CN101670184B - 蒸发装置产量、质量、能耗多目标协调优化控制方法 - Google Patents
蒸发装置产量、质量、能耗多目标协调优化控制方法 Download PDFInfo
- Publication number
- CN101670184B CN101670184B CN 200910181159 CN200910181159A CN101670184B CN 101670184 B CN101670184 B CN 101670184B CN 200910181159 CN200910181159 CN 200910181159 CN 200910181159 A CN200910181159 A CN 200910181159A CN 101670184 B CN101670184 B CN 101670184B
- Authority
- CN
- China
- Prior art keywords
- evaporator
- liquid level
- concentration
- neural network
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001704 evaporation Methods 0.000 title claims abstract description 32
- 230000008020 evaporation Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005265 energy consumption Methods 0.000 title claims abstract description 13
- 239000007788 liquid Substances 0.000 claims abstract description 112
- 239000000463 material Substances 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000005096 rolling process Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 239000007791 liquid phase Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000003750 conditioning effect Effects 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002425 crystallisation Methods 0.000 description 3
- 230000008025 crystallization Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000008151 electrolyte solution Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种蒸发装置产量、质量、能耗多目标协调优化控制方法。包括带有在线校正功能的蒸发器液位预测模型，高精度蒸发器物料浓度神经网络软测量模型、多变量解耦控制模型。基于蒸发器物料平衡与热量平衡，建立了蒸发器液位预测模型，并依据蒸发器液位开关仪表实测的液位信号，对其进行在线“滚动”校正，实现了对蒸发器液位连续测量值的预测。引入与物料浓度有重要关联度的工艺参数—蒸发器液位预测值变量作为神经网络软测量模型的输入变量，实现了对物料浓度的高精度在线软测量。在此基础上，采用多变量解耦控制，协调各效蒸发器浓度和液位，实现了蒸发装置产量、质量、能耗多目标协调优化控制。
Description
(1)技术领域
本发明涉及蒸发装置协调优化控制***，尤其涉及蒸发装置的产量、质量、能耗多目标协调优化***。
(2)背景技术
多效蒸发装置广泛应用于盐类、碱类等无机化工产品溶液及有机化工产品溶液的浓缩过程，为获得一定浓度的产品，蒸发装置通常由多效蒸发装置串联组成，每效蒸发包括一个或多个并联的蒸发器组成，主要生产控制指标包括产品的质量、产量和能耗。蒸发装置运行时需要物料在各效蒸发器保持一定的停留时间，在各效蒸发器上形成合理的浓度梯度，以便发挥各效蒸发器的效能；在另一方面，尽量维持各效蒸发器的液面平稳，避免操作上的大起大落，以便获得有效的分离空间，提高分离效果和防止二次汽夹带物料带来的产品损失，同时也可以防止物料中某些组分在不恰当时机下的结晶析出，避免蒸发器结垢所造成的传热系数下降，设备清洗频繁所带来的设备效率低下、能耗过高等经济运行问题。
蒸发是一个物料浓缩兼提纯的物理过程，为保证蒸发装置发挥最大的生产强度、产品质量的稳定、产品能耗的最低，就要实现整个生产过程的全自动生产，协调并提高各个蒸发器的效率，并在此基础上实现产品质量的闭环控制。目前的蒸发装置控制方案主要基于以下思路：已有的技术包括产品质量根据温差法进行控制，造成产品质量偏差较大，只能根据对产品储罐中的物料浓度人工分析值进行二次调和，造成产品质量极其不稳定；已有的技术中有采用软测量技术实现对物料浓度的在线软测量，测量精度虽然得到了较大提升，但仍然难以满足生产的切实需要，尤其是当工况波动较大时，测量精度会大大降低；已有的技术采用差压变送器测量蒸发器液位，测量仪表难以正常运行，对于电解质溶液而言，采用电极式液位测量效果会好很多，但也时常产生虚假液位，为此现有技术中发明了一种能够处理虚假液位的信号调理板，极大地改善了电极式测量液位的准确性；现有较成熟的蒸发控制技术中的控制策略都是基于这种物位开关式测量方式和浓度软测量技术进行设计的，也正是蒸发器液位和浓度软测量技术的局限性，限制了先进控制、优化控制技术在蒸发装上的应用。
上述方案在实际应用中效果不够理想，主要有以下几个方面原因：
1、因蒸发过程伴随的结晶极易造成液位变送器的失效或测量所产生的虚假液位问题，是蒸发装置自动控制难以保持长期稳定运行的首要问题，目前蒸发器液位通常情况下采用二位式电极测量，而采用连续式液位计往往难以长期稳定运行。二位式电极测量反映的是液位的阶跃性变化，是非连续的，这对蒸发器液位和浓度的稳定控制带来了一定的困难，无法做到细致调节，容易造成蒸发器液位和浓度的非正常波动；
2、物料浓度测量是实现蒸发装置基础自动化、优化控制的关键。由于物料浓度的在线分析仪表目前存在着价格昂贵、极不稳定、难以维护、精度偏低等因素，已有的蒸发装置物料浓度软测量技术由于没有考虑与之有重要关联度的蒸发器液位的影响，软测量的精度及工况适应能力较差。
由于蒸发生产过程中存在着以上几个方面的问题，要保证蒸发装置控制***长期稳定运行，并获得装置产量最大、质量稳定、能耗最低的效果，是非常困难的。
(3)发明内容：
本发明提供一种蒸发装置产量、质量、能耗多目标协调优化控制***。
本发明依据物料平衡与热量平衡建立蒸发器液位预测模型，并依据液位开关得到的蒸发器实测的位式液位信号进行在线校正，得到连续的蒸发器液位预测值；引入与物料浓度有重要关联度的工艺参数—蒸发器液位作为物料浓度软测量的辅助变量，采用神经网络模型实现物料浓度的高精度软测量；最后，根据蒸发器液位预测值和高精度物料浓度软测量，采用多变量解耦控制，实现蒸发装置产量、质量、能耗多目标协调优化控制。
其中蒸发器液位采用二位式电极测量仪表，并配置一种能够处理虚假液位的开关量物位测量信号调理板，信号调理板输出为模拟量，其大小能够反应电极所测量位置处物料的导电强弱，控制***可依此对因汽雾、结晶造成的虚假液位进行诊断，来准确判别蒸发器液位所处的位置，通常蒸发器设置3～5个测量电极，可由此对蒸发器液位进行位置式检测。
调节仪表可根据物料特性选择调节阀、变频器或开关切断阀。
蒸发器液位预测模型
蒸发器液位预测模型的设置，是为了连续预测蒸发器的液位。基于蒸发器物料平衡、热量平衡数学模型，建立蒸发器液位预测模型，并通过二位式电极测量得到的蒸发器液位的位置式状态信号进行在线校正，实现对蒸发器液位的在线预测；
蒸发器热平衡方程
F1×H1+F2×H2＝F3×H3+F4×H4+C×(L×S×ρ+V0×ρ)×ΔT
蒸发器物料平衡方程
F1-F4-F3＝dL/dt×S×ρ
其中，
F1、F3分别为蒸发器进、出料流量；H1、H3分别为对应的焓值，可根据温度或压力由物性手册获得；
F2、F4分别为蒸发器一次汽、二次汽流量；H2、H4分别为对应的焓值，可根据温度或压力由物性手册获得；
L、S、ρ、C分别为蒸发器的液位、横截面积及溶液的密度和比热；
V0为蒸发器液位0％处以下的溶液体积；
ΔT为蒸发器内物料液相温度变化量；
根据以上方程可整理出以差分方程表示的蒸发器液位预测模型
L(k+1)＝a×L(k)+b
也可以获得二次汽流量预测模型
F4(k)＝c×L(k)+d
蒸发器液位预测模型的校正
由于工业生产过程存在多种干扰因素，加之所依据的机理模型中参数的准确性可能存在的问题，上述蒸发器液位的预测值与实际液位难免会存在一定的偏差。为此，根据实测的蒸发器液位二位式液位测量信号，对该预测模型进行“滚动”在线校正，即当某一个液位电极触点吸合时，由该电极代表的实际液位高度作为液位的实际测量值，用该液位实测值与预测值的偏差E(k)去校正液位预测模型。
L(k+1)＝a×L(k)+b+E(k)
E(k)＝(L’(k)-L(k))
其中，L’(k)为最近时刻当某一个液位电极触点吸合时所代表的实际液位高度，且E(k)只是在该时刻计算一次，直到又有新的一个液位电极触点吸合。通过这种方式，每隔一段时间当有新的一个液位电极触点吸合时，用实际液位值对液位预测模型进行在线“滚动”校正，以使液位预测模型适应生产工况的变化和克服各种干扰因素的影响，得到准确的蒸发器液位测量值。
其中，a、b、c、d与蒸发器物料平衡和热量平衡方程中的变量和参数有
关，并且是可以计算的。
高精度蒸发器物料浓度神经网络软测量模型的建立
采用反向传播(Back Propagation，BP)神经网络来建立蒸发器物料浓度神经网络软测量模型。
选择影响蒸发器物料浓度的工艺参数作为软测量的辅助变量，包括一次汽压力Pi1、二次汽压力Pi2、蒸发器液相温度Ti及蒸发器液位的预测值Li，考虑上述四个变量的当前时刻值Pi1(k)、Pi2(k)、Ti(k)、Li(k)作为物料浓度神经网络软测量模型的输入变量，选取物料浓度的人工分析值作为神经网络软测量模型的输出变量。
在神经网络模型中，输入层的节点为i(i＝4)，中间层的隐层层数为m(m＝1～100)，各隐层节点数为n(n＝2～100)，输出层节点数为j(j＝1～100)。
利用蒸发器物料浓度工艺机理数学模型，在工艺装置“操作点”周围进行测试，产生并获取50组操作范围较大的蒸发器生产过程数据，将这些数据连同工业现场采集的150组数据，共计200组数据作为蒸发器物料浓度软测量神经网络模型的训练样本。选取4×4×1结构的前向BP神经网络，其输入节点对应蒸发器的Pi1(k)、Pi2(k)、Ti(k)现场值及蒸发器液位Li(k)的预测值，输出节点对应物料浓度人工分析值(见图1)。
通过对神经网络离线训练后，得到神经网络权值和阈值，通过采集Pi1(k)、Pi2(k)、Ti(k)、Li(k)现场值及蒸发器液位Li(k)的预测值，神经网络模型就可输出蒸发器物料浓度软测量值，单位为体积百分比。
蒸发装置多目标协调优化控制模型的建立
设计了一个各效蒸发器浓度设定值计算单元。末效蒸发器浓度采用定值控制，其前一效蒸发器浓度设定值以末效浓度在线软测量值为基点，按照工艺要求的偏差进行设置，其它各效蒸发器浓度设定值依次类推按此原则进行设置；
设计了一个4输入1输出多变量解耦控制***。输入变量包括前效蒸发器的液位L(i)和浓度A(i)及后效蒸发器的液位L(i+1)和浓度A(i+1)，输出为前一效蒸发器的出料阀位。若出料阀为二位式切断阀，则对该输出信号进行进一步处理，采用占空比控制算法实现多变量解耦控制(见图2)，以便在各效蒸发器建立合理的浓度梯度并在此基础上最大程度地稳定各效蒸发器液位。
前效蒸发器的出料阀也是后效蒸发器的进料阀，调节该阀会同时影响前、后效蒸发器的液位和浓度，通过调整LIC(i)、AIC(i)、LIC(i+1)和AIC(i+1)调节器的作用强弱和其输出的权重，可实现各效蒸发器浓度和液位的协调优化控制。
通过使用本发明所述的方法对蒸发实施优化控制，能够提高装置产能、降低蒸汽消耗、稳定产品的质量，使蒸发装置处于最佳操作工况。
(4)附图说明
附图1是高精度蒸发器物料浓度神经网络软测量模型；
附图2是蒸发装置多目标协调优化控制模型；
(5)实施方式
蒸发器液位预测模型
在DCS上获取涉及蒸发器物料平衡和热量平衡相关的测量变量，包括蒸发器进出口物料流量F1、F3及温度T1，T3，根据温度由物性手册获得进出口物料焓值H1，H3；需要获取的变量还包括蒸发器液向温度T、一次汽流量F2及一次汽、二次汽其温度T1、T2和压力P1、P2，根据温度和压力，依照物性手册查表计算一次汽、二次汽的焓值H2、H4。
蒸发器进出口物料流量F1、F3也可由如下公式进行计算，F＝Qmax×f(l/L)，其中Qmax、f(l/L)分别为阀门最大流量及阀门流量特性曲线，由阀门生产制造商提供。根据以下蒸发器物料平衡和热量平衡方程，即：蒸发器热平衡方程
F1×H1+F2×H2＝F3×H3+F4×H4+C×(L×S×ρ+V0×ρ)×ΔT
蒸发器物料平衡方程
F1-F4-F3＝dL/dt×S×ρ
得到蒸发器液位预测模型：L(k+1)＝a×L(k)+b
也可以获得二次汽流量预测模型：F4(k)＝c×L(k)+d
其中，a、b、c、d与蒸发器物料平衡和热量平衡方程中的变量和参数有关，并且是可以计算的。
蒸发器液位预测模型的校正
在DCS上获取表征蒸发器液位的开关变量，如采用5个电极测量液位，可获得5个开关变量，由高到低分别为LSHH、LSH、LSM、LSL、LSLL，分别代表蒸发器液位的90％、70％、50％、30％、10％，根据实测的蒸发器液位二位式液位测量信号的状态，对该预测模型进行“滚动”在线校正，即当某一个液位电极触点吸合时，由该点液位开关(电极)代表的实际液位高度作为液位的实际测量值，用该液位实测值与预测值的偏差E(k)去校正液位预测模型。
L(k+1)＝a×L(k)+b+E(k)
E(k)＝(L’(k)-L(k))
其中，L’(k)为最近时刻当某一个液位电极触点吸合时所代表的实际液位高度，且E(k)只是在该时刻计算一次，直到又有新的一个液位电极触点吸合。通过这种方式，每隔一段时间当有新的一个液位电极触点吸合时，用其所代表的实际液位值对液位预测模型进行在线“滚动”校正，以使液位预测模型适应生产工况的变化和克服各种干扰因素的影响，得到准确的蒸发器液位测量值(见图2)。
蒸发器液位预测模型
图1是高精度蒸发器物料浓度神经网络软测量模型的结构图，该软测量模型采用三层结构的BP神经网络(Artificial Neural Networks，ANN)，其中，W1、W2表示神经网络的权值，b1、b2表示神经网络的阈值。在DCS上获取影响物料浓度的工艺参数一次汽压力Pi1、二次汽压力Pi2、蒸发器液相温度Ti及蒸发器液位的预测值Li，并获得物料浓度人工分析值，在工艺装置“操作点”周围进行测试，产生并获取50组操作范围较大的蒸发器生产过程数据，将这些数据连同工业现场采集的150组数据，共计200组数据作为蒸发器物料浓度软测量神经网络模型的训练样本。选取4×4×1结构的前向BP神经网络，其输入节点对应蒸发器的Pi1(k)、Pi2(k)、Ti(k)、Li(k)，输出节点对应物料浓度人工分析值。
通过对神经网络离线训练后，得到神经网络权值和阈值，通过采集Pi1(k)、Pi2(k)、Ti(k)现场值及蒸发器液位Li(k)的预测值，，神经网络模型就可输出蒸发器物料浓度软测量值，单位为体积百分比。
蒸发装置多目标协调优化控制模型
各效蒸发器物料浓度设定值计算单元接受各效蒸发器物料浓度软测量信号，并按下面的算法计算各效蒸发器的物料浓度设定值。末效蒸发器浓度采用定值控制，其前一效蒸发器浓度设定值以末效浓度在线软测量值为基点，按照工艺要求的偏差进行设置，其它各效蒸发器浓度设定值依次类推按此原则进行设置；
4输入1输出多变量解耦控制***中输入变量包括前效蒸发器的液位L(i)和浓度A(i)及后效蒸发器的液位L(i+1)和浓度A(i+1)，输出为当前效蒸发器的出料阀位。通过设置算法切换开关SW，可以满足采用不同类型的出料阀的场合。若出料阀为二位式切断阀，切换开关由B点切向C点，采用占空比控制算法实现多变量解耦控制，其中，占空比控制器周期Tc取值范围在3～30秒；若采用调节阀或变频器，切换开关由C点切向B点，实现多变量解耦控制(见图2)；
前效蒸发器的出料阀也是后效蒸发器的进料阀，调节该阀会同时影响前、后效蒸发器的液位和浓度，AIC(i)AIC(i+1)分别为第i效、第i+1效蒸发器的浓度控制器，LIC(i)、LIC(i+1)分别为第i效、第i+1效蒸发器的液位控制器，Ki1、Ki2、Ki3、Ki4为其输出的权重，Ki1、Ki2取值范围在0.7～1.0之间，Ki3、Ki4取值范围在0.1～0.3之间。可实现蒸发装置产量、质量、能耗多目标协调优化控制。
Claims (1)
1.一种蒸发装置产量、质量、能耗多目标协调优化控制方法，其特征在于：
基于蒸发器物料平衡与热量平衡，建立了蒸发器液位预测模型，利用某点液位开关吸合时所代表的液位作为实际测量值，由实测值与预测值的偏差去校正液位预测模型，对其进行在线“滚动”校正，实现了对蒸发器液位连续测量值的预测；
选择影响蒸发器物料浓度的工艺参数作为软测量的辅助变量，包括一次汽压力Pi1、二次汽压力Pi2、蒸发器液相温度Ti及蒸发器液位的预测值Li，考虑上述四个变量的当前时刻值Pi1(k)、Pi2(k)、Ti(k)、Li(k)作为物料浓度神经网络软测量模型的输入变量，选取物料浓度的人工分析值作为神经网络软测量模型的输出变量，在神经网络模型中，输入层的节点为i，i＝4；中间层的隐层层数为m，m＝1～100；各隐层节点数为n，n＝2～100；输出层节点数为j，j＝1～100；
选取4×4×1结构的前向BP神经网络，其输入节点对应蒸发器的Pi1(k)、Pi2(k)、Ti(k)现场值及蒸发器液位Li(k)的预测值，输出节点对应物料浓度人工分析值；
通过对神经网络离线训练后，得到神经网络权值和阈值，通过采集Pi1(k)、Pi2(k)、Ti(k)、Li(k)现场值及蒸发器液位Li(k)的预测值，神经网络模型输出蒸发器物料浓度软测量值，单位为体积百分比；
在此基础上，构建蒸发装置多目标协调优化控制模型；输入变量包括前效蒸发器的液位L(i)和浓度A(i)及后效蒸发器的液位L(i+1)和浓度A(i+1)，输出为前一效蒸发器的出料阀位，前效蒸发器的出料阀也是后效蒸发器的进料阀，调节该阀会同时影响前、后效蒸发器的液位和浓度；AIC(i)、AIC(i+1)分别为第i效、第i+1效蒸发器的浓度控制器，LIC(i)、LIC(i+1)分别为第i效、第i+1效蒸发器的液位控制器，通过调整LIC(i)、AIC(i)、LIC(i+1)和AIC(i+1)控制器的作用强弱和其输出的权重，可实现各效蒸发器浓度和液位的协调优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910181159 CN101670184B (zh) | 2009-10-13 | 2009-10-13 | 蒸发装置产量、质量、能耗多目标协调优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910181159 CN101670184B (zh) | 2009-10-13 | 2009-10-13 | 蒸发装置产量、质量、能耗多目标协调优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101670184A CN101670184A (zh) | 2010-03-17 |
| CN101670184B true CN101670184B (zh) | 2013-02-06 |
Family
ID=42017734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910181159 Active CN101670184B (zh) | 2009-10-13 | 2009-10-13 | 蒸发装置产量、质量、能耗多目标协调优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101670184B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5739320B2 (ja) * | 2011-12-27 | 2015-06-24 | 株式会社堀場エステック | 試料液体気化システム、診断システム及び診断プログラム |
| CN102520616B (zh) * | 2011-12-30 | 2014-04-02 | 杭州电子科技大学 | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 |
| CN102520617B (zh) * | 2011-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 |
| CN103064289B (zh) * | 2012-12-19 | 2015-03-11 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
| CN103676855B (zh) * | 2013-11-27 | 2016-07-06 | 北京中润零碳节能技术有限公司 | 生产控制方法及*** |
| CN109213229A (zh) * | 2017-07-07 | 2019-01-15 | 深圳市辉宏技术有限公司 | 一种htm效率寻优控制方法、装置及*** |
| CN107544286A (zh) * | 2017-08-30 | 2018-01-05 | 浙江力太科技有限公司 | 一种蒸发工序中的***辨识方法 |
| CN107807518B (zh) * | 2017-09-05 | 2020-09-25 | 昆明理工大学 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
| CN114014395B (zh) * | 2021-11-05 | 2024-03-29 | 中国船舶重工集团公司第七一八研究所 | 废液热泵蒸发***及其液位控制方法、控制设备和介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1818206A (zh) * | 2005-02-07 | 2006-08-16 | 上海造纸机械电控技术研究所 | 纸浆洗涤工艺及优化控制方法 |
| CN200960409Y (zh) * | 2006-09-29 | 2007-10-17 | 项文远 | 带液位自动控制装置蒸发器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EA200500945A1 (ru) * | 2002-12-09 | 2005-12-29 | Хадсон Текнолоджиз, Инк | Способ и устройство для оптимизации холодильных систем |
-
2009
- 2009-10-13 CN CN 200910181159 patent/CN101670184B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1818206A (zh) * | 2005-02-07 | 2006-08-16 | 上海造纸机械电控技术研究所 | 纸浆洗涤工艺及优化控制方法 |
| CN200960409Y (zh) * | 2006-09-29 | 2007-10-17 | 项文远 | 带液位自动控制装置蒸发器 |
Non-Patent Citations (2)
| Title |
|---|
| 基于神经网络的多效并流蒸发过程的模拟方法;姜莹;《广东化工》;20051231(第2期);36-42 * |
| 姜莹.基于神经网络的多效并流蒸发过程的模拟方法.《广东化工》.2005,(第2期),36-42. |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101670184A (zh) | 2010-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101670184B (zh) | 蒸发装置产量、质量、能耗多目标协调优化控制方法 | |
| CN101433919B (zh) | 一种中厚板层流冷却控制方法 | |
| CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
| CN102147613B (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及*** | |
| CN102494336A (zh) | 一种循环流化床锅炉燃烧过程多变量控制方法 | |
| CN104898433B (zh) | 一种基于模糊pid控制的高炉冷却强度控制方法 | |
| CN103676651A (zh) | 基于状态观测模型的锅炉汽温预测控制方法 | |
| CN104846306A (zh) | 一种镀锌厚度控制***及方法 | |
| CN102156496A (zh) | 一种反应釜温度混合控制方法 | |
| CN204595644U (zh) | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及*** | |
| CN107887672A (zh) | 一种锂离子电池温度控制方法及装置 | |
| CN110282645A (zh) | 一种氧化铝焙烧过程操作参数优化方法 | |
| CN101639902A (zh) | 生物发酵过程中基于支持向量机的软测量仪表的建模方法 | |
| CN112083694A (zh) | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 | |
| CN106637026B (zh) | 一种镀锌过程气刀压力实时优化控制方法及*** | |
| CN111256252A (zh) | 动态冰蓄冷机房控制*** | |
| CN111967181A (zh) | 一种基于apso-elm和模糊逻辑的灌溉时间计算方法 | |
| CN115095852A (zh) | 一种电厂锅炉智能排污*** | |
| CN105318312A (zh) | 一种电站锅炉蒸汽温度的全工况多步超前预测控制方法 | |
| CN210951273U (zh) | 一种超临界机组除氧器液位自动控制*** | |
| CN102500626A (zh) | 一种基于测温仪的板带热连轧卷取温度控制方法 | |
| CN107969727A (zh) | 一种适用于制丝烟机的多路pid自动切换控制方法 | |
| CN101667045A (zh) | 一种碳纤维凝固浴的智能协同控制器及方法 | |
| CN102513373B (zh) | 冷轧板形残差消除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C56 | Change in the name or address of the patentee |
Owner name: BEIJING HEROOPSYS CO., LTD. Free format text: FORMER NAME: BEIJING HEROOPSYS CONTROL TECHNOLOGY CO., LTD. |
|
| CP03 | Change of name, title or address |
Address after: 100096, Beijing, Haidian District Xisanqi Building Materials West Road No. 31, D building, three West Patentee after: Beijing Heroopsys Technology Co., Ltd. Address before: 100096, Beijing, Xisanqi, Haidian District Building Materials West Road No. 31, block D, three, 305 Patentee before: Beijing Heroopsys Control Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180404 Address after: 100096 Beijing Haidian District Xisanqi building material Chengxi Road No. 31 D seat four layer Patentee after: Beijing kaimi Optimization Technology Co. Ltd. Address before: 100096, Beijing, Haidian District Xisanqi Building Materials West Road No. 31, D building, three West Patentee before: Beijing Heroopsys Technology Co., Ltd. |