CN112782970A - 一种GaN衬底生长加热炉温度自整定方法及*** - Google Patents
一种GaN衬底生长加热炉温度自整定方法及*** Download PDFInfo
- Publication number
- CN112782970A CN112782970A CN202011567985.8A CN202011567985A CN112782970A CN 112782970 A CN112782970 A CN 112782970A CN 202011567985 A CN202011567985 A CN 202011567985A CN 112782970 A CN112782970 A CN 112782970A
- Authority
- CN
- China
- Prior art keywords
- neural network
- heating furnace
- temperature
- self
- gan substrate
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 44
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 87
- 230000006870 function Effects 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000012546 transfer Methods 0.000 claims abstract description 19
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical compound C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000002248 hydride vapour-phase epitaxy Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
Abstract
本发明提供一种GaN衬底生长加热炉温度自整定方法及***，构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；加热炉实际运行时，根据加热炉***返回现场实际温度，确定神经网络的输入层节点；当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数，实现对加热炉温度的自适应整定。本发明实现了加热炉温度的自适应整定；采用在线调整方式，利用BP神经网络实现了对加热炉温度的实时控制；采用神经网络改进PID控制器的控制效果，提高了***温度控制的精确性和抗干扰性。
Description
技术领域
本发明属于GaN衬底生长设备自动化领域，尤其涉及一种GaN衬底生长加热炉温度自整定方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着半导体工业技术的发展，半导体工业材料生长领域的产品不断更新，生长过程对温度场控制要求越来越高，加热炉在半导体材料生长领域，尤其是在氢化物气相外延(HVPE)材料生长领域中被广泛应用。其关键技术是保证加热炉的温场恒定和高精度控制，因此高精度恒温场加热方式的研究成为重点。
在垂直式HVPE生长设备中，现有加热炉存在温度均匀性较差(温度梯度很大)、加热精度控制低、控温方式不合理等缺陷，在温度控制过程中，存在大滞后、强耦合、未知干扰和不确定性等非线性控制难题。传统的PID控制适应性差，导致GaN衬底材料生长质量不高，控制效果很不理想。
发明内容
为了解决上述问题，本发明提供一种GaN衬底生长加热炉温度自整定方法及***，本发明可以在GaN衬底生长过程中进行自适应运算，自动调节加热炉温度PID控制器的参数，从而调整加热炉的温度，为GaN衬底材料的生长提供一个稳定的温度环境。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种GaN衬底生长加热炉温度自整定方法，包括以下步骤：
构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
加热炉实际运行时，根据加热炉***返回现场实际温度，确定神经网络的输入层节点；
当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数，实现对加热炉温度的自适应整定。
作为可选择的实施方式，构建3-5-3的神经网络结构，确定神经网络的输入和输出，神经网络输入层的节点为***输入、***输出和***偏差；神经网络输出层的节点为PID控制器的控制参数。
作为可选择的实施方式，神经网络的转移函数为sigmoid函数，神经网络隐含层的转移函数选取正负对称的sigmoid函数，神经网络输出层的转移函数选取非负的sigmoid函数。
作为可选择的实施方式，选取现场加热炉的温度设定值与实际输出值的差值作为性能指标。
作为可选择的实施方式，神经网络的初始权值矩阵选取[-1,1]间随机数值。
作为可选择的实施方式，利用神经网络调整PID控制器的控制参数的具体过程包括：采用增量式PID控制算法，得到输入矩阵，输入分别为***输入、***输出和***偏差，由输入层到隐含层的权值矩阵可得隐含层的输入矩阵。
作为可选择的实施方式，利用神经网络调整PID控制器的控制参数的具体过程包括：由反向传播算法的调整原理，先进行隐含层至输出层的权值调整，再进行输入层至隐含层的权值调整，储存输出层本次调整后的权值，储存隐层本次调整后的权值，更新偏差，进行下一次的BP神经网络调整。
本发明的第二个方面提供一种GaN衬底生长加热炉温度自整定***，包括：
神经网络构建模块，被配置为构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
采集模块，被配置为采集GaN衬底生长加热炉温度；
参数关联模块，被配置为在加热炉实际运行时，根据采集模块返回现场实际温度，确定神经网络的输入层节点；
自适应整定模块，被配置为当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数；
PID控制器，被配置为基于控制参数，通过执行机构调整GaN衬底生长加热炉的温度。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种GaN衬底生长加热炉温度自整定方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种GaN衬底生长加热炉温度自整定方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明将神经网络和PID控制器相结合，实现了加热炉温度的自适应整定；采用在线调整方式，利用BP神经网络实现了对加热炉温度的实时控制；采用神经网络改进PID控制器的控制效果，提高了***温度控制的精确性和抗干扰性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的神经网络结构示意图；
图2是本发明实施例的BP神经网络PID控制仿真模型；
图3是本发明实施例的传统PID控制与BP神经网络PID控制仿真结果；
图4是本发明实施例的控制***示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
一种基于BP神经网络PID的加热炉温度自整定方法，包括以下步骤：
(1)确定神经网络的网络结构和网络层数；
(2)确定神经网络的输入和输出；
(3)确定神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
(4)加热炉实际运行时，加热炉***返回现场实际温度，确定神经网络的输入层节点；
(5)当加热炉温度超出偏差允许范围时，神经网络调整PID控制器的Kp、Ki、Kd三个参数，实现对加热炉温度的自适应整定。
如图1所示，首先确定神经网络的网络结构和网络层数，本发明采用3-5-3的神经网络结构；
其次确定神经网络的输入和输出，神经网络输入层的节点为***输入、***输出和***偏差；神经网络输出层的节点则为PID控制器的Kp、Ki、Kd；
接着，神经网络的转移函数为sigmoid函数，其中，神经网络隐含层的转移函数选取正负对称的sigmoid函数：
神经网络输出层的转移函数选取非负的sigmoid函数：
设置学习率为0.2，α因子为0.05；
选取现场加热炉的温度设定值与实际输出值的差值作为性能指标：
神经网络的初始权值矩阵可选取[-1,1]间较小的随机数值，如：
输入层到隐含层的初始权值矩阵可选为：
隐含层到输出层的初始权值矩阵可选为：
一种基于BP神经网络PID的加热炉温度自整定方法，具体实现原理包括：
加热炉体采用立式整体非开合式结构，控制部分集中在一个控制柜内，由功率控制***和温度控制***组成。在加热炉各温区均设置多个加热模块以及内置温度传感器，且分别与采用可控硅调功器、变压器等电气元件组成的串级自动控温电路连接，通过自动控温电路合理调节各加热模块的加热功率，结合在加热温区中设置的加热模块的种类及加热方式，将每一个温区的温度独立、精密控制在预设温度范围，以满足HVPE设备的控制要求。
设计上位机***控制软件，与可编程控制器通讯，根据工艺要求设定各温区温度，在其内部各温区设置温度传感器，收集到的温度信号经A/D转换后进入可编程控制器，可编程控制器通过比较加热期间实际温度值与设定值，结合神经网络控制算法计算出控制量，然后输出信号通过D/A转换发送到可控硅调功器，通过改变其占空比大小来控制电阻炉加热功率，实现加热控制。
在本实施例中，HVPE设备主要由加热炉体、温度控制两部分组成整机***，加热炉体可包含外径210mm的石英管，由5组加热单元组成，从上到下总有效高度为900mm，每相邻两区有绝热挡板以减小温区相互影响，同时消除烟囱效应。
HVPE***加热炉模型的建立：经过理论分析及实验验证，在阶跃输入的影响下HVPE***加热炉具有自平衡能力和非振荡特性，其传递函数可以通过比例环节、一阶惯性环节和一个延迟环节来近似，可近似表示为：
其中，K—静态增益，τ—延迟时间，T—惯性时间常数，G(s)—传递函数，s—状态变量的拉普拉斯变换因子。
BP神经网络PID控制器设计：HVPE设备加热炉BP神经网络PID控制器采用3-5-3的神经网络结构，定义各温区的温度预设值作为BP神经网络PID控制器的输入，加热炉内部各温区均设置多个加热模块和温度传感器，通过相关电路控制炉温，实际炉温经热电偶返回，并与预设值比较，其预设温度、实际炉温、温度差值构成了BP神经网络控制器的输入；输入矩阵经输入层到隐含层，再由隐含层到输出层，输出参数为PID控制器的Kp、Ki、Kd，以实现加热炉控制器的参数自调整。
BP神经网络PID控制器的输出采用增量式PID控制算法，其PID控制器输出表达式为：
Δu(k)＝Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
u(k)＝u(k-1)+Δu(k)
为验证BP神经网络PID控制器设计的正确性，在Simulink环境下对加热炉***传递函数进行仿真分析；通过Matlab拟合工具箱拟合实际工程数据，近似得到传递函数参数：K＝14，T＝380，τ＝75，即HVPE设备加热炉温度控制模型的传递参数为
在Simulink中对加热炉温度控制***进行仿真，搭建***仿真模型。
在仿真模型S函数中，实现BP神经网络PID控制器的功能，***的输入矩阵为：xi＝[rin(k),yout(k),error(k)]；
输入矩阵经输入层到隐含层的权值矩阵可得隐含层的输入矩阵I，激活函数为
输出层的输出为PID控制器的参数Kp、Ki、Kd，激活函数为
由增量式控制算法，可得加热炉温度控制***的输出增量Δu，进而由校正公式得到***输出。
因神经网络模型为BP神经网络，故由反向传播算法的调整原理可知，先进行隐含层至输出层的权值调整，再进行输入层至隐含层的权值调整，然后储存输出层本次调整后的权值，储存隐含层本次调整后的权值，更新偏差，即可进行下一次的BP神经网络调整，如此不断地进行BP神经网络的调整，可得到较优的温度控制效果。
本公开根据HVPE设备工艺要求，对加热炉温度控制***进行研究分析，将BP神经网络与常规PID控制相结合，通过可编程控制器控制设计了一种HVPE***加热炉的温度控制***。实验仿真与实际现场实验效果表明，相比于传统的PID控制，采用BP神经网络PID控制的***具有更小的超调量、更短的调节时间以及更好的鲁棒性，明显提高了温度控制精度，较好地满足了HVPE工艺材料生长的要求。
实施例二：
一种GaN衬底生长加热炉温度自整定***，包括：
神经网络构建模块，被配置为构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
采集模块，被配置为采集GaN衬底生长加热炉温度；
参数关联模块，被配置为在加热炉实际运行时，根据采集模块返回现场实际温度，确定神经网络的输入层节点；
自适应整定模块，被配置为当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数；
PID控制器，被配置为基于控制参数，通过执行机构调整GaN衬底生长加热炉的温度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种GaN衬底生长加热炉温度自整定方法，其特征是：包括以下步骤：
构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
加热炉实际运行时，根据加热炉***返回现场实际温度，确定神经网络的输入层节点；
当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数，实现对加热炉温度的自适应整定。
2.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：构建3-5-3的神经网络结构，确定神经网络的输入和输出，神经网络输入层的节点为***输入、***输出和***偏差；神经网络输出层的节点为PID控制器的控制参数。
3.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：神经网络的转移函数为sigmoid函数，神经网络隐含层的转移函数选取正负对称的sigmoid函数，神经网络输出层的转移函数选取非负的sigmoid函数。
4.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：选取现场加热炉的温度设定值与实际输出值的差值作为性能指标。
5.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：神经网络的初始权值矩阵选取[-1,1]间随机数值。
6.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：利用神经网络调整PID控制器的控制参数的具体过程包括：采用增量式PID控制算法，得到输入矩阵，输入分别为***输入、***输出和***偏差，由输入层到隐含层的权值矩阵可得隐含层的输入矩阵。
7.如权利要求1所述的一种GaN衬底生长加热炉温度自整定方法，其特征是：利用神经网络调整PID控制器的控制参数的具体过程包括：由反向传播算法的调整原理，先进行隐含层至输出层的权值调整，再进行输入层至隐含层的权值调整，储存输出层本次调整后的权值，储存隐层本次调整后的权值，更新偏差，进行下一次的BP神经网络调整。
8.一种GaN衬底生长加热炉温度自整定***，其特征是：包括：
神经网络构建模块，被配置为构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；
采集模块，被配置为采集GaN衬底生长加热炉温度；
参数关联模块，被配置为在加热炉实际运行时，根据采集模块返回现场实际温度，确定神经网络的输入层节点；
自适应整定模块，被配置为当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数；
PID控制器，被配置为基于控制参数，通过执行机构调整GaN衬底生长加热炉的温度。
9.一种计算机可读存储介质，其特征是：其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种GaN衬底生长加热炉温度自整定方法中的步骤。
10.一种计算机设备，其特征是：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种GaN衬底生长加热炉温度自整定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011567985.8A CN112782970A (zh) | 2020-12-25 | 2020-12-25 | 一种GaN衬底生长加热炉温度自整定方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011567985.8A CN112782970A (zh) | 2020-12-25 | 2020-12-25 | 一种GaN衬底生长加热炉温度自整定方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112782970A true CN112782970A (zh) | 2021-05-11 |
Family
ID=75752653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011567985.8A Pending CN112782970A (zh) | 2020-12-25 | 2020-12-25 | 一种GaN衬底生长加热炉温度自整定方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112782970A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587120A (zh) * | 2021-07-29 | 2021-11-02 | 光大环保技术研究院（深圳）有限公司 | 一种等离子灰渣熔融炉的控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5683605A (en) * | 1994-12-27 | 1997-11-04 | Sharp Kabushiki Kaisha | Heater controlling unit using a fuzzy neural network |
| CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
| CN110684547A (zh) * | 2019-10-22 | 2020-01-14 | 中国计量大学 | 一种生物质热解炭化窑优化控制方法 |
-
2020
- 2020-12-25 CN CN202011567985.8A patent/CN112782970A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5683605A (en) * | 1994-12-27 | 1997-11-04 | Sharp Kabushiki Kaisha | Heater controlling unit using a fuzzy neural network |
| CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
| CN110684547A (zh) * | 2019-10-22 | 2020-01-14 | 中国计量大学 | 一种生物质热解炭化窑优化控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 梁军等: "基于神经网络PLS方法的软测量建模研究", 《浙江大学学报(工学版)》 * |
| 王岩等: "基于神经网络的PID温度控制***", 《微计算机信息》 * |
| 秦立庆: "基于神经网络的PID控制技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587120A (zh) * | 2021-07-29 | 2021-11-02 | 光大环保技术研究院（深圳）有限公司 | 一种等离子灰渣熔融炉的控制方法 |
| CN113587120B (zh) * | 2021-07-29 | 2023-08-29 | 光大环保技术研究院（深圳）有限公司 | 一种等离子灰渣熔融炉的控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | An iterative adaptive dynamic programming algorithm for optimal control of unknown discrete-time nonlinear systems with constrained inputs | |
| Sahu et al. | A novel hybrid gravitational search and pattern search algorithm for load frequency control of nonlinear power system | |
| Tan | Unified tuning of PID load frequency controller for power systems via IMC | |
| Wu et al. | Design of dynamic matrix control based PID for residual oil outlet temperature in a coke furnace | |
| CN112884136B (zh) | 耦合神经网络有界聚类投影同步调节控制方法及*** | |
| CA2252428A1 (en) | Nonlinear-approximator-based automatic tuner | |
| CN109459930B (zh) | 一种基于pd结构和邻居滞后控制信号的协同控制方法 | |
| Zhang et al. | Parameter optimization of PID controllers based on genetic algorithm | |
| Luan et al. | Equivalent transfer function based multi-loop PI control for high dimensional multivariable systems | |
| Rajarathinam et al. | PID controller tuning for a multivariable glass furnace process by genetic algorithm | |
| CN110879620A (zh) | 一种核电站立式蒸汽发生器液位控制方法以及*** | |
| CN112782970A (zh) | 一种GaN衬底生长加热炉温度自整定方法及*** | |
| CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制*** | |
| CN110488888A (zh) | 一种基于自适应迭代学习的电阻加热炉温度控制方法 | |
| CN105720574A (zh) | 基于spsa的电力***单区域负荷频率的数据驱动控制方法 | |
| Yousuf et al. | PSO based single and two interconnected area predictive automatic generation control | |
| De Almeida et al. | Application of genetic programming for fine tuning PID controller parameters designed through Ziegler-Nichols technique | |
| JP2002049401A (ja) | 制御装置および制御方法 | |
| CN106410829A (zh) | 一种基于预测控制的储能源网协调控制***及方法 | |
| CN106647247B (zh) | 一种适用于伺服控制器的控制算法 | |
| Keliang et al. | PID controller parameters tuning of main steam temperature based on chaotic particle swarm optimization | |
| CN113641101B (zh) | 一种基于数值仿真的多渠池控制参数寻优算法 | |
| Park et al. | Decentralized output-feedback controller for uncertain large-scale nonlinear systems using higher-order switching differentiator | |
| Jin et al. | IMC-PID controller based on diagonal equivalent model for multivariable systems with multiple time delays | |
| Vu et al. | Independent design of multi-loop PI/PID controllers for multi-delay processes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |