CN113885310A - 一种用于真空干泵测试的智能控制*** - Google Patents
一种用于真空干泵测试的智能控制*** Download PDFInfo
- Publication number
- CN113885310A CN113885310A CN202010624616.1A CN202010624616A CN113885310A CN 113885310 A CN113885310 A CN 113885310A CN 202010624616 A CN202010624616 A CN 202010624616A CN 113885310 A CN113885310 A CN 113885310A
- Authority
- CN
- China
- Prior art keywords
- dry pump
- test
- model
- vacuum chamber
- temperature
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 152
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000001816 cooling Methods 0.000 claims abstract description 20
- 230000001105 regulatory effect Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 45
- 238000010438 heat treatment Methods 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000000498 cooling water Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 238000005485 electric heating Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 7
- 238000011056 performance test Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 28
- 230000008569 process Effects 0.000 description 19
- 238000005457 optimization Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000009530 blood pressure measurement Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 5
- 238000005086 pumping Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发属于控制领域及真空干泵领域,具体涉及一种用于真空干泵测试的智能控制***,包括PLC控制器、温度控制模块、流量控制模块、真空获得模块、压力测量模块、变频调速模块、微型处理器、循环冷却***、继电器模块、数据显示模块,可以实现真空环境下压力、流量、温度的高精度联动控制,进而对该工况下的真空泵进行性能测试。控制***中使用智能算法,将测试与分析相结合,对实验数据进行智能分析及整合,提高实验的精确性和智能化,同时节省时间成本。
Description
技术领域
本发属于控制领域及真空干泵领域,具体涉及一种用于真空干泵测试的智能控制***。
背景技术
测试在真空干泵产品的研制、出厂和检验过程中都十分重要,能够有助于直观的发现和帮助解决产品存在的问题。对于泵的检测,常采用搭建测试***的方式进行测试。真空泵的测试,是真空技术与测控技术的结合,将这两种高端技术联合使用并融入到工业生产中,是我国工业进步的标志。国内外关于泵测试***的研究并不多。目前国内常见的真空泵测试***仍然是单回路控制***,通过调节单一参数以实现对泵的某一性能的测试。然而在实际生产过程中,对真空泵的性能影响的因素有许多,流量大小、温度高低、不同的真空度,都会影响真空泵的抽气性能。因此这样的单一参数测试方法不仅效率低,而且为操作人员带来诸多不便。且目前绝大多数的测试控制***不具备数据分析功能,测试与分析相互分离,无法实现测试数据的有效管理,也无法将不同测试数据进行自动结合。
发明内容
鉴于目前国内大多数的真空泵性能测试控制***测量单一化、测量与分析相分离的现状,发明一种主要用于用于真空干泵测试的智能控制***,以提高干泵测试过程不同变量的控制精度,提高干泵性能测试后的分析效率,节省时间成本。
本发明为实现上述目的所采用的技术方案是:
一种用于真空干泵测试的智能控制***,包括:顺序连接的水箱、节流阀、真空室、电磁阀、干泵、干泵出口测量点、前级阀以及前级泵,还包括分别与节流阀、真空室、电磁阀、干泵出口测量点以及前级阀连接的控制器;控制器与真空室之间,并联设有温度传感器以及真空室压力传感器;干泵出口测量点与控制器之间设有测量点压力传感器;真空室内设有电加热丝;真空室通过顺序连接的空气加热器以及流量调节阀与气瓶相连;流量调节阀与控制器相连;真空室外缠绕有水冷管;上位机与控制器相连。
所述上位机用于发送控制参数至控制器,并接收控制器发来的干泵状态信息。
所述干泵状态信息包括气瓶输出的气体流量、真空室压力、干泵出口压力、真空室温度,以及通过在空气加热器与真空室之间设置的粘度计所测量的空气粘度中的至少一种。
一种用于真空干泵测试的智能控制方法,包括干泵测试阶段,具体步骤如下:
向真空室外的水冷管通入冷却水;
控制器接收上位机输入的包括流量值、温度值、压力值的控制参数并依次开启前级泵、流量调节阀以及空气加热器和电加热丝;
调节流量调节阀开度,判断气瓶输出的气体流量或者真空室压力是否满足预设的控制参数,若不满足,则继续调节,否则,执行下一步骤;
调节前级阀开度,判断干泵出口压力是否满足预设的控制参数,若不满足,则返回上一步骤,否则,执行下一步骤;
根据真空室温度调节电加热丝以及空气加热器的加热功率,直至真空室温度满足预设的控制参数,执行下一步骤;
对干泵性能进行测试,并将包含干泵型号、预设的控制参数、测试中测得的性能参数、状态信息的测试数据输入给上位机中的数据库进行储存。
所述根据真空室温度调节电加热丝以及空气加热器的加热功率包括以下步骤:
当真空室温度低于预设温度时,增大加热功率,减少水冷管内冷却水量;否则,减少加热功率,增大水冷管内冷却水量。
所述性能参数包括干泵的转速、功耗、排量中的至少一种。
使用神经网络PID控制对真空室的温度进行控制,具体为:
获取控制参数中预设的温度值rm(k)以及温度传感器实时反馈真空室内的温度yout(k),计算实时误差e(k)=rm(k)-yout(k),计算误差微分量de/dt;
将反馈温度yout(k)、实时误差e(k)、误差微分量de/dt及反馈真空室内压力值P作为神经网络的输入;
通过神经网络输出PID控制器的三个可调参数Kp、Ki和Kd;
通过PID控制器控制输出信号u(k)控制空气加热器和电加热丝工作。
所述干泵测试阶段完成后,进入干泵建模阶段,具体步骤如下:
建立性能参数与状态信息的关系模型,所述关系模型中包含用于表示性能参数与状态信息关系的回归参数;
通过粒子群算法得到回归参数;
将回归参数带入关系模型,即得到干泵模型。
所述通过粒子群算法得到回归参数,包括以下步骤:
步骤一:随机初始化粒子群,包括群体规模n,每个粒子的位置xi和速度vi,其中xi是向量,其值对应回归参数a的向量[a1,a2,……ak],k为回归参数a的个数;
步骤三:对每个粒子,用它的适应度值Fi[i]和个体极值Pbest(i)进行比较,如果Fi[i]<Pbest(i),则用Fi[i]代替Pbest(i);
步骤四:对每个粒子,用适应度值Fi[i]和全局极值gbest比较,如果Fi[i]>gbest-则用Fi[i]代替gbest;
步骤五:更新粒子群的速度和位置;
步骤六:如果满足设定的结束条件,则退出,并输出此时的回归参数,用于带入关系模型,否则返回第二步骤。
干泵测试阶段之前,进行干泵信息匹配阶段,包括以下步骤:
步骤一:测试前,判断用户是否输入干泵型号,若用户输入干泵型号,进入步骤二,否则进入步骤五;
步骤二:根据用户输入的干泵型号,遍历数据库中已有测试数据,判断是否存在相同型号,若存在,进入步骤三,否则进入步骤四;
步骤三:调用该相同型号干泵的测试数据和误差分析结果,向用户输出,用户判断是否需要继续测试,是则进入步骤十一,否则直接结束测试;
步骤四:判断是否存在型号部分相同的干泵,若有则进入步骤九,否则进入步骤五;
步骤五:通过进入干泵测试阶段,对干泵开始不同工况下的性能参数进行测试,在未知干泵模型的前提下,得到多组不同工况下干泵性能的数据,进入步骤六;
步骤六:在测试若干组数据后,遍历数据库中已有的存储数据,用新测得结果,通过干泵建模阶段得到新的干泵模型,并对干泵模型进行误差分析,进入下一步;
步骤七:根据误差分析得到的误差E;E=|Q测-Q拟|/Q测;
式中:E为误差,Q测为测量得到的干泵性能参数,Q拟为通过干泵模型计算获得的干泵性能参数;
判断误差E是否小于阈值;小于则进入步骤八,否则进入步骤十;
步骤八:将误差小于阈值的干泵模型输出给用户,用户判断是否需要,是则进入步骤九,否则进入步骤五;
步骤九:根据得到的干泵模型和测试数据,由用户选择干泵性能最佳的工况,进入下一步;
步骤十:根据选择的工况调节工况的测试环境,或者自定义调节所需要的测试工况,并进入干泵测试阶段,然后进入下一步;
步骤十一:根据用户新添加的不同工况的测试结果,进行数据存储与分析:
如果是新型号干泵,则通过干泵建模阶段独立生成新的干泵模型;如果是对原有型号的干泵数据进行补充,则在剔除误差超过设定范围的数据后,重新将新测得的数据整合至原有测试数据中,通过干泵建模阶段实现优化干泵模型并储存。
本发明具有以下有益效果及优点:
所设计的智能控制***通过串级控制及神经网络PID控制,实现温度、压力、流量等不同工况的高精度控制,减少了不同变量之间干扰对控制带来的影响,提高了控制效率和控制精度。所设计的控制***对温度的控制采用神经网络PID控制算法,将压力作为神经网络的输入层中的神经元,可以使温度控制能根据压力大小来调节控制参量,避免压力的变化对控制造成较大干扰。相比于传统PID控制算法能够实现在更短时间内达到所需要控制的温度,在实现高效加热的同时还能避免能源的浪费。所发明的智能控制***不仅能对不同工况下干泵的性能进行测试,同时还将所测结果在数据库中存储、拟合、分析,形成精确的性能模型,其拟合结果的平均误差维持在0.5%以下,实现干泵性能的高精度测试和分析。所设计的控制***充分考虑了温度、压力、流量、水温等变量之间的影响。同时所设计的智能控制***还能根据使用者输入的待测泵型号来分析是否已有相同或类似的测试历史,并调用历史数据为新的测试提供帮助,大大降低测试过程的时间成本,避免了每一个干泵的测试都需要采集上百组数据的现象,避免了重复性劳动,提高了测试效率。
附图说明
图1为本发明的硬件模块信号传输框图;
图2为本发明的串级控制***框图;
图3为基于BP神经网络的温度PID控制器框图;
图4为BP神经网络控制算法流程图;
图5为BP神经网络PID和普通PID温度控制的仿真对比图;
图6为具体实施例一中的干泵测试***结构简图;
图7为具体实施例二中PSO粒子群优化算法的计算流程图;
图8为所发明的控制***的干泵测试操作流程图;
图9为智能推荐功能算法流程图。
1——水箱;2——真空室;3——温度传感器;4——真空室压力传感器;5——控制器;6——上位机;7——前级泵;8——前级阀;9——待测泵;10——电磁阀;11——气瓶;12——流量调节阀;13——空气加热器;14——待测泵出口测量点;15——测量点压力传感器;16——电加热丝;17——节流阀。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
该控制***的原理是:通过真空获得模块控制待测泵出口腔室的压力,利用温度控制模块对待测泵入口处的真空室内气体进行加热,使用温度和压力传感器测量相应位置的气体温度和压力,将信号反馈至控制器,控制器调节加热模块的加热功率、流量调节阀和前级阀的开度来实现对真空室内气体的温度和压力的控制。在所有工况均稳定在所需设定值范围内后,测量待测泵此时的抽速和功率,即为实验所需测试结果。将不同工况下的测试结果输入数据库中进行拟合分析,皆可得到所测干泵对应不同工况的性能模型。
该控制***的硬件组成主要包括温度控制模块、流量控制模块、真空获得模块、压力测量模块、变频调速模块、微处理器模块、循环冷却***、PLC控制器、数模转换模块、继电器模块、数据显示模块。
其中,温度控制模块由电阻加热丝、空气加热器、热辐射管及热电偶组成。根据不同的测试条件来更换加热装置,对于静态测试过程,可以采用电阻加热丝加热,对于大流量测试条件,可采用空气加热器加热,对于低压环境,可采用热辐射管加热;温度的测量反馈优选热电偶,或其他温度传感器。
流量控制模块主要由气源、流量调节阀、流量计、粘度计组成。气源可以是压力气瓶、空压机、制氮机等气体产生装置,根据测试过程的条件参数进行选择;流量调节阀用于调节气源产生的气体流量,流量计、粘度计则用于测量气体的特征参数流量及粘度。
真空获得模块主要是由前级泵和前级阀组成,其作用是负责抽取待测泵出口处的气体,形成所需的测试环境,前级泵主要由涡旋泵、涡轮分子泵、罗茨泵、螺杆真空泵组成,根据所需压力高低来选择泵型;前级阀位于待测泵与前级泵之间,其开度由PLC控制,用于控制并获得所需要的测试压力。
压力测量模块由不同量程的压力传感器组成,分别布置在真空容器、气体管路上的不同位置进行压力测量;循环冷却***由水箱、水冷管、节流阀、水温传感器组成,主要用于大真空室的冷却降温,防止真空室出现过热;变频调速模块主要包括变频器及变频电机,用以调节真空泵的转速。
根据上述的硬件结构,所发明的智能控制***其不同硬件间的信号传输特点为:操作员在上位机给定所需控制的变量参数,上位机将参数转化为信号传输至PLC控制器,PLC再将数据传输给继电器模块、变频调速模块、微型控制器。其中,继电器模块通过对电机开关、阀门开闭和开度的控制,实现对循环冷却***、流量控制模块、真空获得模块的控制;变频调速模块和继电器模块共同控制真空获得模块可以实现对***的压力的控制;微型控制器则与PLC控制器共同组成神经网络PID控制器,对温度进行高精度控制。压力测量模块由布置在真空容器和出口测量点的压力传感器组成,分别用于测量所在位置对应的压力,提供反馈信号及测试读数。
由于温度控制模块受循环冷却***及流量控制模块的干扰,压力测量模块受流量控制模块的干扰,且压力控制与温度控制过程中两个参数的调节会互相产生干扰。因此设计相应的控制框图如图2所示,为温度与压力的串级控制框图,其特点是在流量控制和循环冷却水量控制稳定后,对压力与温度进行串级控制,在压力调节的过程中,反馈的压力信号同时会反馈给温度控制模块,温度控制模块的神经网络PID控制会根据温度和压力的反馈信号进行调节温度的控制参数,可以实现温度、压力、流量的高效联动控制。
如图3所示,所设计的温度控制模块由微型控制器与PLC控制器结合进行控制,其控制方法为神经网络PID控制,采用4-5-3结构,以温度反馈信号yout、温度误差e、误差微分量de/dt和压力反馈信号P作为神经网络的输入层的四个神经元,以PID控制器的三个可调参数Kp、Ki、Kd作为输出层,结合权值学习算法对权重和偏置进行计算,得到相应的控制参数,来对温度进行控制。由于在控制算法中考虑了压力控制因素,因此温度的控制受压力变化的影响较小,不会因为压力的变化而导致温度产生较大波动。除上述基本控制结构,所发明的控制***拥有对测试数据的智能分析功能。其基本原理为:控制***测试得到的干泵性能数据(包括抽速、转速、功耗、排量等)以及测试的工况参数(环境气体的压力、温度、流量、粘度等)均输入上位机的数据库中存储。上位机中的分析程序根据预先设计的拟合模型,对干泵性能数据及工况参数采用粒子群算法(PSO)进行拟合优化。由于干泵测试过程中涉及到的数据非常多,简单的一维或二维模型无法准确描述干泵的性能,同时也无法保证精度,因此为减少分析误差,上位机的分析程序中应预先设计多个物理模型,2~10个即可。在对每种模型进行PSO算法拟合后,程序计算每种模型所得到的误差,采用误差最小的模型来描述所测干泵的性能,并形成图表等可视化数据输出给使用者。
为拟合出较精确的干泵性能模型,因此需要大量的测量数据,一种型号的干泵往往需要测量一百组左右的数据,对于使用者来说将消耗大量的时间成本。为此所发明的智能控制***增加了推荐功能,每次测试的结果都会存储到数据库种,在下一次测试时,控制***的上位机可调用数据库为使用者提供数据参考。使用者在测试前可在上位机输入所要测试干泵的型号,若上位机检测到将要测试的泵在数据库中已有相关存储时,会调用数据为使用者提供已有数据的智能分析图表,避免重复性实验;若使用者不知所测干泵类型,则进行常规测试,在对干泵测试过程中,上位机会根据最初测试的干泵数据,将测试泵与数据库中的历史实验数据进行对照,分析出其最接近的干泵种类和型号,并为使用者推荐最优性能的测试参数。因此可以避免使用者进行重复性测试,减少了干泵所需的测试样本,提高精度的同时还能节省时间成本。
除了将测试结果输入数据库中存储,控制***还会在完成对控制参数流量、压力、温度、干泵转速、水冷量的调节后,将稳定状态下的PID控制参数输入数据库中存储。每次测试时,上位机都会将使用者输入的控制参数与数据库中存储的历史数据相对比,如果有相似的控制历史,则调用数据库中存储的PID控制参数作为PLC控制器的控制初值,减少干泵测试前环境参数的调节时间。
所设计智能控制***的数据分析程序有自学习功能,随着测试样本数量的增加,控制***会将新增测试数据与数据库中存储的测试数据进行对比,剔除误差巨大的不合理数值,并对符合逻辑的数值重新与原有数据进行拟合优化,整合出精度更高的预测模型,在不断增加的测试样本中提高干泵性能模型的精度。
图9所示为所发明的一种用于真空干泵测试的智能控制***的推荐算法流程图。在每一次测试过后,测得的数据都会在数据库中进行相应存储,包括工况的控制信号的参数的存储。本实施例中测试得到的干泵数据会根据模型一(公式2-1)和模型二(公式2-2)进行拟合计算,并将最误差最小的模型作为最终模型进行存储。如实施例二中拟合的最终模型2-5比模型2-4的精度更高,因此模型2-5会作为DSVP-2000型号螺杆真空泵的最终模型进行存储。实施例中为方便描述,只以两种拟合模型为例进行说明,实际生产中,为提高精度,拟合模型的个数会大于2个,最多可达到10个。
在每一次新的测试过程中,控制***为节省用户的测量时间,会根据相应的推荐算法分析可能存在的最优工况,方便用户直接在测试过程中调出所测真空干泵的最优工作性能。推荐算法的具体流程如下:
步骤一:测试前,判断用户是否输入干泵型号,若用户输入相应型号,进入步骤二,否则进入步骤五;
步骤二:根据用户输入的干泵型号,遍历数据库中已有测试数据,判断是否拥有完全一致的型号,若拥有一直型号,进入步骤三,否则进入步骤四;
步骤三:调用该相同型号的测试数据和分析结果,向用户输出,用户判断是否需要继续测试,是则进入步骤十一,否则直接结束测试;
步骤四:判断是否具有型号相似的真空泵,若有则进入步骤九,否则进入步骤五;
步骤五:直接对干泵开始不同工况下的性能参数进行测试,在未知干泵模型的前提下,随机测试3~10组不同工况下干泵性能的数据,进入步骤六;
步骤六:在测试若干组数据后,遍历数据库中已有的存储数据,用新测得结果分别拟合,并进行误差分析,进入下一步;
步骤七:根据公式(2-6)计算拟合误差,判断误差E是否小于5%。小于则进入步骤八,否则进入步骤十一;
步骤八:将调用满足误差小于5%且精度最高的模型调用输出给用户,用户判断是否为所需要的干泵理论数学模型,是则进入步骤九,否则进入步骤五;
步骤九:控制***根据对应型号或对应的拟合模型,分析测试结果,向用户推荐干泵性能最佳的工况,进入下一步;
步骤十:根据推荐工况,***自动调节出相应工况的测试环境,并进行相应测试与读数,进入下一步;
步骤十一:用户根据需要,自定义调节所需要的测试工况,对新的工况进行测试,进入下一步;
步骤十二:控制***根据用户新添加的不同工况的测试结果,进行数据存储与分析,如果是新型号干泵,则独立生成新的拟合模型,如果是对原有型号的干泵数据进行补充,则在提除误差较大的数据后,重新将新测得的数据整合至原有数据中,拟合优化原有数学模型,获得精度更高的数学模型;
步骤十三:结束测试。
具体实施方法一:
如图6所示为本发明的一种硬件组装图,其中包括的主要部件有真空室、待测泵、前级泵、气瓶、空气加热器、加热丝、传感器、控制器、上位机、水箱、阀门。通过前级泵和前级阀控制待测泵出口压力测量点的压力,利用加热丝和空气加热器对待测泵入口处的真空室内气体进行加热,在加热过程中,气瓶持续向真空室内通入气体,以维持压力稳定,水箱中的冷却水用以冷却真空室表明,避免温度过高。使用温度和压力传感器测量相应位置的气体温度和压力,将信号反馈至控制器,控制器调节加热模块的加热功率、流量调节阀和前级阀的开度来实现对真空室内气体的温度和压力的控制。在所有工况均稳定在所需设定值范围内后,测量待测泵此时的抽速和功率,即为实验所需测试结果。
如图1所示为本发明的控制***其信号传输框图。其具体控制流程为:在实验开始前,使用者在上位机输入所需控制参数的数值,上位机将设定参数转化为信号传输至PLC和微型控制器,此时PLC首先通断继电器开关控制真空获得设备启动,同时开启待测泵,两者同时满载运行;在真空获得设备启动后,微型控制器和PLC控制温度加热模块开始对容器中的气体进行加热,同时开启流量阀门开关,持续向容器中通入气体。整个过程中压力、温度、流量三个参数相互影响,传感器将测量的参数反馈会控制器,控制器通过调节流量阀门开度实现对流量控制、通过调节加热功率以及通入冷却水流量对温度进行控制以及、通过变频调速模块调整电机转速以及配合前级阀实现对压力的控制。最终在三个控制模块的共同调整下,真空容室内的压力、温度、流量最终会稳定在一个范围内,即可实现对待测泵所需工况的三个重要变量的控制。
根据本实施例中描述的控制***结构,其基本的控制操作过程如图8所示,其步骤如下:
步骤一:使用者在使用前需要先将待测泵安装在测试位置上,同时检验其气密性,然后开启水冷***,在大真空室外壁循环输入冷却水。
步骤二:使用者在上位机中输入所需测试的控制参数,包括流量、温度、压力,输入完成后,控制***将依次开启前级泵、气瓶的流量调节阀及加热装置。
步骤三:控制***首先调节流量调节阀的开度,然后判断气体流量或者大真空室压力是否达到使用者需要控制的标准,如果没有达到,则继续调节,否则进行下一步。
步骤四:调节前级阀的开度,然后再判断待测泵出口压力是否达到使用者的控制要求,如果没有达到要求,则返回步骤三,否则进行下一步。
步骤五:控制***根据大真空室温度来调节电加热丝及空气加热器的加热功率,如果大真空室温度低于设定温度,则增大加热功率,减少水冷量,否则将减少加热功率,增大水冷量;当大真空室温度满足控制要求时,进行下一步。
步骤六:开始对干泵性能进行测试,并将测得的转速、功耗、排量等性能参数以及控制***所控制的工况参数输入到数据库中存储、分析。
整个过程中,控制***采用神经网络PID控制对大真空室的温度进行控制,在真空室温度较低时,控制器控制加热丝和加热管迅速加热,在将要达到所需温度时,减缓加热速率。如图4所示,其具体控制过程如下:
步骤一:确定4-5-3的BP神经网络结构,选取各层加权系数的初值wij(0)、wli(0),其中wij(k)为输入层到过渡层的权值,wli(k)为过渡层到输出层的权值。选定学习速率和惯性系数,此时k=1;
步骤二:采集给定和反馈信号,即设定温度rm(k),测量反馈实时温度yout(k),计算实时误差e(k)=r(k)-y(k),计算误差微分量de/dt;
步骤三:确定输入量,将反馈温度yout(k)、实时误差e(k)、误差微分量de/dt及反馈压力值P作为神经网络输入层的输入量;
步骤四:计算各层神经元的输入、输出,神经网络输出层即为PID控制器的三个可调参数Kp、Ki和Kd;
步骤五:由增量式PID控制公式,计算PID控制器的控制输出信号u(k);
步骤六:实时自动调整输出层和隐含层的加权系数wij(k)和wli(k),实现PID控制参数的自适应调整;
步骤七:置k=k+1,返回步骤二。
最后本实施例分别用传统PID控制和基于BP神经网络的PID控制两种算法对真空室控温模型进行实验,对不同控制方法下真空室的温度响应过程的阶跃信号进行测量,实验结果如图5所示。
由实验结果分析比较可以发现,传统PID与神经网络PID控制器接近阶跃信号的速度基本相同,但是传统PID控制器的超调量比较大,收敛时间比神经网络PID控制所需要的时间长。因此所设计的智能控制***采用神经网络PID算法对温度进行控制,有效地实现温度快速达到控制值、超调量小的目的,具有更快速、更精确的优点。
具体实施方法二:
本具体实施例对DSVP-2000型号的螺杆泵进行实验测量拟合,以展示本发明对该泵的测试和分析过程,但是对象不仅仅局限于螺杆泵。
利用所设计的智能控制***对该螺杆泵进行相应测试。首先将待测泵连接于真空室上。在上位机中输入温度,待室温稳定后,开启阀门,让待测螺杆泵对真空室进行抽气,并输入相应压力值,通过上位机控制电磁阀门开度,以维持真空室压力。控制气瓶阀门开度,向真空室通入相应流量,待压力、流量、温度均稳定后,通过传感器测量所测压力、粘度、排量,并将该数值上传至数据库中。
本具体实施例中的测量数据如表1所示。由于实验测量存在不确定性和误差,同时一个参数的变化同样会导致结果的不同呢,因此需要测试多个样本,一个真空泵的样本数应至少在100个以上,本例因篇幅限制只展示一部分。
表1.螺杆泵排量、压差、粘度的实测值
对所测得的数据进行分析,所发明控制***在上位机中编有相应计算分析程序,该程序通过建立数学模型,对数据库中的样本进行计算分析。上位机从数据库中获取样本数据,进行初步筛选清理,对有效数据进行拟合计算。并分析计算模型。
在程序中建立模型一和模型二:
其中,Q表示螺杆泵排量,单位为m3/h,P表示真空室压力,单位为MPa,v表示空气粘度,单位为mm2/s,a1、a2、……a11均为回归参数。
代入所测量的压力和粘度进入模型一和模型二中可以获得计算排量,所得数值与测量排量进行方差计算并求和,得到的结果作为评估模型精确度的标准。
具体公式如下:
式中:fi(a)表示根据模型(2-1)或(2-2)的计算值;Pi表示螺杆泵排量的实际测量值。
显然,该公式是一个无约束非线性规划问题。传统的非线性规划优化方法需要处理大量的数据,搜索效率较低。本发明采用粒子群优化(PSO)算法,对数学模型的回归参数a进行了优化。该回归参数为连续变量,PSO算法适用于连续空间函数的优化,从而提高了优化效率,在时间复杂度、空间复杂度和编程复杂度上都比较低。以本具体实施例为例,所设计算法在对140个样本的拟合计算过程中,在计算用时,不需要导数信息,也可以直接快速收敛到连续最优解。因此所设计的优化计算程序具有目前市场上的测试控制***不具备的智能性和高效性。
如图7所示,本实施例中所采用的粒子群算法流程如下:
步骤一:随机初始化粒子群,包括群体规模N,每个粒子的位置xi和速度vi,其中xi的值对应回归参数a;
步骤二:计算每个粒子的适应度值Fi[i],本例中适应度值对应公式(2-3)的计算值;
步骤三:对每个粒子,用它的适应度值Fi[i]和个体极值Pbest(i)进行比较,如果Fi[i]<Pbest(i),则用Fi[i]代替Pbest(i);
步骤四:对每个粒子,用适应度值Fi[i]和全局极值gbest比较,如果Fi[i]>gbest-则用Fi[i]代替gbest。
步骤五:更新粒子群的速度和位置;
步骤六:如果满足结束条件(误差足够小或达到最大循环次数)则退出,否则返回步骤二。
本实施例中最终通过优化算法计算得到的回归参数值为:
a1=0.539389;a2=-0.013550;a3=210.299525;
a4=112.426900;a5=0.047159.
则最终模型一的公式为:
Q=(0.539389-0.013550P)(210.299525+112.4269v0.047159) (2-4)
对于模型二,通过优化算法得到的回归参数值为:
a1=-4923.40281;a2=5553.81376;a3=-0.00478;
a4=0.28059;a5=36.20721;a6=15.59439;a7=1.03779;
a8=-43.19099;a9=64.54964;a10=27.12681;a11=0.0326.
则最终模型二的公式为:
计算分析结果与测试结果的比较如表2所示。
表2.螺杆泵排量测量值与计算值比较
通过比较可以发现,对于同样的测试数据,两种模型的计算结果都非常接近,但是模型二(公式2-5)的误差要远小于模型一(公式2-4),因此会作为最终结果输出给用户。
从计算结果来看,大多数的样本的拟合结果的误差都在0.7%以下,可见所拟合的结果具有相当高的预测精度。误差的分析根据公式(2-6)计算获得。
E=|Q测-Q拟|/Q测 (2-6)
式中:E为误差,Q测为测量得到的干泵性能参数,Q拟为拟合计算获得的干泵性能参数。
具体实施例三:
一种用于真空干泵测试的智能控制***,包括温度控制模块、流量控制模块、真空获得模块、压力测量模块、变频调速模块、微处理器模块、循环冷却***、PLC控制器、数模转换模块、继电器模块、数据显示模块。其中,温度控制模块由电阻加热丝、空气加热器、热辐射管、热电偶组成;流量控制模块由气源、流量调节阀、流量计、粘度计组成;真空获得模块主要是前级泵,由涡旋泵、涡轮分子泵、罗茨泵、螺杆真空泵及若干阀门组成;压力测量模块由不同量程的压力传感器组成,分别布置在真空容器、气体管路上的不同位置进行压力测量;循环冷却***由水箱、水冷管、节流阀、水温传感器组成。
给控制***设定所需控制的变量参数,PLC控制器将数据传输给继电器模块,继电器模块控制通过对阀门开关的控制实现对循环冷却水***、流量控制模块、真空获得模块的控制。变频调速模块和继电器模块共同控制真空获得模块可以实现对不同压力的控制。压力测量模块由布置在真空容器和进出口处的真空计组成,分别用于测量所在位置对应的压力。测得数据通过信号反馈传输给PLC控制器,进一步控制流量控制模块,实现压力的调节控制。
所述的温度控制模块由微型控制器与PLC控制器结合进行控制,其控制方法采用神经网络PID控制,采用4-5-3结构,以温度反馈信号yout、温度误差e、误差微分量de/dt和压力反馈信号P作为神经网络的输入层,PID控制器的三个可调参数Kp、Ki、Kd作为输出层,结合权值学习算法对权重和偏置进行计算,得到相应的控制参数,来对温度加热***进行控制。
所述控制***采用串级控制。通过控制器控制流量调节阀、节流阀实现对真空室流量和冷却水***的控制,在流量控制和循环冷却水量控制稳定后,进行压力调节的过程中,调节过程中反馈的压力信号同时会反馈给温度控制模块,温度控制模块会同时根据温度、压力反馈结果进行温度控制调节,实现整个控制***温度、流量、压力的联动控制。
所述智能控制***装有上位机,由上位机统一操作、监控和管理各个模块的参数控制。智能控制***所测量的压力、粘度、流量、温度、转速等数据均传输至上位机的本地数据库或远程数据库中集中管理和分析。
所述控制***中编写相应程序,对数据库中的测试数据进行建模、拟合、计算、最优化分析,并形成相应的分析图表。程序中的拟合模型有2~10种,通过PSO粒子群算法对模型的回归参数进行最优化,并将每种数据的拟合结果进行分析比较,获得最优理论模型。
所设计的智能控制***具有推荐功能,所设计的智能控制***的上位机可调用数据库为使用者提供数据参考,使用者在测试前可在上位机输入所要测试干泵的型号,若上位机检测到将要测试的泵在数据库中已有相关存储时,会调用数据为使用者提供已有数据的智能分析图表,避免重复性实验;若使用者不知所测干泵类型,则进行常规测试,在对干泵测试过程中,上位机会根据最初测试的干泵数据,将测试泵与数据库中的历史实验数据进行对照,分析出其最接近的干泵种类和型号,并为使用者推荐最优性能的测试参数。
控制***在完成对控制参数流量、压力、温度、干泵转速、水冷量的调节后,会将稳定状态下的PID控制参数输入数据库中存储。每次测试时,上位机都会将使用者输入的控制参数与数据库中存储的历史数据相对比,如果有相似的控制历史,则调用数据库中存储的PID控制参数作为PLC控制器的控制初值,减少环境参数的调节时间。
所设计智能控制***的数据分析程序有自学习功能,随着测试样本数量的增加,控制***会将新增测试数据与数据库中存储的测试数据进行对比,剔除误差巨大的不合理数值,并对符合逻辑的数值重新与原有数据进行拟合优化,整合出精度更高的预测模型。
Claims (10)
1.一种用于真空干泵测试的智能控制***,其特征在于,包括:顺序连接的水箱、节流阀、真空室、电磁阀、干泵、干泵出口测量点、前级阀以及前级泵,还包括分别与节流阀、真空室、电磁阀、干泵出口测量点以及前级阀连接的控制器;控制器与真空室之间,并联设有温度传感器以及真空室压力传感器;干泵出口测量点与控制器之间设有测量点压力传感器;真空室内设有电加热丝;真空室通过顺序连接的空气加热器以及流量调节阀与气瓶相连;流量调节阀与控制器相连;真空室外缠绕有水冷管;上位机与控制器相连。
2.根据权利要求1所述的一种用于真空干泵测试的智能控制***,其特征在于,所述上位机用于发送控制参数至控制器,并接收控制器发来的干泵状态信息。
3.根据权利要求2所述的一种用于真空干泵测试的智能控制***,其特征在于,所述干泵状态信息包括气瓶输出的气体流量、真空室压力、干泵出口压力、真空室温度,以及通过在空气加热器与真空室之间设置的粘度计所测量的空气粘度中的至少一种。
4.一种用于真空干泵测试的智能控制方法,其特征在于,包括干泵测试阶段,具体步骤如下:
向真空室外的水冷管通入冷却水;
控制器接收上位机输入的包括流量值、温度值、压力值的控制参数并依次开启前级泵、流量调节阀以及空气加热器和电加热丝;
调节流量调节阀开度,判断气瓶输出的气体流量或者真空室压力是否满足预设的控制参数,若不满足,则继续调节,否则,执行下一步骤;
调节前级阀开度,判断干泵出口压力是否满足预设的控制参数,若不满足,则返回上一步骤,否则,执行下一步骤;
根据真空室温度调节电加热丝以及空气加热器的加热功率,直至真空室温度满足预设的控制参数,执行下一步骤;
对干泵性能进行测试,并将包含干泵型号、预设的控制参数、测试中测得的性能参数、状态信息的测试数据输入给上位机中的数据库进行储存。
5.根据权利要求4所述的一种用于真空干泵测试的智能控制方法,其特征在于,所述根据真空室温度调节电加热丝以及空气加热器的加热功率包括以下步骤:
当真空室温度低于预设温度时,增大加热功率,减少水冷管内冷却水量;否则,减少加热功率,增大水冷管内冷却水量。
6.根据权利要求4所述的一种用于真空干泵测试的智能控制方法,其特征在于,所述性能参数包括干泵的转速、功耗、排量中的至少一种。
7.根据权利要求4所述的一种用于真空干泵测试的智能控制方法,其特征在于,使用神经网络PID控制对真空室的温度进行控制,具体为:
获取控制参数中预设的温度值rm(k)以及温度传感器实时反馈真空室内的温度yout(k),计算实时误差e(k)=rm(k)-yout(k),计算误差微分量de/dt;
将反馈温度yout(k)、实时误差e(k)、误差微分量de/dt及反馈真空室内压力值P作为神经网络的输入;
通过神经网络输出PID控制器的三个可调参数Kp、Ki和Kd;
通过PID控制器控制输出信号u(k)控制空气加热器和电加热丝工作。
8.根据权利要求4所述的一种用于真空干泵测试的智能控制方法,其特征在于,所述干泵测试阶段完成后,进入干泵建模阶段,具体步骤如下:
建立性能参数与状态信息的关系模型,所述关系模型中包含用于表示性能参数与状态信息关系的回归参数;
通过粒子群算法得到回归参数;
将回归参数带入关系模型,即得到干泵模型。
9.根据权利要求8所述的一种用于真空干泵测试的智能控制方法,其特征在于,所述通过粒子群算法得到回归参数,包括以下步骤:
步骤一:随机初始化粒子群,包括群体规模n,每个粒子的位置xi和速度vi,其中xi是向量,其值对应回归参数a的向量[a1,a2,……ak],k为回归参数a的个数;
步骤三:对每个粒子,用它的适应度值Fi[i]和个体极值Pbest(i)进行比较,如果Fi[i]<Pbest(i),则用Fi[i]代替Pbest(i);
步骤四:对每个粒子,用适应度值Fi[i]和全局极值gbest比较,如果Fi[i]>gbest-则用Fi[i]代替gbest;
步骤五:更新粒子群的速度和位置;
步骤六:如果满足设定的结束条件,则退出,并输出此时的回归参数,用于带入关系模型,否则返回第二步骤。
10.根据权利要求4所述的一种用于真空干泵测试的智能控制方法,其特征在于,干泵测试阶段之前,进行干泵信息匹配阶段,包括以下步骤:
步骤一:测试前,判断用户是否输入干泵型号,若用户输入干泵型号,进入步骤二,否则进入步骤五;
步骤二:根据用户输入的干泵型号,遍历数据库中已有测试数据,判断是否存在相同型号,若存在,进入步骤三,否则进入步骤四;
步骤三:调用该相同型号干泵的测试数据和误差分析结果,向用户输出,用户判断是否需要继续测试,是则进入步骤十一,否则直接结束测试;
步骤四:判断是否存在型号部分相同的干泵,若有则进入步骤九,否则进入步骤五;
步骤五:通过进入干泵测试阶段,对干泵开始不同工况下的性能参数进行测试,在未知干泵模型的前提下,得到多组不同工况下干泵性能的数据,进入步骤六;
步骤六:在测试若干组数据后,遍历数据库中已有的存储数据,用新测得结果,通过干泵建模阶段得到新的干泵模型,并对干泵模型进行误差分析,进入下一步;
步骤七:根据误差分析得到的误差E;E=|Q测-Q拟|/Q测;
式中:E为误差,Q测为测量得到的干泵性能参数,Q拟为通过干泵模型计算获得的干泵性能参数;
判断误差E是否小于阈值;小于则进入步骤八,否则进入步骤十;
步骤八:将误差小于阈值的干泵模型输出给用户,用户判断是否需要,是则进入步骤九,否则进入步骤五;
步骤九:根据得到的干泵模型和测试数据,由用户选择干泵性能最佳的工况,进入下一步;
步骤十:根据选择的工况调节工况的测试环境,或者自定义调节所需要的测试工况,并进入干泵测试阶段,然后进入下一步;
步骤十一:根据用户新添加的不同工况的测试结果,进行数据存储与分析:
如果是新型号干泵,则通过干泵建模阶段独立生成新的干泵模型;如果是对原有型号的干泵数据进行补充,则在剔除误差超过设定范围的数据后,重新将新测得的数据整合至原有测试数据中,通过干泵建模阶段实现优化干泵模型并储存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624616.1A CN113885310B (zh) | 2020-07-01 | 2020-07-01 | 一种用于真空干泵测试的智能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624616.1A CN113885310B (zh) | 2020-07-01 | 2020-07-01 | 一种用于真空干泵测试的智能控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113885310A true CN113885310A (zh) | 2022-01-04 |
CN113885310B CN113885310B (zh) | 2023-03-28 |
Family
ID=79012832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624616.1A Active CN113885310B (zh) | 2020-07-01 | 2020-07-01 | 一种用于真空干泵测试的智能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113885310B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415587A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院上海高等研究院 | 一种测试站绝热真空数据采集控制***及方法 |
CN115950511A (zh) * | 2023-03-08 | 2023-04-11 | 南通市计量检定测试所 | 智控一体式体积修正仪检测装置及检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101487812A (zh) * | 2009-01-20 | 2009-07-22 | 天津大学 | 一种元器件阻温特性与气敏特性测试*** |
CN103164583A (zh) * | 2013-03-26 | 2013-06-19 | 中北大学 | 基于粒子群优化方法的轴向柱塞泵配流盘优化设计方法 |
CN103884519A (zh) * | 2012-12-20 | 2014-06-25 | 核工业西南物理研究院 | 一种超低温真空传热效率测试*** |
CN104102782A (zh) * | 2014-07-18 | 2014-10-15 | 上海电力学院 | 压水堆核电站反应堆温度rbf神经网络控制方法 |
CN104345756A (zh) * | 2014-11-04 | 2015-02-11 | 宁波星箭航天机械有限公司 | 高温高压抽真空试验装置及其操作方法 |
CN104632604A (zh) * | 2013-11-15 | 2015-05-20 | 中国科学院沈阳科学仪器股份有限公司 | 干式真空泵抽气工艺模拟测试方法及测试*** |
CN107563451A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 一种泵站稳态工况下运行状态识别方法 |
AT518830A1 (de) * | 2016-11-25 | 2018-01-15 | Avl List Gmbh | Messgerät und Verfahren zum Betreiben des Messgeräts |
CN107956710A (zh) * | 2017-12-22 | 2018-04-24 | 江苏江进泵业有限公司 | 基于级间匹配效应的立式多级泵叶轮水力设计方法 |
CN108194343A (zh) * | 2017-12-23 | 2018-06-22 | 东北大学 | 一种真空泵测试***及测试方法 |
-
2020
- 2020-07-01 CN CN202010624616.1A patent/CN113885310B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101487812A (zh) * | 2009-01-20 | 2009-07-22 | 天津大学 | 一种元器件阻温特性与气敏特性测试*** |
CN103884519A (zh) * | 2012-12-20 | 2014-06-25 | 核工业西南物理研究院 | 一种超低温真空传热效率测试*** |
CN103164583A (zh) * | 2013-03-26 | 2013-06-19 | 中北大学 | 基于粒子群优化方法的轴向柱塞泵配流盘优化设计方法 |
CN104632604A (zh) * | 2013-11-15 | 2015-05-20 | 中国科学院沈阳科学仪器股份有限公司 | 干式真空泵抽气工艺模拟测试方法及测试*** |
CN104102782A (zh) * | 2014-07-18 | 2014-10-15 | 上海电力学院 | 压水堆核电站反应堆温度rbf神经网络控制方法 |
CN104345756A (zh) * | 2014-11-04 | 2015-02-11 | 宁波星箭航天机械有限公司 | 高温高压抽真空试验装置及其操作方法 |
AT518830A1 (de) * | 2016-11-25 | 2018-01-15 | Avl List Gmbh | Messgerät und Verfahren zum Betreiben des Messgeräts |
CN107563451A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 一种泵站稳态工况下运行状态识别方法 |
CN107956710A (zh) * | 2017-12-22 | 2018-04-24 | 江苏江进泵业有限公司 | 基于级间匹配效应的立式多级泵叶轮水力设计方法 |
CN108194343A (zh) * | 2017-12-23 | 2018-06-22 | 东北大学 | 一种真空泵测试***及测试方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415587A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院上海高等研究院 | 一种测试站绝热真空数据采集控制***及方法 |
CN114415587B (zh) * | 2022-01-20 | 2023-09-29 | 中国科学院上海高等研究院 | 一种测试站绝热真空数据采集控制***及方法 |
CN115950511A (zh) * | 2023-03-08 | 2023-04-11 | 南通市计量检定测试所 | 智控一体式体积修正仪检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113885310B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113885310B (zh) | 一种用于真空干泵测试的智能控制*** | |
CN116341771B (zh) | 一种耐低温电缆生产工艺智能优化方法及*** | |
GB2608476A (en) | Intelligent parallel pumping system and optimal regulating method thereof | |
CN110764417B (zh) | 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制***及其控制方法 | |
CN111925279B (zh) | 用于甲醇气相脱水制备二甲醚装置的智能优化控制方法 | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN113536710B (zh) | 一种泵及泵组能效可视化监测方法 | |
CN110908361B (zh) | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN115221809A (zh) | 半导体废气处理设备的温度仿真方法、温控方法及*** | |
CN117066496B (zh) | 一种铸造冷却控制方法及*** | |
Jin et al. | Artificial intelligence enabled energy-saving drive unit with speed and displacement variable pumps for electro-hydraulic systems | |
Yunfeng et al. | On-line fault detection using SVM-based dynamic MPLS for batch processes | |
CN103370666B (zh) | 用于生成指数以量化连续过程的操作转变效能的***和方法 | |
CN117195747A (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN116757354A (zh) | 一种基于多层感知机的烟叶复烤段关键参数筛选方法 | |
CN114460985B (zh) | 一种基于单片机的储箱增压控制***及控制方法 | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调***运行控制优化方法 | |
CN113608443A (zh) | 基于增强pi控制的污水处理控制方法 | |
CN112132428A (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 | |
Chen et al. | Autoclave Molding Artificial Intelligence (AI) Method and Apparatus System of Composite Materials for Aerospace Applications | |
CN100420449C (zh) | 中药生产过程酒精回收的智能控制方法 | |
CN117806154B (zh) | 一种用于篦式冷却机的pid控制器参数优化方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |