故障原因的分析判斷很簡單，但對限位開關進行更換的過程很艱辛，這是因為爐膛吹灰器都分布在爐膛的前后左右墻面后，機組運行過程中，吹灰器所在區域環境溫度高，很多安裝在鍋爐本體承重梁旁邊的吹灰器空間狹小，進到位限位開關很難更換，并且很多吹灰器都布置在懸空區域，所以作業環境惡劣，而靠旋轉觸碰觸發信號的機械限位開關，隨著長期運行和機械勞損，故障率極高，維護量大。

所以我們迫切需要一種新方法來改善這種局面。研究發現，之前吹灰器的后退控制采用計數控制方式，即吹灰器進到位轉三圈，進到位限位開關觸發三次，DCS累計計數達到三，DCS才發后退指令，而進到位機械限位開關由于方方面面的因素，故障率極高，進到位限位信號采集的可靠性較低，根本達不到吹灰器控制的可靠性要求。對此，我們可以充分利用DCS的優越性，通過時間控制來代替計數控制。主要方案為：對吹灰器的運行時間進行試驗統計，即試驗記錄吹灰器從發出前進指令到進到位旋轉完成三圈的時間，在DCS里優化為時間控制，吹灰器發出前進指令后，時間到自動發后退指令，而吹灰器是否真實動作可在原始吹灰

原因進入使用壽命的末期，該階段起重機故障率急劇增高。因此，在進行起重機安全風險評估時，應根據其額定使用壽命分階段進行風險評價，根據某種橋式起重機在早期、穩定期和耗損期的不同工作屬性及安全要求， 分析出可能存在的安全風險因素，然后評估每項風險的發生概率和嚴重程度，確定風險等級，同時判定是否需要采取安全措施降低風險，最后執行降低風險程序， 采取安全措施并不斷進行風險評價和風險降低的迭代過程，以盡可能消除起重機的故障危險。

2.2 “ 樹—網”聯合，實現智能化故障診斷近年來， 基于計算機技術和人工智能技術的智能診斷技術在橋式起重機故障診斷分析中得到廣泛應用， 主要有專家系統故障診斷、神經網絡故障診斷、故障樹故障診斷等。其中，故障樹診斷技術基于人的邏輯思維模式， 從整體到部分描繪出故障與各于系統的關系， 根據系統的故障狀態進行推理分析，確定故障發生原因、影響程度及概率。但橋式起重機故障所涉及的系統非常復雜， 采用故障樹的最小割集數將呈現數量級的增長，導致推理周期較長，影響故障診斷的實時性。人工神經網絡是一種自適應識別技術， 可分析因故障引起的起重機狀態變化，并進行識別和判斷，然后進行自主學習和聯想記憶，從而在起重機出現故障狀態時自動生成故障診斷方案。