熱工過程特殊參量的認知建模方法

內容概要

　　熱工過程是一個受傳熱、傳質等諸多因素影響且具有非線性、強耦合的復雜物理過程。該過程中涉及大量的、未知的不精確、不確定性信息。《熱工過程特殊參量的認知建模方法：證據(jù)理論的拓展與應用》旨在通過證據(jù)理論的學習和研究，提出新的理論和方法，（主要）用于解決熱工過程特殊參量（無樣本參量）認知問題，為實現(xiàn)熱工對象的在線可控、在線優(yōu)化以及提高熱工對象的生產能力并降低能耗奠定基礎。
　　《熱工過程特殊參量的認知建模方法：證據(jù)理論的拓展與應用》可作為熱能工程、動力機械及工程、能源信息技術、人工智能、應用數(shù)學與工程等專業(yè)研究人員的學術文獻，也可以作為研究生的教材或參考讀物。同時對相關專業(yè)的工程技術人員和管理人員也具有參考價值。

作者簡介

王培紅，教授，1959年9月出生，1982年7月畢業(yè)于南京工學院動力系獲工學學士，1986年3月畢業(yè)于南京工學院動力系獲工學碩士學位并留校任教，2002年11月獲工學博士學位。長期從事熱力系統(tǒng)性能分析與優(yōu)化、熱力設備狀態(tài)檢測與診斷研究?，F(xiàn)任東南大學能源與環(huán)境學院教授、博士生導師，兼任江蘇省能源研究會秘書長、《東南大學學報（自然科學版）》、《能源研究與利用》、《電力與能源》等學術刊物編輯委員會委員。 蘇志剛，博士，1979年6月出生， 2004年7月畢業(yè)于中國礦業(yè)大學動力系獲工學學士； 2006年8月畢業(yè)于東南大學能源與環(huán)境學院獲工學碩士學位；2010年9月畢業(yè)于東南大學能源與環(huán)境學院獲工學博士學位?，F(xiàn)今留校任教。主要研究方向為：人工智能算法、模式識別、軟測量方法和證據(jù)理論研究及其在熱工過程中的應用。

書籍目錄

第1章 緒論
　1.1 研究背景及問題描述
　1.2 證據(jù)理論：基本概念及相關計算
　　1.2.1 證據(jù)袁征
　　1.2.2 證據(jù)融合
　　1.2.3 廣義貝葉斯定理
　　1.2.4 證據(jù)決策
　　1.2.5 模糊證據(jù)理論
　　1.2.6 證據(jù)理論的矩陣計算
　1.3 證據(jù)理論發(fā)展現(xiàn)狀及存在的問題
　　1.3.1 證據(jù)（信度函數(shù)）的解釋
　　1.3.2 證據(jù)的構建
　　1.3.3 證據(jù)融合悖論和獨立性假設
　　1.3.4 證據(jù)融合計算復雜度的簡化
　　1.3.5 證據(jù)理論存在的問題和發(fā)展趨勢
　1.4 主要研究內容及安排
　1.5 主要貢獻
第2章 拓展權函數(shù)
　2.1 證據(jù)正則分解
　　2.1.1 與權函數(shù)
　　2.1.2 并權函數(shù)
　　2.1.3 基于權函數(shù)的證據(jù)融合法則
　2.2 權函數(shù)拓展研究
　2.3 拓展權函數(shù)的應用
　　2.3.1 基于拓展權函數(shù)的信度函數(shù)間的轉換
　　2.3.2 基于拓展權函數(shù)的改進型融合法則
　2.4 本章小節(jié)
第3章 證據(jù)融合獨立性假設及廣義范數(shù)融合法則
　3.1 引言
　3.2 廣義范數(shù)的定義及證明
　3.3 基于廣義范數(shù)的證據(jù)融合法則研究
　　3.3.1 廣義T范數(shù)與法則
　　3.3.2 廣義U范數(shù)與法則
　　3.3.3 廣義T范數(shù)并法則和廣義U范數(shù)并法則
　　3.3.4 廣義范數(shù)融合法則的討論
　　3.3.5 廣義范數(shù)融合法則的簡化
　　3.3.6 廣義范數(shù)融合法則應用示例及分析
　3.4 模糊證據(jù)融合法則研究
　　3.4.1 經典模糊證據(jù)融合法則分析
　　3.4.2 模糊證據(jù)的離散化策略研究
　　3.4.3 基于廣義T范數(shù)與法則及離散化策略的模糊證據(jù)融合
　3.5 本章小結
第4章 證據(jù)k-NN分類算法及其在模式識別中的應用
　4.1 引言
　4.2 經典證據(jù)k-NN分類器
　4.3 經典證據(jù)k-NN分類器存在的局限性分析
　4.4 三種變體證據(jù)k-NN分類器
　　4.4.1 基于自適應度量空間及參數(shù)優(yōu)化的證據(jù)k-NN分類器
　　4.4.2 基于廣義T范數(shù)與法則的證據(jù)k-NN分類器
　　4.4.3 魯棒自適應證據(jù)k-NN分類器
　　4.4.4 實驗分析
　4.5 本章小結
第5章 證據(jù)鄰域粗糙集模型及其在屬性約簡中的應用
　5.1 引言
　5.2 鄰域粗糙集模型及屬性約簡
　5.3 基于鄰域證據(jù)決策誤差率的屬性約簡算法研究
　5.4 證據(jù)鄰域粗糙集模型及屬性約簡算法研究
　5.5 實驗分析
　　5.5.1 屬性約簡算法敏感性分析及分類精度驗證
　　5.5.2 證據(jù)鄰域決策系統(tǒng)的屬性約簡模擬分析
　5.6 本章小結
第6章 證據(jù)回歸多模型建模方法及其在過程預測中的應用
　6.1 引言
　……
第7章 基于證據(jù)回歸多模型的鋼球磨煤機料位認知建模
第8章 基于證據(jù)回歸多模型的汽輪機排汽焓認知建模
第9章 證據(jù)回歸多模型簡化及其用于熱工過程有樣本參量的監(jiān)測
第10章 區(qū)間證據(jù)理論及其在決策中的應用
參考文獻

章節(jié)摘錄

版權頁：   插圖：   現(xiàn)場實驗在一個250 MW熱電廠的鋼球磨煤機上進行。鋼球磨煤機筒直徑3.2m，長4.7 m。鋼球磨煤機的驅動電機為YTM500—6型號電動機。鋼球磨煤機的額定轉速為18.42 rpm，額定功率為710 kW。鋼球磨煤機筒內最大存煤量為大約21 t。鋼球磨煤機筒內填充鋼球的直徑分別為：30 mm，40 mm和60 mm。對應于這三種直徑的鋼球的質量配比分別為30%，40％和30％，鋼球裝載量為34 t。鋼球磨煤機現(xiàn)場實驗是在電廠大修后、正常日常生產前進行的。鋼球磨煤機中所有的鋼球為新添加無磨損鋼球。實驗中，鋼球磨煤機筒內煤量的添加通過一臺給煤機實現(xiàn)。為了計算給煤量方便，給煤機擋板被固定在最大位置處，所以給煤量與給煤機轉速成正比例關系。在實驗中，以給煤機轉速等效給煤量。 正如前文提到的那樣，必須獲得CM、OT、IP、PD和VS的數(shù)據(jù)用于構建學習樣本。CM、OT、IP和PD的數(shù)據(jù)可以直接從電廠DCS系統(tǒng)獲得。換句話說，這4個過程參量的運行數(shù)據(jù)在DCS中每秒采樣一次，然后通過數(shù)據(jù)通信傳遞到作者設計的數(shù)據(jù)處理和存儲系統(tǒng)（在本節(jié)隨后討論）。VS通過設計的硬件系統(tǒng)進行采樣、數(shù)字信號處理獲得。該系統(tǒng)由兩個高靈敏度壓電式加速度傳感器ICP@、兩個變送器（DNZE—Ⅱ，輸出電流4～20 mA）、一塊ADAM5000數(shù)據(jù)采集卡、一臺工業(yè)控制計算機和一些通信電纜組成。兩個加速度傳感器分別被安裝在鋼球磨煤機的前后兩個空心軸承的外部，安裝位置詳見圖7—1所示。傳感器的采樣頻率和賦值分別為0.5 Hz～10 kHz和±50 g。該類型的傳感器之所以被選用是因為實驗用鋼球磨煤機中鋼球沖擊產生的振動信號的頻率范圍為不大于4 kH2。由于沒有關于工業(yè)用鋼球磨煤機軸承振動的完備知識，在此，選擇傳感器時考慮稍大頻率范圍的傳感器。 設計的數(shù)據(jù)處理和存儲系統(tǒng)主要具有兩個功能：（1）存儲從DCS傳送過來的CM、OT、IP和PD的運行數(shù)據(jù)；（2）VS信號的獲取和處理。VS信號的獲取和處理在KINGVIEW環(huán)境和VC++環(huán)境中實現(xiàn)。鋼球磨煤機軸承的振動信號通過傳感器不斷采樣，并經過PLS放大器電路放大兩倍后傳送給KINGVIEW進行存儲。軸承振動信號的采樣頻率選為16 kHz，因此，數(shù)據(jù)獲取系統(tǒng)每秒鐘將存儲容量為78 kb的振動信號。由于振動信號容量大且對原始振動信號進行傅里葉變換耗時較長，基于小波包技術，采用VC++編程實現(xiàn)振動信號的傅里葉變換，將原始振動信號轉換為能量信號。為了與DCS系統(tǒng)的信號采樣頻率一致，將每秒鐘內的能量信號的累加和作為該時刻軸承振動的特征。

圖書封面

評論、評分、閱讀與下載

---

    熱工過程特殊參量的認知建模方法 PDF格式下載

---