］. 中国安全生产科学技术， 2020， 16（6）： 87⁃92.
	LIU M， JIN Y， LI K， et al. Risk analysis on feeding system of gasifier based on Bayesian network［J］. Journal of Safety Science and Technology， 2020， 16（6）： 87⁃92.
[9]	高涵，多依丽，孙铁，等. 基于DBT⁃DBN模型的气化炉超温动态风险分析［J］. 中国安全科学学报， 2021， 31（3）： 73⁃81.
	GAO H， DUO Y L， SUN T， et al. Dynamic risk analysis of gasifier overtemperature scenario based on DBT⁃DBN［J］. China Safety Science Journal， 2021， 31（3）： 73⁃81.
[10]	程英豪，刘长青，庄其扬，等. 基于循环神经网络的切削力无传感器监测［J］. 机械工程学报， 2025， 61（6）： 14⁃23.
	CHENG Y H， LIU C Q， ZHUANG Q Y， et al. Sensorless cutting force monitoring based on recurrent neural network［J］. Journal of Mechanical Engineering， 2025， 61（6）： 14⁃23.
[11]	LIAO W Q， FU W L， YANG K， et al. Multi⁃scale residual neural network with enhanced gated recurrent unit for fault diagnosis of rolling bearing［J］. Measurement Science and Technology， 2024， 35（5）： 056114.
[12]	温志勇，翁小雄，谢帮权. 基于多层复杂网络的循环神经网络交通量预测模型［J］. 现代电子技术， 2024， 47（22）： 173⁃178.
	WEN Z Y， WENG X X， XIE B Q. Recurrent neural network traffic volume prediction model based on multi⁃layer complex network［J］. Modern Electronics Technique， 2024， 47（22）： 173⁃178.
[13]	MENA⁃OREJA J， GOZALVEZ J. A comprehensive evaluation of deep Learning⁃Based techniques for traffic prediction［J］. IEEE Access， 2020， 8： 91188⁃91212.
[14]	MA D F， SONG X， LI P. Daily traffic flow forecasting through a contextual convolutional recurrent neural network modeling inter⁃and intra⁃day traffic patterns［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（5）： 2627⁃2636.
[15]	KISVARI A， LIN Z， LIU X L. Wind power forecasting⁃a data⁃driven method along with gated recurrent neural network［J］. Renewable Energy， 2021， 163： 1895⁃1909.
[16]	DUAN J K， ZUO H C， BAI Y L， et al. Short⁃term wind speed forecasting using recurrent neural networks with error correction［J］. Energy， 2021， 217： 119397.
[17]	任晓萍，陈志平. 采用门控循环单元与深度进化策略的股票指数量化模型［J］. 西安交通大学学报， 2025， 59（2）： 146⁃155.
	REN X P， CHEN Z P. Quantitative model for stock indexes based on gated recurrent unit and deep evolution strategy［J］. Journal of Xi'an Jiaotong University， 2025， 59（2）： 146⁃155.
[18]	LAZCANO A， HERRERA P J， MONGE M. A combined model based on recurrent neural networks and graph convolutional networks for financial time series forecasting［J］. Mathematics， 2023， 11（1）： 224.
[19]	ZHOU Y L， GUO S L， XU C Y， et al. Improving the reliability of probabilistic multi⁃step⁃ahead flood forecasting by fusing unscented Kalman filter with recurrent neural network［J］. Water， 2020， 12（2）： 578.
[20]	ZHANG Z， DONG Y. Temperature forecasting via convolutional recurrent neural networks based on time⁃series data［J］. Complexity， 2020， 2020（1）： 3536572.
[21]	FEKRI M N， PATEL H， GROLINGER K， et al. Deep learning for load forecasting with smart meter data： Online adaptive recurrent neural network［J］. Applied Energy， 2021， 282： 116177.
[22]	ROHINI G， GNANA K C， NAGENDRA S. Autonomous forecasting of traffic in cellular networks based on long⁃short term memory recurrent neural network［J］. Cybernetics and Systems， 2025， 56（1）： 33⁃45.
[23]	张学友，石永建，李冀，等. 应用LSTM⁃RNN的特高压直流输电系统继电保护故障检测方法［J］. 中国测试， 2025， 51（3）： 177⁃184.
	ZHANG X Y， SHI Y J， LI J， et al. Research on fault detection method of UHV DC transmission system relay protection based on LSTM⁃RNN［J］. China Measurement & Testing Technology， 2025， 51（3）： 177⁃184.
[24]	李昊，孙桓五，刘世闯，等. 氢燃料重卡的动力电池LSTM温度预测模型研究［J］. 机械设计与制造， 2024， 405（11）： 216⁃221.
	LI H， SUN H W， LIU S C， et al. Study on LSTM temperature prediction model of power battery for hydrogen fuel heavy truck［J］. Machinery Design & Manufacture， 2024， 405（11）： 216⁃221.
[25]	李福进，刘尚瑜，史涛. LSTM⁃RNN在连铸下渣预测系统中的应用［J］. 机械设计与制造， 2022， 371（1）： 181⁃183.
	LI F J， LIU S Y， SHI T. Application of LSTM⁃RNN in continuous casting slag prediction system［J］. Machinery Design & Manufacture， 2022， 371（1）： 181⁃183.
[26]	孙卓越，曹垚林，杨东，等. 基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测［J］. 煤矿安全， 2019， 50（12）： 152⁃157.
	SUN Z Y， CAO Y L， YANG D， et al. Dynamic prediction of gas concentration in mining face based on long short⁃term memory neural network［J］. Safety in Coal Mines， 2019， 50（12）： 152⁃157.
[27]	褚浩元，张傲雪，李情霞，等. 基于长短时记忆神经网络的抽油机井故障智能预警［J］. 科学技术与工程， 2024， 24（9）： 3646⁃3653.
	CHU H Y， ZHANG A X， LI Q X， et al. Intelligent early warning of pumping machine well fault based on long short⁃term memory neural network［J］. Science Technology and Engineering， 2024， 24（9）： 3646⁃3653.
[28]	RUAN X， ZHANG J T， WANG X L. Predicting failure process of precast deck joints using physics⁃guided LSTM model［J］. Structures， 2024， 59： 105732.
[29]	BRAHIMI L， HADROUG N， IRATNI A， et al. Advancing predictive maintenance for gas turbines： An intelligent monitoring approach with ANFIS， LSTM， and reliability analysis［J］. Computers & Industrial Engineering， 2024， 191： 110094.
[30]	SONG Y， NA Y， KIM K， et al. Diagnosis of electrical submersible pump failure using deep learning model with sand⁃water flow experimental data［J］. Geoenergy Science and Engineering， 2024， 243： 213279.
[31]	OFFIONG N M， WU Y， MUNIANDY D， et al. A comprehensive comparative analysis of deep learning tools for modeling failures in smart water taps［J］. Water Supply， 2022， 22（1）： 424⁃436.
[32]	陈省，张建杰. 基于深度学习模型及组合模型的沙漠面积预测研究［J］. 现代电子技术， 2024， 47（7）： 170⁃176.
	CHEN S， ZHANG J J. Research on desert area prediction based on deep learning model and combination model［J］. Modern Electronics Technique， 2024， 47（7）： 170⁃176.
[33]	齐晗兵，李怀治，王秋实，等. 光谱预处理⁃卷积神经网络模型预测油田污水含油量研究［J］. 当代化工， 2023， 52（2）： 407⁃410.
	QI H B， LI H Z， WANG Q S，et al. Prediction of oil content in oilfield sewage by spectral preprocessing⁃CNN model［J］. Contemporary Chemical Industry，2023，52（2）：407⁃410.
[34]	卢文君，张金蓉，崔瑞利，等. 基于回归算法的渣油加氢装置反应温度预测及系统实现［J］. 石油学报（石油加工）， 2024， 40 （5）： 1345⁃1352.
	LU W J，ZHANG J R，CUI R L，et al. System realizationand reaction temperature predictionin residual oil hydrogenation unitbasedon regression algorithm［J］. Actapetroleisinica （Petroleum Processingsection）， 2024， 40 （5）： 1345⁃1352.
[35]	王梅，朱晓丽，孙洪国，等. 基于融合评价指标BERT⁃RGCN的油田评价区块调整措施推荐方法［J］. 东北石油大学学报， 2025， 49 （5）： 110⁃120.
	WANG M，ZHU X L，SUN H G，et al. Recommendation method for adjustment measures of oilfield evaluation blocks based on the fusion evaluation index BERT⁃RGCN［J］. Journal of Northeast Petroleum University，2025， 49 （5）： 110⁃120.
[36]	景源，李孟鼎. 基于三维特征构建和扩张残差网络的机械故障音频识别方法［J］. 辽宁大学学报（自然科学版）， 2024， 51 （3）： 220⁃231.
	JING Y，LI M D. A mechanical fault identification method based on 3D feature construction and 3D dilated residual network［J］. Journal of Liaoning University（Natural Science Edition）， 2024， 51 （3）： 220⁃231.
[37]	LIU M， WU L， HOU M. Dynamic risk assessment of a coal slurry preparation system based on the structure⁃variable Dynamic Bayesian Network［J］. Plos ONE， 2024， 19（5）： e0302044.