动态贝叶斯网络构建及篦冷机篦下压力状态预测研究

发布时间：2020-12-25 22:01

　　贝叶斯网络是图论和概率论相结合的产物,具有清晰的拓扑结构及方便的决策机制,仅根据数据就能学习参数间的概率依存关系及参数的变化概率,因此在处理复杂、非线性及不确定性等问题上具有明显的优势。动态贝叶斯网络是贝叶斯网络在时序上的扩展,不仅具有贝叶斯网络的优点,而且还能处理时序问题。水泥工业是国民生产的基础工业,其中水泥篦冷机是水泥生产线中冷却高温熟料及热量回收的关键设备。在实际生产中,篦冷机存在非线性、时变和参数相互耦合等缺点,以及由于篦冷机内测控点少的现状,使得构建精确的篦冷机机理模型很困难,因此提出动态贝叶斯网络构建及篦冷机篦下压力状态预测研究的研究课题。具体研究工作如下:首先,针对两种经典静态贝叶斯结构学习算法K2和HC存在的缺点,分别提出了一种改进算法—MAK算法和CPA算法。在平稳且完整的数据情况下,通过仿真实验验证两种算法的性能并详细分析了各自的优劣。其次,针对静态贝叶斯网络不能处理时序数据的缺点,提出了一种动态贝叶斯算法—I-CPA-DBN算法。将互信息、时间互信息分别和CPA算法相结合,构建动态贝叶斯网络的先验网和转移网。通过仿真实验得出该算法在运行时间和准确率上达到了平衡。... 

【文章来源】：燕山大学河北省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

Asia网络的最大支撑树

图 2-1 Asia 网络的最大支撑树 图 2-2 最多的节点连接2 蚁群节点寻优算法设计原理蚁群优化(Ant Colony Optimization, ACO)算法是由 Marco Dorigo 于 19]。它是由蚂蚁在寻找食物过程中，搜索最优化路径的仿生学算法衍化据启发信息寻找食物，在找到最短路径后，会向该路径释放信息素，蚂蚁搜索该路径，以这种方式，越来越多的蚂蚁会按照这条路径找到有些蚂蚁也会随机的搜索其它路径，经过多次更新搜索，蚂蚁将被吸的路径上来。最后，最好的路径会被大多数的蚂蚁重复搜索。蚁群节点寻优算法将互信息启发性和评分函数可分离性作为蚁群算法，最优贝叶斯结构的 K2 评分作为信息素；蚁群在最大支撑树上根据转效搜索，得到最优的节点序。为了实现贝叶斯网络有向无环图的要求，因此利用禁忌表tabu进行控录着在完成一次循环前蚂蚁已经访问过的节点，用以指引蚂蚁搜索未

k表示蚂蚁k 的禁忌表中第s个元素，即蚂蚁k 走过的第s个节点。初始时刻，蚂蚁 k ( k 1,2, ,m)被随机分配到MWST的节点 i (i 1,2, ,n)，如图2-3所示。图2-3 蚂蚁转移图

【参考文献】：
期刊论文
[1]基于动态贝叶斯的水上交通应急能力评估模型[J]. 陈思,魏晓阳,吴青,汪洋.  统计与决策. 2018(02)
[2]基于贝叶斯网络的工程风险管理研究——以港珠澳大桥主体工程设计风险为例[J]. 丁斅,徐峰.  系统管理学报. 2018(01)
[3]基于融合先验方法的贝叶斯网络结构学习[J]. 高晓光,叶思懋,邸若海,寇振超.  系统工程与电子技术. 2018(04)
[4]基于离散时间贝叶斯网络的动态故障树分析的改良方法[J]. 兰杰,袁宏杰,夏静.  系统工程与电子技术. 2018(04)
[5]热连轧轧制力贝叶斯神经网络预测与模型优化[J]. 窦博.  金属制品. 2017(06)
[6]基于动态贝叶斯网络的机动动作识别方法[J]. 孟光磊,陈振,罗元强.  系统仿真学报. 2017(S1)
[7]篦冷机风机提产降耗改造[J]. 杨国开,马金强.  中国水泥. 2017(12)
[8]基于贝叶斯改进结构算法的回转窑故障诊断模型研究[J]. 刘彬,刘永记,刘浩然,李雷,孙美婷.  中国机械工程. 2017(18)
[9]2500t/d水泥生产线篦冷机活动框架断裂后的改造[J]. 韩文贤.  水泥工程. 2017(04)
[10]2500t/d熟料生产线篦冷机的改造[J]. 朱向国,刘劲松.  水泥技术. 2016(05)

硕士论文
[1]基于贝叶斯网络的生态环境脆弱性评估模型与应用[D]. 莫定源.中国科学院烟台海岸带研究所 2017
[2]水泥篦冷机混杂建模与仿真研究[D]. 郑征.济南大学 2015
[3]基于动态贝叶斯网络的隧道盾构施工诱发变形分析[D]. 晏祎.华中科技大学 2013
[4]新型干法水泥生产线烧成与冷却过程控制研究[D]. 张加良.济南大学 2011
[5]基于蚁群优化的贝叶斯网结构学习算法[D]. 李冰寒.西安电子科技大学 2011



本文编号：2938464