基于认知建模的预测方法及其在智慧矿山生产管理中的应用
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-12页 |
| 1.1 概述 | 第9页 |
| 1.2 智能生产管理技术的发展 | 第9-10页 |
| 1.3 认知建模与数据挖掘技术的发展 | 第10-11页 |
| 1.4 本文的主要内容和结构 | 第11-12页 |
| 2. 矿山大系统智能生产管理控制理论分析 | 第12-26页 |
| 2.1 鞍钢集团矿业公司生产背景分析 | 第12-13页 |
| 2.2 矿山生产与管理的复杂性 | 第13-14页 |
| 2.3 工业 4.0 提供的借鉴 | 第14-15页 |
| 2.4 基于五品联动矿冶系统工程理论的系统架构 | 第15-19页 |
| 2.4.1 五品联动矿冶系统工程 | 第15-16页 |
| 2.4.2 以五品联动为核心的矿冶工程实践 | 第16-19页 |
| 2.5 大系统控制理论 | 第19-23页 |
| 2.5.1 系统综合集成 | 第20页 |
| 2.5.2 多级控制系统结构 | 第20-21页 |
| 2.5.3 多层控制系统结构 | 第21-22页 |
| 2.5.4 多段控制系统结构 | 第22-23页 |
| 2.6 基于认知建模的管控技术研究 | 第23-26页 |
| 2.6.1 智能生产管理行为 | 第23页 |
| 2.6.2 预测方法与智能生产管理 | 第23-24页 |
| 2.6.3 智能生产管理的结构 | 第24-26页 |
| 3. 基于极限学习机的建模预测方法 | 第26-33页 |
| 3.1 极限学习机算法原理及实验 | 第26-29页 |
| 3.1.1 ELM算法原理 | 第26-28页 |
| 3.1.2 实验分析 | 第28-29页 |
| 3.2 基于相空间重构的时间序列模型及数据处理 | 第29-30页 |
| 3.3 基于Kernel_ ELM的精矿品位预测 | 第30-33页 |
| 4.基于分层时序记忆的建模预测方法 | 第33-44页 |
| 4.1 分层时序记忆算法原理 | 第33-35页 |
| 4.2 HTM模型数据编码 | 第35-36页 |
| 4.3 HTM模型特征映射 | 第36-38页 |
| 4.4 HTM模型分类预测 | 第38-40页 |
| 4.4.1 离散型类别预测 | 第38-39页 |
| 4.4.2 连续型标量数据预测 | 第39-40页 |
| 4.5 基于HTM的矿山生产预测 | 第40-44页 |
| 4.5.1 参数设定说明 | 第40-41页 |
| 4.5.2 实际预测分析 | 第41-44页 |
| 5.基于认知建模的智慧矿山生产管理控制平台 | 第44-57页 |
| 5.1 理论基础和需求分析 | 第45-48页 |
| 5.1.1 智慧矿山生产管理控制平台的理论基础 | 第45-46页 |
| 5.1.2 智慧矿山生产管理控制平台的需求分析 | 第46-48页 |
| 5.2 系统设计 | 第48-52页 |
| 5.3 软件组织和界面展示 | 第52-57页 |
| 6.总结与展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61-62页 |
