CN105929683B - 一种微分可调pid控制器参数工程整定模型及方法 - Google Patents
一种微分可调pid控制器参数工程整定模型及方法 Download PDFInfo
- Publication number
- CN105929683B CN105929683B CN201610459552.8A CN201610459552A CN105929683B CN 105929683 B CN105929683 B CN 105929683B CN 201610459552 A CN201610459552 A CN 201610459552A CN 105929683 B CN105929683 B CN 105929683B
- Authority
- CN
- China
- Prior art keywords
- pid controller
- parameter
- differential
- value
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009699 differential effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004672 jump response Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000013404 process transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种微分可调PID控制器参数工程整定模型及方法。该方法采用遗传算法优化技术，通过仿真获得不同热工过程及PID控制器微分份额下对应的优化的PID控制器参数，并以优化的PID控制器参数作为样本，采用BP神经网络技术建立PID控制器参数工程整定模型，根据实际热工过程阶跃响应曲线的特征参数及选择的PID控制器微分份额大小，采用建立的神经网络模型计算PID控制器参数的整定值。采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统工程整定方法整定的PID控制器，并且能方便地调整PID控制器微分作用的大小，有效克服了传统PID控制器参数工程整定方法的不足。
Description
技术领域
本发明属于热工自动控制技术领域，具体涉及一种微分可调PID控制器参数工程整定模型及方法。
背景技术
热工过程自动控制是保证热力设备安全和经济运行的必要措施和手段，当前热工过程自动控制广泛采用的控制策略是PID控制，采用微分作用可有效改善过程控制性能。但由于微分作用对噪声较敏感，工程应用中一般不宜过大。
目前，传统PID控制器参数工程整定方法多采用Zielger与Nichols提出的Z-N法，该方法可以得到初始的整定参数，但其在快速性、稳定性和鲁棒性等方面的控制性能并不好，另外，传统的PID参数工程整定法无法调整控制器微分项的大小，不利于工程应用。
本发明提出一种微分可调PID控制器参数工程整定模型及方法。该方法采用遗传算法优化技术，通过仿真获得不同热工过程及PID控制器微分份额下对应的优化的PID控制器参数，并以优化的PID控制器参数作为样本，采用BP神经网络技术建立PID控制器参数工程整定模型，根据实际热工过程阶跃响应曲线的特征参数及选择的PID控制器微分份额大小，采用建立的神经网络模型计算PID控制器参数的整定值。采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统工程整定方法整定的PID控制器，并且能方便地调整PID控制器微分作用的大小，有效克服了传统PID控制器参数工程整定方法的不足。
发明内容
发明目的：为了克服传统PID控制器参数工程整定方法整定效果较差，且控制器微分作用大小不可调整问题，本发明提出一种微分可调PID控制器参数工程整定模型及方法，使PID控制器具有更好的控制性能，且可以方便地调整PID控制器微分作用的大小。
技术方案：提供了一种微分可调PID控制器参数工程整定模型及方法，包括步骤：
步骤1：PID控制器的传递函数为s为复变量，KP为比例系数，KI为积分系数，KD为微分系数，并且满足：其中α为PID控制器微分份额；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc以及PID控制器微分份额α为模型输入变量，以PID控制器参数KP、KI和KD为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；
其中用于建立神经网络模型的辨识样本通过如下方法获取：
(1)神经网络模型输入辨识样本通过如下计算：
(11)设置热工过程传递函数的两个参数T0和n的取值范围，分别为：T0∈[10,110]、n∈[1,8]的整数，T0为时间常数，n为过程的阶次，控制器微分份额范围为α∈[0.15,0.25]；T0、n和α在上述范围内以等间隔的方式分别取若干值，并将T0、n和α的取值配对组合，共有N种不同组合，记每种组合中所对应的3个参数T0、n和α的值分别为T0i、ni和αi，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数i＝1，2，……，N；
(12)通过仿真获得传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N；其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τi、Tci及与传递函数Gi(s)参数T0i和ni对应的组合参数αi作为神经网络模型的输入辨识样本；
(2)与τi、Tci和αi对应的神经网络模型输出辨识样本通过如下计算：
由热工过程Gi(s)和PID控制器构成单回路负反馈控制***，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r做单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数KP和KI，得到对应于Gi(s)及PID控制器微分份额αi下的优化的PID控制器比例系数KPi和积分系数KIi，并由下式计算对应的优化的微分系数KDi值：
并以KPi、KIi和KDi作为与τi、Tci和αi对应的神经网络模型的输出辨识样本；上述遗传算法以使如下的性能指标J最小为优化目标：
其中β为常数，取0.8～2之间的值，t2＝3(τi+Tci)，i＝1，2，……，N；
步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和Tc，K为稳态增益；根据具体应用确定PID控制器微分份额α，将α，τ和Tc作为步骤1中神经网络模型的输入，得到神经网络的输出为KP'、KI'和KD'，则相应PID控制器参数的整定值分别为
在步骤1中三个参数T0，n和α在各自的取值范围内，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T0、n和α的取值配对组合，共有528种不同组合，即N＝528。
有益效果：采用本发明提出的方法可以建立一种微分可调PID控制器参数工程整定模型，采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统PID工程整定方法整定的控制器，并且由于增加了PID控制器微分份额作为整定模型的输入变量，可以方便地根据实际需要调整PID控制器微分作用的大小。
附图说明
图1为PID控制器单回路负反馈控制***。
图2为PID控制器参数工程整定神经网络模型。
图3为热工过程阶跃响应曲线及其特征参数。
图4为本专利方法和传统Z-N法整定的PID控制***被控量仿真曲线。
图5为本专利方法和传统Z-N法整定的PID控制***控制量仿真曲线。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
步骤1：由热工过程和比例积分微分(PID)控制器构成单回路负反馈控制***，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间，热工过程的传递函数为K为过程的稳态增益，T0为时间常数，n为过程的阶次，s为复变量，PID控制器的传递函数为KP为比例系数，KI为积分系数，KD为微分系数，并且满足：其中α为PID控制器微分份额；
步骤2：设置热工过程传递函数模型的三个参数K、T0和n的取值范围，分别为：K＝1、T0∈[10,110]、n∈[1,8]的整数，控制器微分份额范围为α∈[0.15,0.25]，在上述范围内，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T0、n和α的取值配对组合，共有528种不同组合，记每种组合中所对应的3个参数T0、n和α的值分别为T0i、ni和αi，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数i＝1，2，……，N，N＝528；由此得到的神经网络模型的使用范围为：K为任意实数，τ∈(0,450)秒、Tc∈(10,750)秒。
步骤3：通过仿真获得传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N，N＝528，其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度(即曲线上拐点处的速度)，从起始值变化到最终平衡值所需要的时间；
步骤4：以Gi(s)作为步骤1中热工过程的传递函数，以步骤2中与传递函数Gi(s)参数T0i和ni对应的组合参数αi作为PID控制器微分份额，设定值r做单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数KP和KI，得到对应于Gi(s)及PID控制器微分份额αi下的优化的PID控制器比例系数KPi和积分系数KIi，并由下式计算对应的优化的微分系数KDi值：
上述遗传算法以使如下的性能指标J最小为优化目标：
其中β为常数，取0.8～2之间的值，t2＝3(τi+Tci)，i＝1，2，……，N，N＝528；
步骤5：以步骤3获得的传递函数Gi(s)阶跃响应曲线特征参数τi、Tci，和步骤2中与传递函数Gi(s)参数T0i和ni对应的组合参数αi，作为神经网络的输入样本，以步骤4获得的对应于Gi(s)和控制器微分份额αi的优化的PID控制器参数KPi、KIi和KDi，作为神经网络相应的输出样本，i＝1，2，……，N，N＝528，采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc以及PID控制器微分份额α为模型输入变量，以PID控制器参数KP、KI和KD为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；
步骤6：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和Tc，K为稳态增益，根据具体应用确定PID控制器微分份额α，将α，τ和Tc作为步骤5中神经网络模型的输入，得到神经网络的输出为KP'、KI'和KD'，则相应PID控制器参数的整定值分别为
假设实际被控热工过程为通过试验得到该过程的阶跃响应曲线，计算得到阶跃响应曲线的特征参数为K＝2、τ＝75和Tc＝179，选择PID控制器微分份额α＝0.15，将α，τ和Tc作为步骤6中神经网络模型的输入，得到神经网络的输出为KP'＝1.336和KI'＝0.0074，计算得到KD'，则相应PID控制器参数的整定值分别为选择PID控制器微分份额α＝0.2，将α，τ和Tc作为步骤6中神经网络模型的输入，得到神经网络的输出为KP'＝1.6034和KI'＝0.009，计算得到KD'，则相应PID控制器参数的整定值为 对于热工过程采用传统的Z-N方法整定的PID控制器参数为KP”＝0.486，KI”＝0.0025，KD”＝23.5。
上述实施例的仿真结果如图4和图5所示，图4是本专利方法和传统Z-N法整定的PID控制***被控量仿真曲线，图5是本专利方法和传统Z-N法整定的PID控制***控制量仿真曲线。图4和图5表明，当设定值发生扰动时，根据本发明方法整定的PID控制器具有良好的控制性能，并且，选择不同的PID控制器微分份额值，可方便地改变PID控制器微分作用的大小。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种微分可调PID控制器参数工程整定方法，其特征在于：包括步骤：
步骤1：PID控制器的传递函数为s为复变量，KP为比例系数，KI为积分系数，KD为微分系数，并且满足：其中α为PID控制器微分份额；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc以及PID控制器微分份额α为模型输入变量，以PID控制器参数KP、KI和KD为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；
其中用于建立神经网络模型的辨识样本通过如下方法获取：
(1)神经网络模型输入辨识样本通过如下计算：
(11)设置热工过程传递函数的两个参数T0和n的取值范围，分别为：T0∈[10,110]、n∈[1,8]的整数，T0为时间常数，n为过程的阶次，控制器微分份额范围为α∈[0.15,0.25]；T0、n和α在上述范围内以等间隔的方式分别取若干值，并将T0、n和α的取值配对组合，共有N种不同组合，记每种组合中所对应的3个参数T0、n和α的值分别为T0i、ni和αi，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数
(12)通过仿真获得传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N；其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τi、Tci及与传递函数Gi(s)参数T0i和ni对应的组合参数αi作为神经网络模型的输入辨识样本；
(2)与τi、Tci和αi对应的神经网络模型输出辨识样本通过如下计算：
由热工过程Gi(s)和PID控制器构成单回路负反馈控制***，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r做单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数KP和KI，得到对应于Gi(s)及PID控制器微分份额αi下的优化的PID控制器比例系数KPi和积分系数KIi，并由下式计算对应的优化的微分系数KDi值：
并以KPi、KIi和KDi作为与τi、Tci和αi对应的神经网络模型的输出辨识样本；上述遗传算法以使如下的性能指标J最小为优化目标：
其中β为常数，取0.8～2之间的值，
步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和Tc，K为稳态增益；根据具体应用确定PID控制器微分份额α，将α，τ和Tc作为步骤1中神经网络模型的输入，得到神经网络的输出为KP'、KI'和KD'，则相应PID控制器参数的整定值分别为
2.根据权利要求1所述的微分可调PID控制器参数工程整定方法，其特征在于：在步骤1中三个参数T0，n和α在各自的取值范围内，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T0、n和α的取值配对组合，共有528种不同组合，即N＝528。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610459552.8A CN105929683B (zh) | 2016-06-23 | 2016-06-23 | 一种微分可调pid控制器参数工程整定模型及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610459552.8A CN105929683B (zh) | 2016-06-23 | 2016-06-23 | 一种微分可调pid控制器参数工程整定模型及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105929683A CN105929683A (zh) | 2016-09-07 |
| CN105929683B true CN105929683B (zh) | 2019-01-18 |
Family
ID=56832009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610459552.8A Active CN105929683B (zh) | 2016-06-23 | 2016-06-23 | 一种微分可调pid控制器参数工程整定模型及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105929683B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106597840B (zh) * | 2017-01-16 | 2019-05-03 | 杭州电子科技大学 | 一种基于产生式规则推理的pid参数整定方法 |
| CN108181802A (zh) * | 2017-12-05 | 2018-06-19 | 东南大学 | 一种性能可控pid控制器参数优化整定方法 |
| CN108170637B (zh) * | 2017-12-06 | 2021-11-12 | 东南大学 | 一种具有微分特性过程的传递函数模型辨识方法 |
| CN108132596B (zh) * | 2017-12-17 | 2021-06-25 | 北京世纪隆博科技有限责任公司 | 一种微分超前广义智能内部模型集pid控制器设计方法 |
| CN108132597B (zh) * | 2017-12-17 | 2021-06-25 | 北京世纪隆博科技有限责任公司 | 一种微分超前智能模型集pid控制器设计方法 |
| CN108107713B (zh) * | 2017-12-17 | 2021-06-29 | 北京世纪隆博科技有限责任公司 | 一种比例微分超前智能模型集pid控制器设计方法 |
| CN110109395B (zh) * | 2019-05-08 | 2021-08-24 | 广东电网有限责任公司 | 一种过程的频率带宽的获取方法、装置、设备和存储介质 |
| CN110175397B (zh) * | 2019-05-24 | 2023-08-11 | 重庆医科大学 | 一种基于人工神经网络模型的灭菌参数选择方法及*** |
| CN110262222B (zh) * | 2019-06-26 | 2021-07-13 | 东北大学 | 一种区间***最优区间pid控制器参数优化方法 |
| CN110231772B (zh) * | 2019-07-22 | 2022-07-15 | 广东电网有限责任公司 | 一种获取过程模型的方法、装置及设备 |
| CN110569561B (zh) * | 2019-08-16 | 2022-11-22 | 佛山科学技术学院 | 一种分数阶pid控制器微分积分阶次估计方法 |
| CN110879620B (zh) * | 2019-11-19 | 2023-06-27 | 中广核工程有限公司 | 一种核电站立式蒸汽发生器液位控制方法以及*** |
| CN111077766A (zh) * | 2019-12-31 | 2020-04-28 | 福建（泉州）哈工大工程技术研究院 | 基于非线性pid的随机运动目标跟踪小车的控制算法 |
| CN112711187B (zh) * | 2020-11-27 | 2022-09-30 | 东南大学 | 一种燃煤机组干式电除尘器多电场协同控制方法 |
| CN113126480A (zh) * | 2021-05-31 | 2021-07-16 | 长安大学 | 一种普适的pid参数整定方法 |
| CN116627028B (zh) * | 2023-07-21 | 2023-09-29 | 阳谷新太平洋电缆有限公司 | 交联电缆生产线控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224255A1 (en) * | 2003-08-21 | 2006-10-05 | Masato Tanaka | Pid parameter adjustment device |
| CN101216715A (zh) * | 2008-01-11 | 2008-07-09 | 宁波大学 | 用神经元网络调节参数的pid控制温度仪表及其控制方法 |
| CN103245481A (zh) * | 2013-05-07 | 2013-08-14 | 杭州电子科技大学 | 基于变频技术的变负荷大型换热器气阻特性的检测方法 |
-
2016
- 2016-06-23 CN CN201610459552.8A patent/CN105929683B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224255A1 (en) * | 2003-08-21 | 2006-10-05 | Masato Tanaka | Pid parameter adjustment device |
| CN101216715A (zh) * | 2008-01-11 | 2008-07-09 | 宁波大学 | 用神经元网络调节参数的pid控制温度仪表及其控制方法 |
| CN103245481A (zh) * | 2013-05-07 | 2013-08-14 | 杭州电子科技大学 | 基于变频技术的变负荷大型换热器气阻特性的检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种热工过程RBF神经网络模型辨识方法;钱磊等;《自动化仪表》;20160131;第37卷(第1期);全文 |
| 基于BP神经网络的PID参数自整定的船舶操作控制器研究;詹月林;《舰船科学技术》;20031030;第25卷(第5期);全文 |
| 基于改进多目标遗传算法的非线性PID控制器参数设计;王志心等;《江苏电机工程》;20100131;第29卷(第1期);全文 |
| 神经网络分数阶PID在网络控制***中的研究与应用;关荣根;《全国优秀硕士学位论文》;20160415;全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105929683A (zh) | 2016-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105929683B (zh) | 一种微分可调pid控制器参数工程整定模型及方法 | |
| CN106054596B (zh) | 一种基于改进性能指标的pid控制器参数优化整定方法 | |
| CN104533701B (zh) | 一种水轮机调速***控制参数的自动整定方法 | |
| CN105630033B (zh) | 基于自适应模糊pid的水温控制方法及其控制*** | |
| CN103823368B (zh) | 基于权重规则表的pid型模糊逻辑控制方法 | |
| Jun et al. | A particle swarm optimization approach for optimal design of PID controller for temperature control in HVAC | |
| CN110925854B (zh) | 用于改善二次热网水力失调的流量调节方法和*** | |
| CN104991589B (zh) | 一种自学习型的温度精密控制方法 | |
| CN103195730B (zh) | 使用压气机进口可转导叶控制燃气轮机排气温度的方法 | |
| CN108181802A (zh) | 一种性能可控pid控制器参数优化整定方法 | |
| CN106054610B (zh) | 一种优化的pi控制器参数工程整定方法 | |
| CN107942648A (zh) | 一种超大空间温度场pid控制器参数整定方法 | |
| CN110531612A (zh) | 一种分数阶pid控制器的参数整定方法 | |
| CN104833154A (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
| CN108489015A (zh) | 基于极点配置和帕德近似的空调***温度控制方法 | |
| CN109828461A (zh) | 一种基于粒子群的热工多回路控制器闭环迭代整定***及整定方法 | |
| CN107168392A (zh) | 一种锅炉汽包水位pid参数的整定方法 | |
| CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
| CN106052137A (zh) | 燃气热水设备及其恒温控制方法、装置 | |
| CN104949283A (zh) | 一种控制风量的风阀调节方法及*** | |
| CN110094838A (zh) | 一种基于空调***的可变参数无模型自适应控制方法 | |
| CN117572917A (zh) | 一种用于温度智能控制器的数据融合方法及*** | |
| CN106647261B (zh) | 一种基于导前扰动模型的火电机组汽温预测函数控制算法 | |
| CN108919642B (zh) | 一种炉跟机协调控制***控制器参数优化整定方法 | |
| CN108121207A (zh) | 同时满足跟踪性和鲁棒性的燃气锅炉最优分数阶pid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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |