CN103399486A - 塑料烘干器温度优化节能控制方法 - Google Patents
塑料烘干器温度优化节能控制方法 Download PDFInfo
- Publication number
- CN103399486A CN103399486A CN2013102812606A CN201310281260A CN103399486A CN 103399486 A CN103399486 A CN 103399486A CN 2013102812606 A CN2013102812606 A CN 2013102812606A CN 201310281260 A CN201310281260 A CN 201310281260A CN 103399486 A CN103399486 A CN 103399486A
- Authority
- CN
- China
- Prior art keywords
- variable
- drying machine
- expression
- model
- value
- 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.)
- Granted
Links
- 229920003023 plastic Polymers 0.000 title claims abstract description 87
- 239000004033 plastic Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 title abstract 4
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001035 drying Methods 0.000 claims description 57
- 230000014509 gene expression Effects 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 23
- 239000002131 composite material Substances 0.000 claims description 16
- 210000005036 nerve Anatomy 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004064 recycling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 2
- 238000007670 refining Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000006229 carbon black Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种塑料烘干器温度优化节能控制方法。该方法考虑了塑料烘干器在不同工况下的运行特性,采用基于多模型切换的预测控制策略对塑料烘干器空气温度的动态特性进行辨识,建立对象在各个典型工况下的切换***模型。然后,利用切换规则建立具有约束的优化目标函数,由处理连续变量的神经网络和处理离散二进制变量的神经网络共同组成混合神经网络,最后利用该混合神经网络方法对切换***进行优化求解。本发明可以使被控***在各个典型工况下都处于最优运行状态,从而提高塑料烘干器空气温度控制的精度。
Description
技术领域
本发明属于信息技术领域,涉及在废料炼油的前期对塑料进行烘干反应过程中,通过多模型切换***预测控制和混和神经网络优化求解技术相结合的方法,实现塑料烘干器空气温度的优化节能控制,可用于废料炼油及烘干行业。
背景技术
随着现代科学技术的不断发展,能源和环境问题越来越成为人们关注的焦点。废塑料裂解炼油技术就在这样的大环境下应运而生。废塑料炼油一方面可以解决生活垃圾的处理问题,另一方面又可以生产出高品质的油、炭黑一类的常用能源。
在废塑料炼油生产的整个***中反应釜是其中的核心设备,其运行的平稳与否直接关系到生产的质量指标和经济效益。而前期烘干器的温度控制是反应釜运行的先决条件,其控制效果与最终炼油产品质量、产量、效率有直接重要的关系。在烘干器的整个反应过程中,燃气阀门开度值( )、塑料进料量()、冷配风阀门开度值()与烘干器的温度()、烘干器内的塑料料量()及空气压力()之间存在的非常复杂的耦合关系。它们之间复杂的耦合关系可以用表示为
式中非线性函数f 1、f 2、f 3分别表示各个参量间的非线性关系。由上式可以看出各参量之间的耦合关系非常复杂,但同时也可以利用这些参量之间关系来实现对烘干器的温度控制,以实现最优的产品质量及最高的经济效益。
目前,在实际工业中基本上采用传统的或较简单的控制手段来实现对烘干器的温度控制。这种控制方法的控制参数基本依赖技术人员的经验,一般很难实现理想的控制效果,反而会增加生产成本。当前我国烘干器的温度控制与优化技术还处在发展上升的阶段,相对发达国家还有一段距离,表现为自动化程度低,控制性能差,能耗居高不下,很难满足智能控制、节能减排以及间接环境保护的需求。考虑到废塑料炼油这一新工艺的复杂性以及未来广阔的发展前景,针对现有的烘干器温度控制的现实情况,很有必要开发出一种新型、高效、节能的烘干器温度控制器。
在对比现有控制技术的基础上,本发明提出一种基于多模型切换的***模型,然后采用切换***预测控制与混合神经网络优化控制方法,实现对废塑料炼油烘干器内温度的精确控制,从而使裂解反应在最优状态下运行。该方法弥补了普通建模和控制方式的不足,在兼顾各状态变量的稳定、保证控制具有较高的精度和稳定性的同时,也保证形式简单并满足实际工业过程低成本高效益的节能需要。
发明内容
本发明的目的就是针对由开环控制来控制塑料烘干器温度的不足,提供一种塑料烘干过程温度优化节能控制方法。
本发明采用多模型切换***预测控制和混合神经网络优化控制相结合的优化控制方法。考虑实际控制信号时延滞后对控制效果的影响,在烘干器空气温度变化时,通过对***模型参数的适当调整,建立不同工况下的切换***模型,再利用混合神经网络方法对切换控制***进行优化控制,从而提高塑料烘干器空气温度控制的精度。
本发明方法的具体步骤是:
a. 建立多模型切换***模型。具体方法是:以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量,以温度传感器采集到的塑料烘干器空气温度值为输出量,以塑料进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量,建立典型工况下的离散时间切换模型:
其中是3维状态变量,分别表示k时刻塑料进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量;是4维控制输入变量,分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速;是单输出变量,表示k时刻塑料烘干器中空气温度测量值。分别表示需要辨识的不同状态下的多模型参数。R n 代表n维欧氏空间,是分段切换常数,从有限集中选取,表示m个典型工况下的***模型参数。状态变量和控制变量分别为:
其中表示塑料进料量,表示冷配风阀门开度值,表示塑料烘干器内湿度传感器采集到的湿度值,表示表示燃气阀门开度值,表示冷配风阀门开度值、塑料进料量,塑料烘干器转轴转速,表示塑料烘干器中空气温度值。在烘干过程中,通过调节燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内气体温度的控制,是一个多输入单输出的控制***。
b. 建立输出值的预测方程。按照前面建立的离散时间状态空间模型,得到塑料烘干器中空气温度值预测模型。
基于前一步建立的切换***模型,有输出变量模型
定义
则可得
其中
c. 建立多模型切换***的优化目标函数。由于***由m个子***构成,且相互之间进行切换,直接求解较难,本发明将利用切换规则建立优化目标函数,再利用混和神经网络进行优化求解。
对于***模型数量为m的多模型切换***,基于切换规则可得:
考虑到任何一个时刻只有一个子***被激活,即
模型之间的切换规则为:
根据切换规则,***状态方程和输出方程,以及前面的优化目标函数,可得
其中、D和M为常数矩阵,且
d. 基于混合神经网络求解最优控制律。本发明利用混合神经网络对前述切换***优化问题进行优化求解,该神经网络由两个相互作用的神经网络组成,即c-网络(处理连续变量的神经网络)和b-网络(处理离散二进制变量的神经网络)。
选择神经网络的作用函数为
于是,神经网络中变量的赋值空间为
惩罚函数可以增强优化的约束条件和切换规则,于是用惩罚函数的方法构造混合神经网络的能量函数,它由下述三部分组成:
本发明方法采用多模型切换***预测控制和混合神经网络优化相结合的优化控制方法。针对塑料烘干***大惯性、大滞后及参数随负荷显著变化对***控制带来的困难,采用了一种基于多模型切换的预测控制策略对塑料烘干器空气温度对象的动态特性进行辨识,在每个采样时刻基于切换性能指标选出最优的局部模型作为当前模型,并据此设计预测控制器;然后利用切换规则建立具有约束的优化目标函数;再由处理连续变量的神经网络和处理离散二进制变量的神经网络组成混合神经网络,并利用混合神经网络方法对切换控制***进行优化求解,使***处于任意时刻都处于最优控制状态,从而保证了控制的精度。在塑料烘干器运行的整个过程中,使***在任意时刻都可以利用最简单的资源处于最优的状态,从而达到了企业节能的要求,显著降低了成本,提高了企业效益。
具体实施方式
塑料烘干器空气温度控制方法为,当塑料烘干器空气温度处于135℃、140℃、145℃、150℃时分别建立4个典型工况下的***模型,然后采用多模型预测控制和混合神经网络优化控制方法对燃气阀门开度、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速进行控制,从而实现对塑料烘干器的温度控制。具体实施步骤如下:
(1) 建立塑料烘干器空气湿度控制***的切换模型。
以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量,以温度传感器采集到的塑料烘干器空气温度值为输出量,以进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量,分别建立塑料烘干器在不同空气温度时基于状态空间的线性离散时间模型:
其中是3维状态变量,分别表示k时刻进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量;是4维控制输入变量,分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速;是单输出变量,表示k时刻塑料烘干器中空气温度测量值。分别表示需要辨识的典型工况下的多模型参数。i是分段切换常数,从有限集 中选取,表示4个供选择的典型工况对应的模型参数。状态变量和控制变量的具体变量分别为:
其中表示塑料进料量,表示冷配风阀门开度值,表示塑料烘干器内湿度传感器采集到的湿度值,表示表示燃气阀门开度值,表示冷配风阀门开度值、表示塑料进料量,表示塑料烘干器转轴转速,表示塑料烘干器中空气温度输出值。在烘干过程中,通过控制燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内温度控制,这是一个多输入单输出控制***。
(2) 建立***输出值的预测模型。
基于上一步建立的塑料烘干器空气温度控制***的模型,有预测输出量:
由此,可得矩阵形式的预测方程
其中
(3) 利用混合神经网络建立多模型切换***的优化目标函数。
对于模型数量为m的多模型切换***,利用切换规则,有
考虑到任何一个时刻只有一个子***被激活,即
模型之间的切换规则为:
考虑下述优化目标函数,
通过计算可得
(4) 基于混合神经网络优化方法求解最优控制律。
首先,选择神经网络的作用函数为
然后,利用惩罚函数的方法构造混合神经网络的能量函数,以增强优化的约束条件和切换规则,它由三部分组成:
Claims (1)
1. 塑料烘干器温度优化节能控制方法,其特征在于该方法的具体步骤是:
a. 建立多模型切换***模型;具体方法是:以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量,以温度传感器采集到的塑料烘干器空气温度值为输出量,以塑料进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量,建立典型工况下的离散时间切换模型:
其中是3维状态变量,分别表示k时刻塑料进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量;是4维控制输入变量,分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速;是单输出变量,表示k时刻塑料烘干器中空气温度测量值;分别表示需要辨识的不同状态下的多模型参数;R n 代表n维欧氏空间,是分段切换常数,从有限集中选取,表示m个典型工况下的***模型参数;状态变量和控制变量分别为:
其中表示塑料进料量,表示冷配风阀门开度值,表示塑料烘干器内湿度传感器采集到的湿度值,表示表示燃气阀门开度值,表示冷配风阀门开度值、塑料进料量,塑料烘干器转轴转速,表示塑料烘干器中空气温度值;在烘干过程中,通过调节燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内气体温度的控制,是一个多输入单输出的控制***;
b. 建立输出值的预测方程;按照前面建立的离散时间状态空间模型,得到塑料烘干器中空气温度值预测模型;
基于前一步建立的切换***模型,有输出变量模型
定义
则可得
其中
c. 建立多模型切换***的优化目标函数;由于***由m个子***构成,且相互之间进行切换,直接求解较难,现将利用切换规则建立优化目标函数,再利用混和神经网络进行优化求解;
对于***模型数量为m的多模型切换***,基于切换规则可得:
考虑到任何一个时刻只有一个子***被激活,即
模型之间的切换规则为:
根据切换规则,***状态方程和输出方程,以及前面的优化目标函数,可得
d. 基于混合神经网络求解最优控制律;利用混合神经网络对前述切换***优化问题进行优化求解,该神经网络由两个相互作用的神经网络组成,即c-网络和b-网络,其中c-网络为处理连续变量的神经网络,b-网络为处理离散二进制变量的神经网络;
选择神经网络的作用函数为
于是,神经网络中变量的赋值空间为
惩罚函数可以增强优化的约束条件和切换规则,于是用惩罚函数的方法构造混合神经网络的能量函数,它由下述三部分组成:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310281260.6A CN103399486B (zh) | 2013-07-05 | 2013-07-05 | 塑料烘干器温度优化节能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310281260.6A CN103399486B (zh) | 2013-07-05 | 2013-07-05 | 塑料烘干器温度优化节能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399486A true CN103399486A (zh) | 2013-11-20 |
CN103399486B CN103399486B (zh) | 2016-04-06 |
Family
ID=49563129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310281260.6A Expired - Fee Related CN103399486B (zh) | 2013-07-05 | 2013-07-05 | 塑料烘干器温度优化节能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399486B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869695A (zh) * | 2014-02-26 | 2014-06-18 | 杭州电子科技大学 | 印染车间空气温度控制方法 |
CN105911884A (zh) * | 2016-05-30 | 2016-08-31 | 杭州电子科技大学 | 一种工业加热炉温度***的稳定切换控制器设计方法 |
WO2017177442A1 (zh) * | 2016-04-15 | 2017-10-19 | 北京中科寒武纪科技有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
CN107301453A (zh) * | 2016-04-15 | 2017-10-27 | 北京中科寒武纪科技有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
US9823289B2 (en) | 2015-06-01 | 2017-11-21 | Prophecy Sensorlytics Llc | Automated digital earth fault system |
US9826338B2 (en) | 2014-11-18 | 2017-11-21 | Prophecy Sensorlytics Llc | IoT-enabled process control and predective maintenance using machine wearables |
CN107729990A (zh) * | 2017-07-20 | 2018-02-23 | 上海寒武纪信息科技有限公司 | 支持离散数据表示的用于执行人工神经网络正向运算的装置及方法 |
CN108490784A (zh) * | 2018-04-19 | 2018-09-04 | 云南佳叶现代农业发展有限公司 | 基于强化学习的烟叶烘烤曲线推荐方法 |
CN109960235A (zh) * | 2018-11-29 | 2019-07-02 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
US10481195B2 (en) | 2015-12-02 | 2019-11-19 | Machinesense, Llc | Distributed IoT based sensor analytics for power line diagnosis |
US10598520B2 (en) | 2015-02-23 | 2020-03-24 | Machinesense, Llc | Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous |
US10599982B2 (en) | 2015-02-23 | 2020-03-24 | Machinesense, Llc | Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs |
US10613046B2 (en) | 2015-02-23 | 2020-04-07 | Machinesense, Llc | Method for accurately measuring real-time dew-point value and total moisture content of a material |
US10638295B2 (en) | 2015-01-17 | 2020-04-28 | Machinesense, Llc | System and method for turbomachinery preventive maintenance and root cause failure determination |
US10648735B2 (en) | 2015-08-23 | 2020-05-12 | Machinesense, Llc | Machine learning based predictive maintenance of a dryer |
CN112327625A (zh) * | 2020-11-12 | 2021-02-05 | 西安建筑科技大学 | 基于机器学习的不确定***模型预测控制参数整定方法 |
US10921792B2 (en) | 2017-12-21 | 2021-02-16 | Machinesense Llc | Edge cloud-based resin material drying system and method |
US11002269B2 (en) | 2015-02-23 | 2021-05-11 | Machinesense, Llc | Real time machine learning based predictive and preventive maintenance of vacuum pump |
US11162837B2 (en) | 2015-02-23 | 2021-11-02 | Machinesense, Llc | Detecting faults in rotor driven equipment |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4758801A (en) * | 1985-07-11 | 1988-07-19 | Siemens Aktiengesellschaft | Dynamic control system with switchable filter-function groups |
JPH05333905A (ja) * | 1992-05-29 | 1993-12-17 | Kobe Steel Ltd | スライディングモード制御系を用いた制御方法 |
CN102520618A (zh) * | 2011-12-31 | 2012-06-27 | 杭州电子科技大学 | 误差容忍限机制下的焦化加热炉辐射出口温度控制方法 |
-
2013
- 2013-07-05 CN CN201310281260.6A patent/CN103399486B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4758801A (en) * | 1985-07-11 | 1988-07-19 | Siemens Aktiengesellschaft | Dynamic control system with switchable filter-function groups |
JPH05333905A (ja) * | 1992-05-29 | 1993-12-17 | Kobe Steel Ltd | スライディングモード制御系を用いた制御方法 |
CN102520618A (zh) * | 2011-12-31 | 2012-06-27 | 杭州电子科技大学 | 误差容忍限机制下的焦化加热炉辐射出口温度控制方法 |
Non-Patent Citations (2)
Title |
---|
贺国艳: "预测控制算法及其仿真研究", 《硕士学位论文》 * |
黄灿等: "多变量时滞过程解耦Smith控制", 《控制理论与应用》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869695A (zh) * | 2014-02-26 | 2014-06-18 | 杭州电子科技大学 | 印染车间空气温度控制方法 |
US9826338B2 (en) | 2014-11-18 | 2017-11-21 | Prophecy Sensorlytics Llc | IoT-enabled process control and predective maintenance using machine wearables |
US10959077B2 (en) | 2015-01-17 | 2021-03-23 | Machinesense Llc | Preventive maintenance and failure cause determinations in turbomachinery |
US10638295B2 (en) | 2015-01-17 | 2020-04-28 | Machinesense, Llc | System and method for turbomachinery preventive maintenance and root cause failure determination |
US10969356B2 (en) | 2015-02-23 | 2021-04-06 | Machinesense, Llc | Methods for measuring real-time dew-point value and total moisture content of material to be molded or extruded |
US11002269B2 (en) | 2015-02-23 | 2021-05-11 | Machinesense, Llc | Real time machine learning based predictive and preventive maintenance of vacuum pump |
US11162837B2 (en) | 2015-02-23 | 2021-11-02 | Machinesense, Llc | Detecting faults in rotor driven equipment |
US11092466B2 (en) | 2015-02-23 | 2021-08-17 | Machinesense, Llc | Internet of things based conveyance having predictive maintenance |
US10613046B2 (en) | 2015-02-23 | 2020-04-07 | Machinesense, Llc | Method for accurately measuring real-time dew-point value and total moisture content of a material |
US10599982B2 (en) | 2015-02-23 | 2020-03-24 | Machinesense, Llc | Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs |
US10598520B2 (en) | 2015-02-23 | 2020-03-24 | Machinesense, Llc | Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous |
US9823289B2 (en) | 2015-06-01 | 2017-11-21 | Prophecy Sensorlytics Llc | Automated digital earth fault system |
US10648735B2 (en) | 2015-08-23 | 2020-05-12 | Machinesense, Llc | Machine learning based predictive maintenance of a dryer |
US11300358B2 (en) | 2015-08-23 | 2022-04-12 | Prophecy Sensorlytics, Llc | Granular material dryer for process of resin material prior to molding or extrusion |
US11268760B2 (en) | 2015-08-23 | 2022-03-08 | Prophecy Sensorlytics, Llc | Dryer machine learning predictive maintenance method and apparatus |
US10481195B2 (en) | 2015-12-02 | 2019-11-19 | Machinesense, Llc | Distributed IoT based sensor analytics for power line diagnosis |
CN107301453A (zh) * | 2016-04-15 | 2017-10-27 | 北京中科寒武纪科技有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
WO2017177442A1 (zh) * | 2016-04-15 | 2017-10-19 | 北京中科寒武纪科技有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
CN107301453B (zh) * | 2016-04-15 | 2021-04-20 | 中科寒武纪科技股份有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
CN105911884A (zh) * | 2016-05-30 | 2016-08-31 | 杭州电子科技大学 | 一种工业加热炉温度***的稳定切换控制器设计方法 |
CN107729990A (zh) * | 2017-07-20 | 2018-02-23 | 上海寒武纪信息科技有限公司 | 支持离散数据表示的用于执行人工神经网络正向运算的装置及方法 |
US10921792B2 (en) | 2017-12-21 | 2021-02-16 | Machinesense Llc | Edge cloud-based resin material drying system and method |
CN108490784A (zh) * | 2018-04-19 | 2018-09-04 | 云南佳叶现代农业发展有限公司 | 基于强化学习的烟叶烘烤曲线推荐方法 |
CN108490784B (zh) * | 2018-04-19 | 2024-01-12 | 云南佳叶现代农业发展有限公司 | 基于强化学习的烟叶烘烤曲线推荐方法 |
CN109960235A (zh) * | 2018-11-29 | 2019-07-02 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
CN112327625A (zh) * | 2020-11-12 | 2021-02-05 | 西安建筑科技大学 | 基于机器学习的不确定***模型预测控制参数整定方法 |
CN112327625B (zh) * | 2020-11-12 | 2022-02-22 | 西安建筑科技大学 | 基于机器学习的不确定***模型预测控制参数整定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103399486B (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103399486A (zh) | 塑料烘干器温度优化节能控制方法 | |
CN102707743B (zh) | 基于多变量预测控制的超超临界机组汽温控制方法及*** | |
CN102871214B (zh) | 基于模型预测的烘丝机出口水分控制方法 | |
CN102053562B (zh) | 一种裂解炉出口温度混合控制方法 | |
CN100349081C (zh) | 一种高炉热风炉***协调控制方法 | |
CN102156496A (zh) | 一种反应釜温度混合控制方法 | |
CN102720634B (zh) | 一种优化参数的变论域模糊电动变桨控制方法 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN101750964A (zh) | 烧成***基于脉冲响应模型的多变量预测控制方法 | |
CN102520617A (zh) | 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 | |
CN105353619A (zh) | 一种批次注塑过程的滚动时域跟踪控制方法 | |
CN103616815A (zh) | 动态矩阵控制优化的废塑料炼油裂解炉炉膛温度控制方法 | |
CN102520616A (zh) | 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 | |
CN105700357B (zh) | 基于多变量pid-pfc的锅炉燃烧***控制方法 | |
CN105937823A (zh) | 一种地源热泵控制方法及*** | |
CN104317321A (zh) | 状态空间预测函数控制优化的焦化炉炉膛压力控制方法 | |
CN103605284A (zh) | 动态矩阵控制优化的废塑料裂解炉炉膛压力控制方法 | |
CN104267600B (zh) | 钢包精炼炉电极调节控制***及其控制方法 | |
CN103412486A (zh) | 一种聚氯乙烯汽提过程智能控制方法 | |
CN104407642B (zh) | 一种基于迭代学习控制的连铸坯感应加热过程温控方法 | |
CN104298108A (zh) | 一种基于模糊控制规则改善一次调频性能的控制方法 | |
CN104214772B (zh) | 一种循环流化床机组agc负荷指令响应的控制方法 | |
CN108919642A (zh) | 一种炉跟机协调控制***控制器参数优化整定方法 | |
CN104850008B (zh) | 一种层燃锅炉的多变量控制与实时优化的方法 | |
CN113653589A (zh) | 一种变参双幂趋近律的水轮机组微分预测滑模控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160406 |
|
CF01 | Termination of patent right due to non-payment of annual fee |