选煤厂CIMS控制的云模型数据融合算法研究

论文摘要

本文结合数据融合综合处理信息的特点和云模型定性与定量相结合的信息处理方法，分析了选煤厂CIMS环境的特点，给出了选煤厂CIMS环境下数据融合的体系结构，并详细分析了选煤厂车间自动化分系统、调度管理分系统、决策管理分系统基于云模型的数据融合过程，创建了各个分系统云模型方法的数据融合模型图，同时给出了各个分系统的数据融合采用的方法及其云模型算法。本文首先针对车间自动化分系统给出了跳汰自控系统故障检测与诊断云模型算法，摒弃了传统神经网络方法有可能陷入局部最小值的局限性，将一维云模型推理映射方法应用到选煤厂跳汰自控系统故障检测与诊断中；其次针对调度管理分系统给出了云模型改进遗传算法处理调度问题，针对传统遗传算法存在搜索速度慢、容易陷入局部最优解的问题，利用云模型的随机性、稳定性特点，给出了两种新的遗传算法：云自适应遗传算法和云遗传算法，根据配煤调度的实际情况，给出选煤厂配煤调度模型，并在该模型中将两种新的遗传算法与传统的遗传算法进行了比较；最后针对决策管理分系统给出了选煤厂效能决策评估云模型数据融合算法，该算法引入计算机模拟技术和相似度比较算法，避免了图形显示不能很明显的反映评估结果的同时提高了精度，在详细分析选煤厂生产流程的基础上，创建了选煤厂效能评估数据融合的评估模型。通过对三个分系统算法仿真实验表明选煤厂各个分系统较传统的分析方法有较大的改进。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 课题的给出及研究意义
• 1.2 国内外研究现状
• 1.2.1 云模型研究现状
• 1.2.2 数据融合研究现状
• 1.2.3 选煤厂 CIMS 控制研究现状
• 1.2.4 选煤厂 CIMS 控制的云模型数据融合研究现状
• 1.3 研究内容
• 2 云模型算法研究
• 2.1 云模型
• 2.1.1 云模型基本概念
• 2.1.2 云模型数字特征
• 2.1.3 云模型 3En 规则
• 2.1.4 云模型的数学外延
• 2.2 云模型发生器
• 2.2.1 一维正向云发生器
• 2.2.2 一维逆向云发生器
• 2.2.3 一维逆向云改进算法
• 2.2.4 条件云发生器
• 2.3 一维云模型推理映射
• 2.4 本章小结
• 3 数据融合及其选煤厂 CIMS 控制研究
• 3.1 数据融合及其 JDL 模型
• 3.1.1 数据融合的定义
• 3.1.2 数据融合的 JDL 模型
• 3.2 选煤厂 CIMS 控制
• 3.2.1 CIMS 系统构成
• 3.2.2 选煤厂 CIMS 的特点
• 3.2.3 选煤厂 CIMS 控制
• 3.3 选煤厂 CIMS 控制中数据融合研究
• 3.3.1 选煤厂 CIMS 控制数据融合控制论方法
• 3.3.2 选煤厂 CIMS 控制数据融合模型
• 3.3.3 选煤厂 CIMS 控制生产过程数据融合
• 3.4 本章小结
• 4 选煤厂跳汰系统故障检测与诊断数据融合算法研究
• 4.1 选煤厂跳汰系统故障检测与诊断系统结构
• 4.1.1 选煤厂跳汰过程
• 4.1.2 跳汰系统故障检测与诊断
• 4.2 云模型故障检测与诊断算法
• 4.3 选煤厂跳汰自控系统故障检测与诊断的仿真
• 4.3.1 检测参数
• 4.3.2 仿真结果
• 4.4 本章小结
• 5 选煤厂配煤调度数据融合算法研究
• 5.1 选煤厂配煤调度数据融合过程
• 5.2 云模型改进遗传算法
• 5.2.1 遗传算法（GA）
• 5.2.2 自适应云遗传算法（CAGA）
• 5.2.3 云遗传算法（CGA）
• 5.3 云模型改进遗传算法在选煤厂调度管理分系统中的应用
• 5.3.1 选煤厂配煤调度数学模型
• 5.3.2 调度参数
• 5.3.3 仿真结果
• 5.4 本章小结
• 6 选煤厂决策评估数据融合算法研究
• 6.1 选煤厂效能决策评估数据融合过程
• 6.2 云模型决策评估算法
• 6.2.1 建立目标模型
• 6.2.2 计算权值
• 6.2.3 专家评分及确定评估集
• 6.2.4 确定目标实际云参数
• 6.2.5 计算当前指标相似度及当前指标评估
• 6.2.6 计算上一指标综合云
• 6.2.7 输出评估结果
• 6.3 选煤厂综合效能决策评估实例
• 6.3.1 评估参数
• 6.3.2 仿真结果
• 6.4 本章小结
• 7 结论
• 参考文献
• 作者简历
• 学位论文数据集
• 详细摘要