基于信息融合燃烧稳定性映射关系模型的研究

华北电力大学硕士学位论文摘要PAGE1摘要电站锅炉燃烧是一个及其复杂的过程，燃烧稳定性的影响因素众多，本文根据煤粉着火稳燃机理，对影响锅炉燃烧稳定性的因素进行了分析。从信息融合的角度出发，利用解决不确定性问题的有力方法D-S证据理论建立燃烧稳定性评判模型，并结合现场的热工测点，选取煤质、负荷、负压、煤粉浓度、火检信号、一次风温、一次风速、一次风率作为D-S证据理论的证据体，利用模糊数学中的隶属函数给出了各个证据的基本概率赋值。通过用现场72小时内的运行数据对评判模型进行测评，测试结果表明，该模型能够较准确的对燃烧稳定性进行评判。关键词：信息融合，证据理论，燃烧稳定性ABSTRACTBoilercombustionisaverycomplexprocess.Therearemanyinfluencingfactorsincombustionstability.Accordingtocombustionmechanismofpulverized-coal,thispaperanalyzedthekeyfactorstotheboilercombustionstability.Inthispaperamethodofsolvinguncertaintyproblem—Dempster-Shaferevidencetheorywasappliedtocombustionstabilityjudgementmodelconstructionfromtheviewoftheinformationfusion.Takethelayoutofthermodynamicmeasuringpointsinthepowerplantintoconsideration,itchosecoal,load,furnacenegativepressure,thecoalpowder'sconcentration,flamedetectingsignal,primaryairtemperature,primaryairflowandprimaryairflowrateasevidencesofDempster-Shaferevidencetheory,andgavebasicprobabilityassignmentofeachevidencethroughmembershipfunctionoffuzzymathematics.Finally,themodelwastestedby72-hourdatafromthepowerplant.Theresultshowedthatthismodelcanjudgetheboilercombustionstabilityaccurately.LianQian(controltheoryandcontrolengineering)Directedbyviceprof.SuJieKEYWORDS:informationfusion，Dempster-Shaferevidencetheory,combustionstability华北电力大学硕士学位论文目录 PAGEII目录中文摘要英文摘要第一章绪论 11.1选题的背景和意义 11.2锅炉燃烧优化控制技术的研究现状 21.2.1国外的燃烧优化控制技术 21.2.2国内的燃烧优化控制技术 41.3信息融合技术的研究现状 61.4本文主要的研究内容 6第二章 燃烧理论基础 92.1煤粉的燃烧过程 92.2煤粉迅速而又安全燃烧的条件 102.3影响煤粉气流着火与燃烧的因素 112.4本章小结 16第三章 信息融合技术 173.1信息融合的理论基础 173.1.1信息融合的基本原理 173.1.2信息融合的级别 183.1.3信息融合的方法 183.2D-S证据理论 203.2.1证据理论的基本概念 203.2.2Dempster组合规则 223.2.3基于证据理论的决策 243.2.4D-S证据理论在信息融合中的基本应用过程 253.2.5证据理论的优缺点 253.3粗糙集理论基础 263.3.1知识与知识库 273.3.2粗糙集理论的知识表示 283.3.3不可分辨关系 293.3.4上近似集和下近似集 303.3.5属性的依赖度和重要性 323.4D-S证据理论与粗糙集理论的关系 333.5本章小结 33第四章基于D-S证据理论的燃烧稳定性评判 344.1研究对象 344.2基于D-S证据理论的燃烧稳定性评判 344.2.1基本概率赋值的获取 354.2.2证据的折扣及推理决策 414.2.3应用实例 424.3本章小结 48第五章 结论 495.1结论 495.2工作展望 49参考文献 50致谢 53在学期间发表的学术论文和参加科研情况 54华北电力大学硕士学位论文 PAGE3第一章绪论1.1选题的背景和意义本课题受到国家自然科学基金项目“基于信息融合的锅炉燃烧状态检测及控制优化”（编号50576022）的资助。随着我国国民经济迅速发展，我国电力设备装机容量以每年7%~8%的速率递增，其中火电燃煤机组占有很大比重。虽然近年来核电、水电、风电、生物质发电等新能源发电都发展迅速，我国的能源结构得到了优化和调整，燃煤发电所占比例有所减小，但是由煤电扮演主角的局面在较长时间内还难以改变。按照我国电力工业发展的总目标：2010年发电装机容量将达到4.5亿kW，预计到2050年我国装机容量将达到16亿kW，其中火电机组仍将占总装机容量的60%以上，并且95%以上都是燃煤机组[1]。目前，我国的火力电站锅炉以亚临界和超临界大容量锅炉为主，由于设备本身及操作管理等方面的原因，性能指标与发达国家相比有较大差距，主要表现在热效率低。2003年，我国供电的平均标准煤耗为381g/kw.h，与发达国家相比，多耗60g/kw.h，热效率低10个百分点。2003年全国年发电量为19080亿千瓦时，以此推算，全国一年发电就要多耗标准煤约1.2亿吨，多花费购煤款100多亿元火电厂中大量的煤炭燃烧，随之而来的是严重的环境污染问题。氮氧化物(NOx)就是煤炭燃烧过程中产生的主要污染物之一，它是一种危害人体健康和破坏大气环境的有毒物质。随着我国火力发电量快速增长，NOx的排放总量逐年增加。燃煤电站NOx的排放问题已引起社会各界的广泛关注。国家环保局在2003年12月颁布的新的《火电厂大气污染物排放标准》(GB13223-2003)，取代了1996年颁布的标准(GB13223-1996)，对我国火电厂机组的NOx排放标准作出了新的规定，要求更加严格。电站煤耗的影响因素是多方面的，包括锅炉、汽轮机和发电机等设备的结构和运行操作、使用寿命、自动化程度和生产管理水平等，其中主要因素是锅炉运行偏离最佳工况，热效率降低。实践表明，受煤炭市场的影响，我国发电用煤的煤质往往变化很大，电站锅炉偏离最佳工况的现象是时常发生的。当锅炉运行很长一段时间后，由于风机或燃烧器等机械部件的老化、烟道漏风、燃用煤种的变化等因素，致使锅炉的运行工况偏离实际的最佳工况。随着环境保护要求的日益严格，燃煤价格的不断上涨，在“厂网分开，竞价上网”的运行机制下，电站锅炉面临降低运行成本与降低污染物排放的双重要求，高效低污染燃烧优化控制技术日益引起人们的关注。所以，火电厂锅炉的燃烧及控制优化一直是国内的研究热点。锅炉燃烧优化系统的核心目标就在于提高燃烧的稳定性、经济性、环保性，锅炉燃烧状况直接影响机组的经济性和安全性，成为火电机组性能优化的关键。目前，电站锅炉燃烧工况的判断大多依靠运行人员的经验，这存在着判断不及时或误判的危险，具有很大的局限性。为了解决这一问题，本文将信息融合技术引入到燃烧稳定性评判领域，根据影响燃烧稳定性的因素来判断锅炉燃烧的工况。1.2锅炉燃烧优化控制技术的研究现状锅炉燃烧优化有多种实现方案，但大体上可以分为两大类，即“硬”的方案和“软”的方案。“硬”的方案主要依赖设备改造，例如更换燃烧器、锅炉炉膛改造、送引风设备改造等等。“硬”方案具有技术成熟，效果明显的优点，但一般需要大量资金投入，同时设备也不可能无限升级。“软”的方案则更多地依赖于检测、控制、操作、决策等，这是一门正在发展中的技术，风险相对大，但也能获得更大的性能价格比，具有更为广阔的发展前景。下面仅对国内外燃烧控制优化方面“软”方案的研究进行介绍。1.2.1国外的燃烧优化控制技术国外的燃烧优化控制技术发展较早，现在已经有成熟的优化软件，并在欧美地区一些大型电厂得到推广应用，国内电厂也有引进。此类运行优化软件根据开发商的不同大致可以分为两类，一是由国际上知名的DCS厂商，基于其多年从事电厂控制和计算机应用所积累的经验以及电厂生产过程和设备特性的知识，来进行多功能模块集成化的火电厂优化软件[2]，如ABB公司推出的优化控制系统OPTIMAX、通用物理（GP）的优化运行和状态检测系统EtaPRO等；二是由一些软件设计公司开发的可用于火电厂过程优化的软件，这类软件以成熟的多目标最优理论为指导，以模型预测和优化搜索为核心，以神经网络、概率统计等为建模手段来模拟燃烧的过程反应，通过改变控制参数的设定值来达到优化燃烧降低污染物排放的目的，如美国Pegasus公司的PowerPerfecterTM系统、美国俄亥俄州Ultramax公司的Ultramax燃烧优化系统等[3]。美国Peagasus公司1995年开发的NeuSIGHT燃烧优化控制系统，是全球电力工业的第一套闭环监督控制系统，其核心技术基于ComputerAssociates公司的神经网络平台。该系统在美国中西部燃煤电厂中的应用，取得了降低煤耗、降低NOx排放的明显效果，但是这种燃烧优化控制技术没有考虑机组运行的动态特性和过程，所以这种优化只是稳态优化。为了能够实现动态过程优化，该公司开发的另一套燃烧优化软件PowerPerfecterTM系统，在基于与NeuSIGHT系统类似的神经网络技术基础上，增加了模型预测控制（MPC）技术，并能通过建立多目标的动态优化控制器，动态调整DCS设定参数与偏置。PowerPerfecterTM系统的核心思想是利用神经网络的离线建模功能建立燃烧控制目标量与锅炉可操作变量及干扰变量的非线性模型，再利用非线性模型预测控制（MPC）技术，通过动态调整DCS设定参数与偏置，实现锅炉燃烧优化与降低排放，其工作原理如图1-1所示。PowerPerfecterTM系统首先利用历史数据站存储的大量来自DCS的运行数据，建立锅炉操作变量（如：氧量设定、给煤机偏移量、风量偏移量等）、干扰变量与反应锅炉燃烧经济性、安全运行、污染物排放的控制目标量（如：锅炉效率、飞灰含碳、排放等）之间的多变量非线性动力学模型。离线建模调试结束后，可在线利用模型进行动态优化控制，通过对风、粉、氧量等影响锅炉燃烧特性的操作变量的设定值或偏置进行动态优化调整，实现基于多目标的锅炉安全运行、低排放运行、经济运行。优化的结果可以以开环操作指导、闭环监督控制两种工作模式与机组的DCS控制系统相连接。Pegasus公司称PowerPerfecterTM系统可以提高锅炉热效率0.5%~2.5%；降低NOx排放10%~30%，同时降低SOx和COx的排放；降低飞灰含碳量；改善再热蒸汽温度控制品质，减少两侧偏差；延长设备的使用寿命；减少事故，提高安全生产率。目前我国山东省的华电莱城电厂和华能天津杨柳青电厂已引进该公司的燃烧优化产品。2006年5月26日，美国NeuCo公司收购了Peagasus公司，以ProcessLink为技术平台，推出了燃烧优化系统CombustionOptTM。[4,5]图1-1PowerPerfecterTM系统工作原理ABB公司推出了其在线的电厂效率计算优化软件包Optimax，是以成本为核心，将机组或整个电厂置于最优状态下运行，最大限度地优化电厂运行，燃烧优化只是其中一部分。该软件包含多个功能模块，主要包括过程信息管理模块（PIMS）、性能计算模块（Performance）、电厂负荷优化调度软件模块（PowerFit）、锅炉清洁模块（BoilerC1eanliness）、锅炉寿命管理模块（BoilerLife）、汽机寿命管理模块（TurbineLife）、基于模型的诊断专家系统（MODI）、电厂设备测试模块（EquipmentTest）、调整数据模块（DataReconciliationwithVali）、维护管理模块（MaintenanceManagieentwithAPl）等。其中锅炉清洁模块主要是在线计算锅炉热交换面的清洁度，结果用于锅炉优化吹灰。Optimax-MODI是一个实时的专家系统，具有专用于电厂的知识库。通过状态监测和诊断，在故障早期就可为运行和管理人员提供有关故障信息，避免重大事故发生[2]。另外，Ultramax公司、艾默生过程控制有限公司、通用物理（GP）、Honeywell公司、Foxboro公司、HITACHI公司、西门子公司等都提出了各自的优化控制解决方案。这些DCS厂商提供的优化软件包涵盖范围广，与国内提出的SIS系统功能相近。随着发展，DCS厂家与软件开发商相联合，将其开发的燃烧优化系统纳入自己整体的电厂运行优化软件包中，使其功能更加完备[6,7]。1.2.2国内的燃烧优化控制技术寻找有效的锅炉燃烧优化运行技术，以实现锅炉稳定、高效而洁净的燃烧也一直是国内热能工程领域专家学者的研究目标。目前国内该领域的研究文献大体分为燃烧理论建模技术、火焰图像处理技术和人工神经网络技术三大类别[6]。（1）燃烧理论建模技术国内一些学者对燃烧理论建模和求解方法进行了深入的研究，取得了可喜的研究成果。哈尔滨工业大学陈炳华等人采用IPSA两相流动模型和煤粉燃烧综合模型，在不同的一次风率和煤粉细度的情况下，对1台350MW锅炉煤粉燃烧过程进行了数值模拟，分析了一次风率和煤粉细度对煤粉着火燃烧和飞灰含碳量的影响规律，并确定了一次风率和煤粉细度的优化运行参数值[7]。华中理工大学徐明厚、胡泰来等人以株洲电厂配125MW机组的420t/h同心反切圆锅炉为研究对象，对不同工况下，锅炉炉内空气动力锅炉场、温度场煤粉颗粒轨迹等进行了数值计算，分析了该锅炉结渣的原因，提出了通过改变一次风、二次风的动量矩，改善该锅炉结渣和燃烧经济性的措施[8]。华中科技大学郑楚光、赵海波建立了对实际锅炉煤粉燃尽率与飞灰含碳量预测的一维计算方法，将煤的燃烧特性与锅炉结构特性相结合，进行实际锅炉中煤粉燃尽率与飞灰含碳量的预测[9]。（2）火焰图像处理技术近年来，国内学者对炉膛火焰检测和燃烧诊断进行了广泛和深入研究，清华大学吴占松在其博士论文中不仅对图像处理的方法的选择做出了很多的工作，还推导了火焰图像亮度信号和火焰温度之间的关系。并置黑体炉内进行标定，最后建立了多变量线性回归模型，得到了NOx生成量与高温区面积、温度、边界距喷嘴的距离及温度分布的方差之间的关系，为国内火焰图像研究开创了先河[10]。华中理工大学的周怀春等借助于辐射定理，采用参考点法从火焰辐射能量分布中计算出二维温度场，并根据温度场的信息诊断燃烧工况采用点双色法温度计进行测量定标。计算机还将识别火焰的中心位置、火焰刷墙炉膛温度高、可能结焦等信息通过自组织神经网络进行自学习从而提取燃烧工况的特征信息[11-13]。杨宏民等人通过对炉膛火焰的图像采集，利用计算机数字图像处理技术及人工神经网络模型分析方法，开发了炉膛火焰图像燃烧诊断系统为电站锅炉燃烧优化控制提供了新途径[14]。（3）人工神经网络技术20世纪90年代，不少学者将人工神经网络应用于锅炉燃烧控制优化系统，在这方面进行了广泛和深入的研究，取得了一些成果。赵利敏等人采用BP人工神经网络来预示锅炉燃烧特性，以煤元素分析成分、锅炉结构、锅炉运行参数等55个参数作为网络输入参数，以煤粉气流着火温度、燃烧切圆直径、无助燃油最低负荷、未燃碳热损失作为网络输出，通过BP网络对燃烧的稳定性、结渣性、燃尽性进行预示[15]。浙江大学热能工程研究所周昊等人采用BP人工神经网络对某台3OOMW锅炉飞灰含碳量特性进行建模，建立锅炉热效率和锅炉相关运行参数之间的关系，设定锅炉热效率为优化目标，利用普通遗传算法进行寻优计算，实现燃烧优化，但是由于受到BP神经网络自身的限制，即使经过改进，其训练速度还是较慢、易陷于局部最优，难以实现在线训练，为此没有实现在线训练建模[16]。东南大学的林波提出了遗传算法的PID参数整定寻优的方法，基于燃烧过程的复杂性，采用BP神经网络来逼近锅炉燃烧过程的非线性关系，在实际训练中采用了改进的L-M算法来加快学习过程，分析了电站燃烧控制中风/煤比对锅炉效率和污染物排放的影响，为优化燃烧控制系统的设计和实现提供了一种较为新颖的途径[17]。上海交通大学王强以锅炉燃烧系统为研究对象，利用三层BP神经网络构造了一个神经网络自适应控制器，使用从电厂锅炉运行所获得的实际运行数据训练神经网络，经过训练网络建立了锅炉燃烧系统自适应控制器[18]。上面介绍的方法能够解决一些特性问题，如火焰图像处理技术指导锅炉燃烧优化运行虽然是一种途径，但其大多用于火焰稳定性和燃烧安全性的监督。锅炉燃烧过程十分复杂，影响锅炉燃烧的因素也十分复杂，有些燃烧机理尚不十分明确，难以建立完善、精确的电站锅炉燃烧模型。国外的研究起步早，相关的技术、设备完备。但优化软件、设备引进造价高，而且，相对于国外燃煤电站锅炉，目前我国电站锅炉具有煤质多变，负荷大范围变化的特点，这导致一些进口的燃烧优化控制软件在国内应用存在很多问题，主要表现为对煤种适应性差，对负荷大范围变化的适应性差。1.3信息融合技术的研究现状信息融合（InformationFusion）也可称为多传感器融合（MSF），这一概念是70年代初期提出来的，其产生和发展源于军事领域的需求。70年代末80年代初，美军的军用C3I（Command，Control，CommunicationandIntelligence）系统信息融合和BETA系统的有关内容见于公开文献中。美国国防部早在1984年就成立了信息融合专家小组（DFS），指导、组织和协调信息融合技术的研究，并在1988年将信息融合列入90年代重点研究发展的二十项关键技术之一，并取得了一些成果。在世界上几次局部战争中，信息融合显示了强大的威力。特别是在海湾战争中，多国部队的C3I融合系统发挥的作用已引起全世界的普遍关注[19-21]。根据国外研究成果，信息融合比较确切的定义可概括为：利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理的过程。按照这一定义：多传感器系统是数据融合的硬件基础；多源信息是数据融合的加工对象；协调优化和综合处理是数据融合的核心[19,20]。通俗的说，信息融合技术就是将来自多个传感器的信息或多源信息进行综合处理，从而得到更可信的结论。信息融合技术自上世纪70年代提出以来，在军事部门获得了成功的应用，在处理多源、异类、异步、不确定的信息方面有着独特的优势，解决了如：目标模式识别、航迹跟踪、态势判断及威胁估计等问题。另外，在民用方面如图形图像处理、工业机器人研究、传感器技术、语音识别、医学、环境测试、导航和故障诊断等方面都有广泛的应用和研究，取得了巨大的经济效益和社会效益[20,21]。电站锅炉燃烧优化是个复杂的过程，影响锅炉燃烧好坏的参数众多，锅炉燃烧稳定性评判与信息融合技术所研究的问题有很大的相似性，将信息融合技术应用到锅炉燃烧稳定性评判领域有望取得良好的效果。1.4本文主要的研究内容本基金项目在基于信息化的大背景下，利用信息融合技术结合机理分析，寻找和构造锅炉燃烧过程的影响因素和表现特征，并建立两者之间的映射模型，以此为基础进行优化燃烧控制系统设计，提高燃烧过程的稳定性、经济性和环保性。燃烧优化是一项系统性工程，基于信息融合技术的燃烧控制优化系统层结构如图1-2所示，图1-2基于信息融合技术的燃烧控制优化系统层结构该系统可以划分为5层，自下而上各个层的作用是：（1）原始信号校准层：对给水流量、主蒸汽流量、锅炉总风量、排烟氧量进行校准，为燃烧优化提供基准参数。（2）关键信号构造层：利用信息融合技术，构造出与燃烧密切相关但难以直接测量的信号，煤发热量、煤水分、煤可磨性、热量信号、炉膛出口烟温，引入燃烧优化控制系统中。（3）控制系统优化层：包括基于热量前馈的汽温控制系统；基于煤质分析的燃烧控制系统优化；一次风压、一次风量、排烟氧量定值优化。（4）燃烧状态评估层：寻找影响燃烧的关键信号和表现特征，包括负荷、煤质、风量、设备结构、配煤配风、炉膛出口烟温、汽温、汽温偏差、氧量、排烟温度、飞灰含碳量等。利用主元分析和聚类分析方法寻找机组运行的典型工况；利用D-S证据理论判断机组当前运行状态更接近于哪种工况。（5）燃烧优化指导层：建立燃烧模型计算各个典型工况下机组运行典型指标应达值，如果当前工况运行值与应达值存在差别，则利用支持向量机指出改进方向。本课题针对第2层燃烧状态评估层做了部分研究工作，利用D-S证据理论在影响燃烧的关键信号和机组燃烧典型工况之间建立起映射关系。从而为基于信息融合技术的燃烧控制优化系统的燃烧优化指导层的研究工作做好准备。电站锅炉燃烧是一个复杂的物理化学过程，涉及到燃烧学、流体力学、热力学、传热传质学等学科领域。由于电站锅炉燃烧过程十分复杂，有些燃烧机理尚不十分明确，同时燃用煤种的多变以及设备老化，造成采用传统的机理分析和实验分析比较困难。2003年，厂级监控信息系统SIS（SupervisoryInformationSystem）开始在我国火电厂中安装应用，其实时/历史数据库管理系统记录下大量的机组实际运行数据，为我们提供了大量的数据信息。本文将采用数据分析和理论研究相结合的手段，利用信息融合的方法对燃烧稳定性进行研究，为优化燃烧控制打好基础。全文主要内容如下：1.首先介绍了电站锅炉煤粉的燃烧过程，煤粉在炉内燃烧经历三个阶段：着火前的准备阶段、燃烧阶段和燃尽阶段。其次，对煤粉迅速而又安全燃烧的条件进行了分析，要达到完全燃烧就必须供应炉膛适量的空气，燃烧快慢和完全程度均与炉膛温度有关，燃料和空气的混合程度对能否达到迅速完全燃烧起着很大的作用。最后对影响煤粉气流着火与燃烧的主要因素进行了分析。2.介绍了信息融合技术的基本原理、信息融合的级别、信息融合的主要方法；详细介绍D-S证据理论的基本概念、证据融合推理方法及最终决策规则；详细介绍粗糙集理论的基本概念，并讨论了粗糙集理论与D-S证据理论的关系以及二者之间的关系带给我们的启发。3.建立基于D-S证据理论的燃烧稳定性评判模型，选取煤质、煤粉浓度、负荷、负压、火检信号、一次风温、一次风速、一次风率作为证据体，利用模糊数学中的隶属函数给出证据的基本概率赋值。用现场72小时的运行数据对评判模型进行了测评，测试结果表明，该模型能够准确的对燃烧稳定性进行评判。第二章 燃烧理论基础2.1煤粉的燃烧过程锅炉炉膛内煤粉燃烧是一个极其复杂的物理、化学反应过程。煤粉空气混合物经由燃烧器以射流方式进入炉膛后，通过紊流扩散的外回流以及旋转射流卷吸周围的高温烟气。若有钝体稳燃器，则由钝体稳燃器产生的内回流卷吸周围的高温烟气，促使煤粉气流与炽热烟气产生强烈混合。同时煤粉气流又受到炉膛四壁和高温烟气的辐射，而将悬浮在气流中的煤粉迅速加热。研究表明，煤粉气流的加热主要靠高温烟气的对流传热，辐射传热是次要的。煤粉获得了足够的热量并达到一定温度后就开始着火燃烧。将煤粉气流加热到着火温度所需的热量为着火热。它包括加热煤粉和一次风所需热量以及煤粉中水分蒸发、过热所需热量。着火热由以下公式计算: 式中：：每台煤粉燃烧器所燃用的燃料消耗量，；：理论空气量，； ：过量空气系数；：一次风率； ：一次风比热，；：机械未完全燃烧热损失，%； ：煤的干燥基的比热，；：煤的应用基水分 ； ：着火温度，℃；：过热蒸汽的比热，； ：煤粉与一次风气流的初温，℃；：煤粉水分，%。由上式可知，影响着火热的因素有着火温度，煤粉与一次风气流的初温，一次风率和煤的应用基水分等。要使煤粉气流着火快，一方面要尽量降低着火热，另一方面要尽快提供着火热。煤粉在炉内的燃烧过程大致经历三个阶段，即着火前的准备阶段、燃烧阶段和燃尽阶段。着火前的准备阶段煤粉进入炉内至着火这一阶段为着火前的准备阶段。在此阶段内，煤粉中的水分要蒸发，挥发分要析出，煤粉的温度也要升高至着火温度。显然，着火前的准备阶段是吸热阶段。要使煤粉着火快，可以从两方面着手：一方面应尽量减少煤粉气流加热到着火温度所需要的热量，这可以通过对燃烧预先干燥、减少输送煤粉的一次风风量和提高输送煤粉的一次风风温等方法来达到；另一方面应尽快给煤粉气流提供着火所需要的热量，这可以通过提高炉温和使煤粉气流与高温烟气强烈混合等方法来实现。（2）燃烧阶段当煤粉温度升高至着火温度而煤粉浓度又合适时，煤粉就开始着火燃烧，进入燃烧阶段。燃烧阶段是一个强烈的放热阶段。燃烧阶段包括挥发分和焦炭的燃烧。首先是挥发分着火燃烧，放出热量，加热焦炭粒，使焦炭的温度迅速升高并燃烧起来。焦炭的燃烧不仅时间长，而且不易燃烧完全，所以要使煤粉燃烧又快又好，关键在于对焦炭的燃烧组织得如何。因此使炉内保持足够高的温度、保证空气充分供应并使之强烈混合，对于组织好焦炭的燃烧都是十分重要的。（3）燃尽阶段燃尽阶段是燃烧阶段的继续。一些内部未燃尽而被灰包围的炭粒在此阶段继续燃烧，直至燃尽。这一阶段的特点是氧气供应不足，风粉混合较差，炉内温度较低，以致这一阶段需要的时间较长。为了使煤粉在炉内尽可能燃尽，以提高燃料的利用率，应保证燃尽阶段所需要的时间，并应设法加强扰动来击破灰衣，以便改善风粉混合，使灰渣中的可燃物燃透烧尽。实验研究发现，煤粉在炉内的加热升温速度很快，升温速度为(0.5～1.0)*104℃/S，仅在0.1～0.2秒的时间内就能达到炉内燃烧时的温度水平1500℃左右。在这种条件下，挥发分燃烧和焦碳燃烧这两个环节很难截然分开，在很大程度上可能是同时进行的2.2煤粉迅速而又安全燃烧的条件 （1）要供给适量的空气要达到完全燃烧就必须供应炉膛适量的空气，即保持适当的过量空气系数。如果空气供应不足，即过量空气系数过小，将会造成不完全燃烧热损失；但空气供应过多，不仅使炉温降低引起燃烧不完全，还将使排烟量增大，造成排烟热损失增加。要维持足够高的炉温燃烧快慢和完全程度均与温度有关。炉温过低不利于燃烧反应的进行，使燃烧不完全，所以温度应高些。适当高的炉温，不仅可以促使煤粉很快着火，迅速燃烧，而且可以保证煤粉充分燃尽。燃料与空气的良好混合燃料和空气混合是否良好，对能否达到迅速完全燃烧起着很大的作用。为了做到使煤粉气流进入炉膛后迅速着火，着火后又迅速而完全地燃烧，煤粉炉一般都采用一、二次风组织燃烧。即煤粉由一次风携带进入炉膛，由于高温烟气的辐射和混入，使煤粉气流的温度很快达到着火点，使煤粉着火。所以一次风量不宜过大，只能满足挥发分燃烧的需要即可，混入的热烟气则应温度高、数量大，这样才能使一次风和煤粉很快升温、着火。煤粉着火后，一次风很快被消耗，这时二次风以很高的速度喷入炉内与煤粉混合，形成强烈的扰动，冲破碳表面的烟气层和灰壳，以强行扩散代替自然扩散，从而提高扩散混合速度，使燃烧速度加快并完全燃烧。除此以外，炉内煤粉气流混合情况是否良好，还与炉膛形状、燃烧器的结构和布置等有关。足够的燃烧时间煤粉由着火到全部燃烧完毕，需要有一定的时间。煤粉从燃烧器出口到炉膛出口一般需要s。在这段时间内煤粉必须完全烧掉，否则到了炉膛出口处，因受热面多，烟气温度很快下降，燃烧就会停止，从而造成不完全燃烧热损失。为了保证煤粉燃尽，除了保持炉内火焰充满度和使炉膛有足够的空间和高度外，还应设法缩短着火与燃烧阶段所需要的时间。总之，要保证燃料的良好燃烧，就必须满足以上这些基本条件，为此就要求燃烧设备具有合理的结构和布置，同时在运行中科学地组织整个燃烧过程[22]。2.3影响煤粉气流着火与燃烧的因素影响煤粉气流着火的主要因素概括起来，主要是三个方面的因素。即一是燃料因素，二是设备结构因素，三是运行因素。具体内容如下：下面主要分析燃料因素与运行因素的影响。燃料性质影响煤粉着火特性的因素有很多，其中一部分是可调的环境因素，另一部分就是煤本身的特性。挥发分、水分、灰分等成分对煤粉的着火有不同的影响。煤中挥发分含量对煤粉气流的着火过程影响最大。可燃基挥发分越高的煤，着火温度越低，火焰传播速度也快。因此挥发分高的煤不仅容易着火，而且着火稳定性也好。挥发分的燃烧，对焦炭起加热作用，从而为焦炭的着火燃烧创造了有利条件，一般而言，挥发分高的煤也易于燃尽。但烧挥发分高的煤，往往是炉膛结焦和燃烧器出口结焦的一个重要原因。与此相反，当燃用煤种的挥发分低时，燃烧的稳定性和经济性均下降，而锅炉的最低稳燃负荷升高。图2-1为国内一些300MW以上大机组实测锅炉燃烧损失与煤中挥发分含量的关系。图中数据的分散程度反映了其他影响因素（如锅炉结构、燃烧器型式、运行氧量、媒质、煤粉细度等）的差异。图2-1 飞灰含碳量与挥发分含量的统计关系煤中水分越大，着火热也就越大。同时由于一部分燃烧热消耗在加热水分并使其气化和过热上，也降低了炉内烟气的温度，从而使煤粉气流卷吸的烟气温度以及火焰对煤粉气流的辐射热都降低，这对着火显然是不利的。然而另一方面，煤中水分对着火稳定性又是有利的，煤粉内在水分的析出使煤的孔隙度增加即活性增大，更容易着火。煤中灰分含量越高，则挥发分开始析出的温度越高，析出速率大大降低。由于挥发分析出延迟，着火温度也随着升高，使着火推迟。灰分含量影响着火速度，在挥发分相同的情况下，灰分越多，其着火速度越低。灰分增加使火焰温度降低，因为加热灰分会增加热量消耗，灰分越多，炉膛的燃烧温度越低，这不仅使燃烧稳定性变差，还使锅炉出力下降。燃料发热量的降低将导致燃烧温度下降，炉内温度水平降低。当降到一定程度时，就会引起燃烧不稳、火焰闪烁、灭火打炮，必须投油助燃。煤粉细度煤粉越细，着火就越容易。这是因为在同样的煤粉质量浓度下，煤粉越细，进行燃烧反应的表面积就越大，而煤粉本身的热阻却减小。因而加热时，细煤粉的温升速度要比粗煤粉来得快，这样就可以加快化学反应速度和更快地达到着火。煤粉越细，燃烧越完全。另外，煤粉的均匀性指数越小，粗煤粉就越多，燃烧完全程度会降低。因此挥发分低的煤时，应该用较细较均匀的煤粉。图2-2是在一台燃贫煤的300MW机组锅炉上实测的煤粉细度影响曲线。从中可以看出，当煤粉比较细（）的时候，煤粉细度变化对飞灰可燃物的影响不大，但当煤粉细度变粗，超过某一数值（）的时候，飞灰可燃物迅速增大，煤粉细度越大，其对飞灰可燃物的影响越显著。因此，为了提高燃烧的稳定性和经济性，严格控制煤粉细度是十分必要的。图2-2飞灰可燃物与煤粉细度的关系曲线煤粉浓度煤粉炉中，一次风中的煤粉浓度(煤粉与空气的质量之比)对着火稳定性有很大影响。高的煤粉浓度不仅使单位体积燃烧释热强度增大，而且单位容积内辐射粒子数量增加，导致风粉气流的黑度增大，可迅速吸收炉膛辐射热量，使着火提前。此外，随着煤粉浓度的增大，煤中挥发分逸出后其浓度增加，也促进了可燃混合物的着火。因此，不论何种煤，在煤粉浓度的一定范围内，着火稳定性都是随着煤粉浓度的增加而加强的。图2-3是国内研究人员的近期试验结果。图中着火指数定义为喷入试验炉内的风粉气流能维持稳定着火的最低炉温。由图可知，随着煤粉浓度的增加，各种煤的着火根数都降低，着火容易。对于高挥发分的褐煤，煤粉浓度的影响有一临界值。但随着煤质变差，这一临界值增大，甚至不出现。就是说，煤粉浓度的增加对劣质煤的着火总是有利的。图2-3煤粉浓度对着火的影响锅炉的运行负荷锅炉负荷降低时，燃烧率降低，炉膛平均温度及燃烧器区域的温度都要降低，着火困难。当锅炉负荷降低到一定数值时，为稳定燃烧必须投油助燃。影响锅炉低负荷稳燃性能的主要因素是煤的着火性能、炉膛的稳燃性能和燃烧器的稳燃性能。同一煤种，在不同的炉子中燃烧，其最低稳燃负荷可能有较大的差别；对同一锅炉，当运行煤质变差时，其最低负荷值便要升高；燃用挥发分较高的好煤时，其值则可降低。随着负荷的增加，炉温升高，对燃烧经济性的影响一般是有利的。但负荷的这个影响与煤质有关。燃烧调整试验表明，挥发分高的煤，飞灰可燃物很低，负荷对燃烧损失的影响也很小，对于〉40%的烟煤，负荷怎么调整，燃烧损失(主要是)也不大变化。但对于挥发分低的煤，负荷对燃烧损失的影响就大，如图2-4所示。图2-4锅炉负荷对燃烧损失的影响一次风与二次风的配合一次风量以能满足挥发分的燃烧为原则。增大一次风量，相应地增大了着火热，对着火不利。减小一次风量，会使着火热显著降低，从而加快着火。但如果一次风量过低，则由于着火燃烧初期得不到足够的氧气而影响挥发分的着火燃烧，从而阻碍着火的继续扩展。通常一次风量的大小是用一次风率来表示，它是指一次风量占炉膛出口相应总风量的百分数。对挥发分多的煤粉，一次分率可大些，而对挥发分少的煤粉，一次风率则应小些。各种煤的一次风率推荐值见表2-1所示。 表2-1各种煤的一次风率推荐值煤种无烟煤贫煤烟煤褐煤挥发分（%）<1010～2020～40>40一次风率（%）15～2020～2520～2540～45一次风速对着火过程也有影响。一次风速过高，必将使着火推迟，致使着火距离拉长而影响整个燃烧过程；而一次风速过低，会造成一次风管堵塞，由于着火提前，还可能烧坏燃烧器。二次风混入一次风的时间要合适。如果在着火前就混入，等于加大了一次风量，使着火推迟；如果二次风过迟混入，又会使煤粉气流着火后的燃烧缺氧，所以二次风应在着火后及时混入。二次风一下子全部混入一次风对燃烧也是不利的。因为二次风的温度大大低于火焰温度，大量低温二次风混入会使火焰温度降低，燃烧速度减慢，甚至造成熄火。二次风最好能按燃烧区域的需要分期分批送入。做到使燃烧不缺氧，又不会降低火焰温度，这样燃烧才能完全。二次风速一般应大于一次风速。二次风速比较高，才能使空气与煤粉充分混合。但是二次风速又不能比一次风速大得过多，否则会迅速吸引一次风，使一二次风混合提前，以致影响着火。一次风煤粉气流初温提高煤粉气流初温可减少煤粉气流的着火热，并提高炉内的温度水平，使着火提前。提高煤粉气流初温的直接办法是提高热风温度。计算表明，一次风温从20℃升至300℃时着火热可减少60%；升至400℃时着火热可减少80%。图2-5图2-5热风温度对炉内烟温的影响2.4本章小结本章首先介绍了电站锅炉煤粉的燃烧过程，煤粉在炉内燃烧经历三个阶段：着火前的准备阶段、燃烧阶段和燃尽阶段。其次，对煤粉迅速而又安全燃烧的条件进行了分析，要达到完全燃烧就必须供应炉膛适量的空气，燃烧快慢和完全程度均与炉膛温度有关，燃料和空气的混合程度对能否达到迅速完全燃烧起着很大的作用。最后对影响煤粉气流着火与燃烧的主要因素进行了分析，这些因素包括煤质、煤粉细度、煤粉浓度、锅炉的运行负荷、一次风与二次风的配合、一次风煤粉气流初温。第三章 信息融合技术近20多年来，传感器技术发展十分迅速，各种面向复杂应用背景的信息融合方法也随之出现。在多传感器系统中，表现出一系列特点:信息表现形式的多样性、信息容量的巨大性、信息之间关系的复杂性和信息处理速度高等。基于上述问题，信息融合技术便产生了。信息融合（InformationFusion）又称为数据融合（DataFusion），但就信息和数据的内涵而言，用信息融合一词更广泛、更合理、更具概括性，因为普遍认为信息不仅包括了数据，而且也包括了信号和知识。3.1信息融合的理论基础3.1.1信息融合的基本原理多传感器信息融合是人类或其他生物系统中普遍存在的一种基本功能。人类通过这一能力把身体上的各种功能器官(眼、耳、鼻、四肢)所探测的信息(景物、声音、气味和物理形状或描述)组合起来并采用先验知识去统计，以便对其周围的环境和正在发生的事情作出评估。由于人类器官具有不同的度量特征，因而可以测出不同空间范围内发生的各种物理现象，这一过程是复杂的，也是自适应的，它将各种信息转化为对环境的有价值的解释。多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中，各种传感器提供的信息可能具有不同的特征:时变的或非时变的、实时的或非实时的、模糊的或确定的、精确的或不完整的、相互支持的或互补的，也可能是相互矛盾或冲突的。多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。其目标是基于各传感器分离观测信息，通过对信息的优化组合得到更多的有效信息，利用多个传感器共同或联合操作的优势来提高整个传感器系统的有效性。多传感器信息融合系统与所有单传感器信号处理或低层次的数据处理方式相比，后者是对人脑信息处理的一种低水平模仿；而前者是通过有效地利用多传感器资源，来最大限度获取被探测目标和环境的信息量。信息融合与传统的信息处理方法之间存在本质的区别，其关键在于信息融合所处理的信息具有更为复杂的形式，而且可以在不同的信息层次上出现。这些信息抽象层次包括数据层、特征层和决策层。多传感器信息融合与单一传感器信息利用相比具有如下优点:1.容错性：由于各传感器总存在一定的感知误差，而这种数据融合方法可以最大地消除这些感知误差，即使在单个传感器出现误差或者失效的情况下，系统仍能正常可靠地工作，系统的鲁棒性提高。在单个传感器出现误差或失效的情况下，系统仍能正常可靠地工作。2.互补性：各传感器除提供对象的共性反映外，还提供与各传感器本身有关的特性反映，因而利用信息融合就能实现不同传感器信息的互补，从而提高信息的利用率以便减少系统认识的不确定性。3.实时性：能以较少的时间获得更多的信息，大大提高系统的识别效率。4.经济性：与单个传感器获得等量信息相比更节省费用[20,21]。3.1.2信息融合的级别按照数据抽象的三个层次，融合可分为三级，即像素级融合、特征级融合和决策级融合[20]。（1）像素级融合像素级融合是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合和分析。这是最低层次的融合，这种融合的主要优点是能保持尽可能多的现场数据，提供其它融合层次所不能提供的细微信息。但其局限性也很明显。首先，其要处理的数据量太大，故处理代价高，处理时间长，实时性差；其次，这种融合是在信息的最低层进行的，由于原始信息的不确定性、不完全性和不稳定性，所以对融合的纠错处理能力要求很高。（2）特征级融合特征级融合属于中间层次，它先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理。一般来说，提取的特征信息应是像素信息的充分表示量或充分统计量，然后按特征信息对数据进行分类、汇集和综合。特征级融合的优点在于实现了客观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信息。（3）决策级融合决策级融合是一种高层次融合，其结果为指挥控制决策提供依据，因此，决策级融合必须从具体决策问题的需求出发，充分利用特征级融合所提取的测量对象的各类特征信息，采用适当的融合技术来实现。决策级融合是三级融合的最终结果，是直接针对具体决策目标的，融合结果直接影响决策水平。3.1.3信息融合的方法信息融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、神经网络和人工智能等。虽然多传感器信息融合的应用研究已经相当广泛，但多传感器信息融合问题本身至今未形成基本的理论框架和有效的广义融合模型和算法。尽管如此，不少应用领域的研究人员还是根据各自的具体应用背景，提出了许多比较成熟且有效的融合方法。下面介绍最常用的信息融合方法[24]。（1）加权平均法加权平均是一种最简单和直观的方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值。该方法能实时处理动态的原始传感器读数。但调整和设定权系数的工作量很大，并具有一定的主观性。（2）卡尔曼滤波当需要实时融合动态低级的冗余数据时，可以使用卡尔曼滤波。对于线性系统，当系统噪声和传感器噪声可以用高斯白噪声来建模，则卡尔曼滤波器能提供唯一的统计意义上的最优融合值。并且，它的递归本质保证了在滤波过程中不需要大量存储空间，可以实时处理。（3）Bayes估计Bayes方法用在多传感器信息融合时，先将多传感器提供的各种不确定性信息表示为概率。将相互独立的决策看作一个样本空间的划分，使用Bayes条件概率公式对它们进行处理，最后，系统的决策可由某些规则给出，如取具有最大后验概率的决策作为系统的最终决策。但这一方法存在以下不足:1.需要给出各传感器对目标类别的先验概率。即需预先经过大量的试验得到各先验概率分布，这在很多实际的系统中比较困难，甚至是不可能的；2.要求各可能的决策相互排斥；3.当可能的决策及传感器数量较多时，先验概率分布的获得方式及先、后验概率的计算将变得很复杂，影响融合的实时性。所以，用Bayes方法解决多传感器信息融合问题有一定的局限性，但在一定场合下仍不失为一种行之有效的方法。（4）多Bayes估计多Bayer估计是Durrant-Whyte出的一种数理统计多传感器信息融合方法。该方法将每个传感器当作一个Bayes估计器，将每个物体的关联概率分布组合为一个联合的后验概率分布函数，然后使这个联合后验概率分布的似然函数为最大，提供多传感器信息的最终融合值。（5）Markov链文[25]提出了利用Markov链组合多个传感器的观测值以形成一个一致的输出，并且这个输出是各个观测的线性加权组合。用自熵和条件熵分别来度量一个传感器对于自身观测值和共同观测值的确定性程度，以确定权值。（6）统计决策理论文[26][27]利用统计决策理论提出了一个通用的多传感器冗余信息两步融合方法。先将多传感器数据经过一个鲁棒假设测试，以验证其一致性。通过测试的数据利用一组鲁棒最小最大决策规则进行融合。（7）证据理论Dempster-Shafer(简称D-S理论)证据理论是Bayes方法的推广，但比Bayes方法具有更多优点。Bayes方法需要先验概率，而在Dempster-Shafer形式中可以巧妙地解决这一问题，它是一种在不确定条件下进行推理的强有力的方法。（8）模糊逻辑由Zadeh提出的模糊逻辑是一种多值逻辑。它能将多传感器融合的不确定性直接反映在推理过程中，因而已被广泛地应用于多传感器信息融合。（9）神经网络神经网络具备实时处理大量数据的能力，知识泛化能力及结构的容错性等，在多传感器数据融合中具有很多的应用领域。（10）粗糙集理论粗糙集理论(roughsetstheory)是由Z.Pawlak及其合作者于80年代初提出的一种新的处理模糊性和不确定性的数学工具。下面详细介绍D-S证据理论和粗糙集理论。3.2D-S证据理论在多传感器信息融合系统中，各传感器提供的信息一般是不完整、不精确、模糊的，甚至可能是矛盾的，即包含着大量的不确定性。信息融合中心不得不依据这些不确定信息进行推理，以达到目标身份识别和属性判决的目的。可以讲，不确定推理是目标识别和属性信息融合的基础。证据理论作为不确定性推理方法，近年来在理论和应用上都取得了很大的进展。证据理论是由Dempster于1976年提出的，后由Shafer加以扩充和发展，所以证据理论又成为D-S证据理论或Dempster-Shafer证据理论[28]。D-S证据理论是概率论的推广，具有比概率论更弱的公理体系和更严谨推理过程，能够更加客观的反映事物的不确定性。它采用信任函数而不是概率作为度量，通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率，当约束限制为严格的概率时，它就进而成为概率论。3.2.1证据理论的基本概念证据理论的论域称为识别框架，记为,包括有限个基本命题，且中各命题是互斥的[21]。定义3.1设为一识别框架,则函数在满足下列条件(2)时，则称为的基本概率赋值(basicprobabilityassignment)。表示对命题的精确信任程度，表示了对的直接支持。定义3.2设为一识别框架,函数是上的基本概率赋值，定义函数，称该函数是上的信任函数(belieffunction)。表示的所有子集的可能性度量之和，即表示为对的总信任，从而可知，。定义3.3若识别框架的一子集为，且，则称为信任函数的焦元（FocalElement）,所有焦元的并称为核（Core）。对的不知道信息可用的信任度来度量。定义3.4设为一识别框架，定义为称为似然函数(PlausibilityFunction)。表示不否定的信任度,是所有与相交的集合的基本概率赋值之和，且有，并以表示对不知道的信息，该差值越小，则表明“未知”成分越小，证据对假设的支持越明确。规定的信任区间描述A的不确定性。定义3.5称为焦元的信任度区间。描述了的不确定性，称为焦元的不确定度（uncertainty）。和分别给出了对集合的信任度上限值和下限制。因此信任度区间描述了命题的不确定性，如图3-1。图3-1命题的不确定性描述设，令，，则信任度区间表示对有一定程度的信任，也有一定程度的不信任；表示对有一定程度信任，但无不信任；表示对有一定程度不信任，但无信任；表示为真；表示为假；表示对完全不知道。已知基本概率赋值，可以得到信任函数和似然函数；而当已知信任函数时，反过来也可以求得基本概率赋值。定理3.1设为识别框架，为基本概率赋值，为信任函数，则有3.2.2Dempster组合规则Dempster组合规则提供了组合两个证据的规则。设和分别是上的两个相互独立的基本概率赋值，现在的问题是如何确定组合后的基本概率赋值：[21]。定义3.6设和是同一识别框架上的信任函数,和分别是其对应的基本概率赋值，焦元分别为和,并设则: 在式中，若≠1，则确定一个基本概率赋值；若=1，则认为、矛盾，不能对基本概率赋值进行融合。对于多个证据的融合，可采用Dempster组合规则对证据进行两两综合。Dempster组合规则可以用图3-2进行空间解释。图中竖条表示分配到它的焦元上的基本概率，横条表示分配到它的焦元上的基本概率。横条和竖条的交是一个小矩形，该矩形具有测度。因为它是同时分配到和上的基本概率，所以和的联合作用就是将确切地分配到上。对于给定的，确切地分配到上的总概率为。但当分配到空集上的总概率不为时，需要对其它非空集合上的总概率进行归一化处理。图3-2Dempster合成法则的空间解释 设的证据间隔分别为：和，则组合后的证据间隔为其中，在利用Dempster组合规则进行证据组合时，应注意以下几点:(1)构成的元素必须独立，这是由正交运算的性质所决定的，在实际应用中，应尽量选择相互独立的元素。 (2)证据组合的最终结果为各证据综合作用的结果。(3)证据的组合作用小受其组合次序的影响。(4)规则的计算随着辨别框中元素个数的增加而呈指数增长，这是证据理论实际应用的难题之一。3.2.3基于证据理论的决策用证据理论组合证据以后如何进行决策是与应用密切相关的问题。利用合成规则进行合成，我们可以进一步求出一个新的信任函数。在D-S证据理论中，该信任函数就是我们的判决结果。所以通过证据理论判决得到的结果只是一些集合，而不是单点。但是，我们遇到的实际问题往往需要知道一个确切的答案。因此，我们必须要根据由证据理论得到的信任函数来进一步推出确切的结果，从而使证据理论能真正用于决策[29,30]，通常有以下几种决策方法：1.基于信任函数的决策（1）根据组合后得到的基本概率赋值，求出信任函数，则该信任函数就是我们的判决结果，这实际上是一种软判决。（2）若要缩小真值的范围，或找出真值，则可以采用“最小点”原则求出真值。所谓“最小点”原则是指对于集合，信任函数为。若在集合中去掉某个元素后的集合设为，信任函数为，且，则认为可以去掉该元素，其中，为预先设定的一个阈值。重复这个过程，直到某个子集不能再按此规则去掉元素为止，则就是判决结果。2.基于基本概率赋值的决策设且有，，若有：其中为预先设定的门限，则就是判决结果。3.基于最小风险的决策设有状态集，决策集，在状态为时作出判决的风险函数为，，，又设有一批证据在上产生了一基本概率赋值，焦元为基本概率赋值函数为，令：若使得，则就是所要求的最优决策。3.2.4D-S证据理论在信息融合中的基本应用过程在多传感器信息融合中应用D-S推理的基本过程如图3-3所示。使用证据理论方法融合多传感器数据或信息的基本思想是:首先对来自多个传感器和信息源的数据和信息(即证据)进行预处理，然后计算各个证据的基本概率赋值函数BPA、可信度和似然度，再根据Dempster合成规则计算所有证据联合作用下的基本概率赋值函数、可信度和似然度，最后按照一定的判决规则选择可信度和似然度最大的假设作为融合结果[20]。图3-3证据推理在多传感器信息融合中的基本应用过程3.2.5证据理论的优缺点1.证据理论的优点[19-21]（1）证据理论具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。（2）证据理论可以依靠证据的积累，不断缩小假设集。（3）证据理论能将“不知道”和“不确定”区分开。（4）证据理论可以不需要先验概率和条件概率。2.证据理论的主要缺点由上文的论述可知D-S证据理论能够较好地表示不确定性信息，并且具有简单的推理规则。但同时也存在一些问题：（1）Dempster组合规则在处理冲突证据时会得出与直觉相背的结论(Zadeh悖论)，例如假定,和,，其中是相互独立的焦元，则其组合结果为，命题由置信度0.1变为必然确定事件，这显然是不合理的。许多学者为摆脱这种困境而做了许多工作，但始终无法解决极端条件下(即冲突系数接近1的情况)证据的组合问题。（2）证据理论具有潜在的指数复杂度。若假设集，有个假设，有个证据，则基本概率赋值为，；。在极端情况下，每条证据有个基本概率赋值，即，此时信息复杂度为。组合两个证据主要要做次相乘，所以计算复杂度为，组合个证据的计算复杂度为。可见，利用D-S公式合成证据的计算复杂度与证据个数成线性关系，与假设集的模成指数关系。（3）在推理链较长时，使用证据理论很不方便。这是因为在应用证据理论时，必须首先把相应于每个步骤和证据的信度函数变换成一个一般的识别框架，然后再应用Dempster组合规则，当推理步骤增加时，由于最后结果的信度函数的焦元结构的复杂性也相应增加，所以Dempster规则的递归应用就会十分困难。（4）Dempster组合规则具有组合灵敏性。有时，给基本可信度分配一个很小的变化都可能导致结果很大的变化。此外，使用Dempster组合规则，要求证据是独立的，这个要求有时使用起来很不方便。（5）基本概率赋值的构造过程过于主观，也是证据理论存在的一个很大问题。3.3粗糙集理论基础粗糙集(RoughSets)理论是由波兰数学家Z.Pawlak于1982年提出的，是一种新的处理含糊性(Vagueness)和不确定性(Uncertainty)问题的数学工具。1991年，Z.Pawlak教授撰写了第一本关于粗糙集理论的专著《RoughSets—TheoreticalAspectsofReasoningaboutData》,对粗糙集理论进行了全面系统的论述，推动了粗糙集理论的进一步发展。1992年在波兰召开了第一届国际粗糙集研论会，自此每年都有以粗糙集理论为主题的国际研论会。1995年，第11期ACMCommunication将粗糙集列为人工智能及认知科学领域新浮现的研究课题，并发表了Pawlak等人的《RoughSets》一文，概括性地介绍了粗糙集理论的基本概念及粗糙集在部分领域的研究及进展。粗糙集理论能有效地处理下列问题：1.不确定或不精确知识的表达；2.经验学习并从经验中获取知识；3.不一致信息的分析；4.根据不确定、不完整的知识进行推理；5.在保留信息的前提下进行数据化简；6.近似模式分类；7.识别并评估数据之间的依赖关系。粗糙集理论有以下的特点:1.粗糙集理论不需要先验知识。模糊集和概率统计方法是处理不确定信息的常用方法，但这些方法需要一些数据的附加信息或先验知识，如模糊隶属函数和概率分布等，这些信息有时并不容易得到。RS分析方法仅利用数据本身提供的信息，无须任何先验知识。2.粗糙集理论是一个强大的数据分析工具。它能表达和处理不完备信息；能在保留关键信息的前提下对数据进行化简并求得知识的最小表达；能识别并评估数据之间的依赖关系，揭示出概念简单的模式；能从经验数据中获取易于证实的规则知识，特别适于智能控制。3.粗糙集理论与模糊集分别刻画了不完备信息的两个方面，RS以不可分辨关系为基础，侧重分类，模糊集基于元素对集合隶属程度的不同，强调集合本身的含混性。从RS的观点看，粗糙集合不能清晰定义的原因是缺乏足够的论域知识，但可以用一对清晰集合逼近。在处理不确定性问题上，粗糙集理论与其他处理不精确性问题的数学方法，如模糊集理论比较相似，不同的是粗糙集理论可以通过数学公式计算得到近似值，不需要有关数据的任何预备和附加信息，而模糊集理论则需要依赖统计方法或专家的经验等预备知识才能得出近似值。粗糙集理论被证明特别适合于数据简化，数据相关性、相似性的查找，发现数据模式，从数据中提取推理规则等。通过粗糙集理论主要能够解决如下问题：1.进行信息表中各属性的重要性评价并寻找主导属性；2.在保证分类质量不变的前提下寻求最小属性集；3.消除信息表中的冗余属性；4.从约简后的信息表中提取决策规则。3.3.1知识与知识库一般认为，知识是人类通过实践认识到的客观世界的规律性的东西，是人类实践经验的总结和提炼,具有抽象和普遍的特性。在粗糙集理论中，知识被看作是一种对对象进行分类的能力，即任何一个物种，都是由一些知识来描述与分类的，利用关于对象的各种知识来产生对对象的不同分类。在现实或抽象世界中，人们常常使用属性及其值来描述对象。在粗糙集理论中利用对象的不同属性描述，就可以清晰的将对象分为不同的类别。通常，我们在对现实问题进行处理的时候，会将讨论的现实个体（或称元素、对象、样本）局限在某一个特定的区域范围之内，这个区域内的所有个体就组成问题的论域。对于论域中的两个元素，若它们的属性描述不同，就可以将它们区分为不同的类，反之若它们的属性描述是相同的，则它们是不可区分的，显然这是一种等价关系。以分类为基础，可以将分类理解为等价关系。对论域中由等价关系划分出的任意子集，都可称之为中的一个概念。这里，我们认为空集是一个特殊的概念。论域中的任意概念簇称为的抽象知识，简称为知识，它代表了对中的个体的分类。定义3.7给定一组数据（集合）和等价关系集合，在等价关系集合下对数据集合的划分，称之为知识，记为。一个知识库就是一个关系系统，其中是论域，是上的一个等价关系簇。3.3.2粗糙集理论的知识表示 近年来知识表示的研究引起了广泛的注意，目前常用的知识表示方法有逻辑模式、框架、语意网络、产生式规则、状态空间等。粗糙集理论采用信息表的知识表达形式，信息表知识表达系统的基本成分是研究对象的集合，关于这些对象的知识是通过指定对象的属性（特征）和它们的属性值（特征值）来描述的。 定义3.8一个信息表知识表达系统可以表示为： 其中，为对象的非空有限集合,称为论域；为属性非空有限集，称为属性集合；（）是属性集合,子集和分别称为条件属性集与结果属性集；是属性值的集合，是属性的值域；是一个信息函数，使论域中任一元素取属性在中有唯一值。若属性集可分为条件属性集和决策属性集，既有，且，则该信息表知识表达系统称为一个决策系统或决策表。 在实际应用中，决策表是一张二维表格,每一行描述一个对象,每一列描述对象的一种属性,属性分为条件属性和决策性。一个属性即表示了一个等价关系，一个表可以看做是定义的一簇等价关系，即知识库。该知识表达系统可以看做是一种特殊的形式语言，它用符号来表示等价关系。根据条件属性的不同，可以将对象划分到具有不同决策属性的类。例3.1表3-1给出了一个关于玩具积木的决策表。 表3-1中的个体集合组成论域，即={，，，，，，}，属性集可以分为条件属性集={，，，}和决策属性集={}。每个个体是一个五元组，元组的每一维表示个体的一个属性信息。这些个体都可以通过用其属性知识来描述。 按照颜色来分类，得到一个等价类： ={{，，，}，{}，{，}}。 这里，，，，这四个个体在颜色这个属性上是不可区分的，即它们构成一个类，单独构成一类，，这两个个体构成一类。 按照形状、大小、价位、销量这四个属性分别来分类，得到四个等价类： ={{，，}，{，，}，{}}； ={{，，}，{，，，}}； ={{，}，{，}，{，，}}； ={{，}，{，}，{，，}}。 按照颜色和形状两个属性来共同分类： ={{，}，{}，{，}，{}，{}}。 按照形状和大小两个属性来共同分类： ={{，}，{}，{，}，{}，{}}。 由此可见，我们可以用不同的标准来对论域进行分类，得到不同的概念和概念。 表3-1个体编号颜色（）形状（）大小（）价位（）销量（）黄色方大中一般黄色方小低一般红色方大低好黄色圆小中好黄色圆大高较差绿色圆小高较差绿色三角形小高较差3.3.3不可分辨关系 定义3.9令为等价关系族，若，且，则中所有等价关系的交集称为P上的不可分辨关系，记作，即有其中，表示包含元素的的等价类。对于知识表达系统，每一个属性子集，定义如下的二元关系：称为的不可分辨关系，它是和某些属性相联系的。 论域被不可分辨关系分割成互不相交的子集，称为基本等价类(equivalenceclass)。中的对象之间为不可分辨关系。不可分辨关系的概念十分重要，它深刻地揭示出论域知识的颗粒状结构，是粗糙集理论的基石和定义其它概念的基础。很明显，不可分辨关系满足反身性、对称性和传递性，所以其是一种等价关系。通过这个等价关系，可以得到决策系统的一个划分，称划分后的等价类为不可分辨类。每个不可分辨类称为一个初等集合，因为它代表了对象的最小不可分辨组，并且它形成了一个关于论域知识的基本颗粒。3.3.4上近似集和下近似集粗糙集理论与传统的集合理论具有相似之处，但是它们的出发点完全不同。传统集合理论认为一个集合完全是由它的元素决定的，一个元素要么属于这个集合，要么不属于这个集合。模糊集对此做出了改进，它给成员赋予一个隶属度，使得模糊集能够处理一定的模糊和不确定数据。但其模糊隶属度需要人为的给定，这给它的应用带来了不便。传统集合论和模糊集理论都是把成员关系作为原始概念来处理，集合的并和交就建立在其元素的隶属度的max和min操作上，因此其隶属度必须是先给定(传统集合默认的隶属度为1或0)。粗糙集理论延拓了经典的集合论，把用于分类的知识嵌入集合内，作为集合组成的一部分。而成员关系不再是一个原始的概念，因而无需人为给元素指定一个隶属度，从而避免了主观因素。在粗糙集理论中关于一个对象是否属于集合，可分为三种情况：(1)对象肯定属于集合(正域)；(2)对象肯定不属于集合(负域)；(3)对象可能属于也可能不属于集合(边界域)。需要根据掌握的关于论域的知识做出划分，是相对的而不是绝对的。定义3.10令，当能用属性子集确切地描述（即是属性子集所确定的上的不可分辨关系集的并）时，称在上是可定义的，否则称是不可定义的。可定义集也称作精确集，不可定义集也称为非精确集或-Rough集。对于一个样例子集(也称为一个概念)，根据条件属性子集所确定的不可分辨关系，有可能能够精确地判断某样例是否属于该概念，也有可能不能判断某样例是否属于该概念。为了描述这个问题，粗糙集理论采用了上近似集、下近似集的概念。定义3.11给定知识表达系统，对于每个子集和不可分辨关系，包含于中的最大可定义集和包含的最小可定义集，都是根据能够确定的，前者称为X的下近似集（记为），后者称为X的上近似集（记为）。上近似集和下近似集分别被定义为：，，其中，是不可分辨关系对的划分。定义3.12集合称为的边界域；称为的正域；称为的负域。当且仅当=，称集合是可定义集；当且仅当，称集合是Rough集。通过上面的定义，可以得到上近似集、下近似集、正域、边界域之间的关系如下： = =为了更清晰的理解一面的概念，下面用示意图图3-4来描述以上各个概念的物理意义以及之间的相互关系。图3-4粗糙集基本概念关系图图3-4中的小方格表示论域被等价关系划分出的基木集。集合是一个粗糙的集合，不能表示为基木集的并集，因此无法用小方格准确的定义出来。但是集合可以用小方格边界所组成的曲线所近似包围，分别为集合的上、下近似集即和。实际上是由那些肯定属于的对象所组成的最大集合，是由那些属于或可能属于的对象组成的最小集合。正域中的元素对应于下近似集中的元素，肯定属于，即是上近似集的的补集，其中的元素肯定不属于，而边界域中的元素则是那些根据论域知识不能确定是否属于X的元素[31-33]。例3.2表2-2给出了一个有关流感病例的决策表，对于属性子集={头疼，肌肉疼}，集合={，，}是一个Rough集，下面分别计算集合的上近似集、下近似集、正域、边界域。表3-2个体编号条件属性决策头疼肌肉疼体温是是正常否是是高是是是很高是否是正常否否否高否否是很高是首先计算论域的所有基本集，={{，，}，{，}，{}}，令={，，}，={，}，={}，集合与基本集有如下关系：={，}，=，{}。由此可得集合的上近似集、下近似集、正域、边界域：=={，，，}，=={}，={}， ={，，}。3.3.5属性的依赖度和重要性设知识表达系统，（）是属性集合,子集和分别为条件属性与结果属性，结果属性对条件属性的依赖度为：依赖度表示在条件属性下能够确切划入决策类的对象与上全体元素数目的比率，表达了决策属性对条件属性的依赖程度，显然，。针对某一具体问题，各属性的重要性是不同的。为了检查某个属性的重要性，从决策表中去掉这个属性后看分类是否变化。如果去掉该属性分类发生了显著变化，则这个属性的重要性是大的，否则是小的。对于属性导出的分类，属性集相对于由属性引起的分类的重要性测度可表示为，测度值越大，的重要性越高。3.4D-S证据理论与粗糙集理论的关系Pawlak认为，决定人类行为的一个基本特征是对对象的分类能力，而分类既是粗糙集理论的核心，也是证据理论的核心。最早注意到证据理论和粗糙集理论关系的是Grzymala-Busse和Skowron[34]，他们解释了在粗糙集框架下证据理论的基本概念。粗糙集理论与证据理论的关系可以给我们带来如下的启发：(1)粗糙集理论可以依据决策表分析各属性之间的相关性、属性的重要性和可靠性，因而可以将其推广到对证据的分析，包括分析证据的重要性、可靠性和相关性，从而改进Dempster合成法则及合成结果；(2)粗糙集理论可以依据决策表分析对象的隶属度，因而可以将其推广到对识别框架的分析，以获取证据在识别框架上的基本可信度赋值，从而解决传统证据理论中有关此类信息获取的困难和由于专家的经验判断所带来的主观不确定问题。粗糙集理论与应用研究近年来也取得了较大的发展，但在将其与证据理论集成应用时，为了提高证据分析的准确性、可靠性以及能合理获取证据在辨别框架上的基本可信度分配，改善证据合成的效果，还有一些问题有