CN105652666A - 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 - Google Patents
基于bp神经网络的大型模锻压机上横梁速度预测控制方法 Download PDFInfo
- Publication number
- CN105652666A CN105652666A CN201610131724.9A CN201610131724A CN105652666A CN 105652666 A CN105652666 A CN 105652666A CN 201610131724 A CN201610131724 A CN 201610131724A CN 105652666 A CN105652666 A CN 105652666A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- neural network
- eta
- prediction
- rsqb
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Abstract
本发明提供了一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。该方法包括如下步骤:(1)先对模型参数进行初始化,然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络;(2)由预测神经网络给出系统下一时刻的预测输出;(3)对预测输出进行反馈校正,并规划下一时刻的模锻工艺参考值;(4)根据反馈校正值和模锻工艺参考值由控制神经网络给出系统当前时刻的输入;(5)在线感知当前时刻的模锻工艺数据,并根据当前的数据反馈调整控制神经网络和预测神经网络;(6)转入步骤2,进入下一时刻大型模锻压机上横梁速度的预测控制。本发明方法能够快速、准确地在线预测大型模锻压机上横梁速度,为有效控制大型模锻压机提供了理论依据与技术支持。
Description
技术领域:
本发明属于锻造技术领域,涉及一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。
背景技术:
由于实际锻造过程中时变的负载、非线性液压驱动、以及锻件复杂的流变应力等多种因素影响,致使整个锻造过程非常复杂,从而对准确快速地预测和控制大型模锻压机的动态行为提出了挑战。
目前,对大型模锻压机的控制方法主要有:PI控制、迭代学习控制以及滑模控制等方法。这些方法虽然在一定程度上实现了对压机的控制,但是这些方法大都将复杂的锻造过程简化为线性模型,并且忽略了未知扰动。鉴于锻造过程的强非线性和时变性,仅仅用线性模型很难准确地描述整个锻造过程,这些方法不能够达到高品质锻造的要求。随着智能方法的发展,神经网络、模糊集和支持向量机等方法逐渐引入到锻造系统的在线建模中,并且具有非常好的预测能力。因此,可以基于智能方法提出一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。自从上世纪70年代模型预测控制被提出以来,这种新型的控制策略经过多年的完善和发展,已经广泛应用于工业过程中。模型预测控制的基本特点是:模型预测、滚动优化和反馈控制。
本发明方法基于模型预测控制方法的基本特点,结合BP神经网络快速、自适应以及良好的泛化和容错能力,避免了模型预测控制方法中预测模型难以建立和滚动优化耗时长的难题,提出了一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。
发明内容:
本发明的目的在于提供一种大型模锻压机上横梁速度预测控制方法,解决了现有的控制方法不能有效控制大型模锻压机上横梁速度的难题。
本发明解决上述难题的方案是:
基于BP神经网络的大型模锻压机上横梁速度预测控制方法,该方法包括如下步骤:
步骤1:先对模型参数进行初始化,然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络;
步骤2:由预测神经网络给出系统下一时刻的预测输出;
步骤3:对预测输出进行反馈校正,并规划下一时刻的模锻工艺参考值;
步骤4:根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入;
步骤5:在线感知当前时刻的模锻工艺数据,并根据当前的数据反馈调整控制神经网络和预测神经网络;
步骤6:转入步骤2,进入下一时刻大型模锻压机上横梁速度的预测控制。
按照上述方案,步骤1中所述模型参数初始化是给定学习速率η、软化系数α、权值系数h以及初始的系统输入。
按照上述方案,步骤1中所述根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络是根据已采集的模锻工艺数据建立预测神经网络和控制神经网络,以给定在线训练预测神经网络和控制神经网络的初始权值,其中模锻工艺数据包括大型模锻压机的负载和上横梁速度。
按照上述方案,步骤1中所述预测神经网络可以表示为:
ym(k+1)=fp[u(k-2),u(k-1),u(k),y(k-1),y(k)](1)
其中,y(k)是k时刻系统的实际输出,u(k)是k时刻作用于系统的控制量,ym(k+1)为预测输出。在预测神经网络中选取的传递函数(激活函数)为:
在预测神经网络中,用U表示输入[u(k-2),u(k-1),u(k),y(k-1),y(k)],用np1,hp1,np2和ym分别表示隐含层节点的输入,隐含层节点的输出,输出层节点的输入以及输出层节点的输出。
np1=Wp1·U+bp1(3)
hp1=g(np1)(4)
np2=Wp2·hp1+bp2(5)
ym(k+1)=g(np2)(6)
按照上述方案,步骤1中所述由控制神经网络可以表示为:
u(k+1)=fc[yr(k+1),yp(k+1),u(k-1),u(k)](7)
其中,u(k+1)是k+1时刻作用于系统控制量,u(k-1)和u(k)分别表示k-1和k时刻作用于系统的控制量,yr(k+1)和yp(k+1)分别表示(k+1)时刻输出量的参考值和校正值。在控制神经网络中选取的传递函数与控制神经网络相同,用Y表示输入[yr(k+1),yp(k+1),u(k-1),u(k)],用nc1,hc1,nc2和u(k+1)表示隐含层节点的输入,隐含层节点的输出,输出层节点的输入以及输出层的输出。
nc1=Wc1·U+bc1(8)
hc1=g(nc1)(9)
nc2=Wc2·hc1+bc2(10)
u(k+1)=g(nc2)(11)
按照上述方案,步骤3中所述对预测输出进行反馈校正可以描述为:在得到模型的预测值之后,需要用当前过程(第k时刻)输出的测量值y(k)和模型的预测值ym(k)的差值对第k+1时刻的预测值ym(k+1)进行修正,修正后的输出预测值记为yp(k+1),如式(12)所示:
yp(k+1)=ym(k+1)+h(y(k)-ym(k))(12)
其中h为权值系数,一般取为1.
按照上述方案,步骤3中所述规划下一时刻的模锻工艺参考值可以用如下方程表示:
yr(k+1)=αy(k)+(1-α)yd(13)
其中,yr(k+1)为参考值,α为柔化系数,0<α<1.若α取值较大则预测控制的鲁棒性强,但导致系统的响应速度变慢;若α取值较小则系统的响应速度变快,但是容易出现超调与震荡。yd为目标设定值。
按照上述方案,步骤5中所述在线反馈调整预测神经网络可以表述为:当测得第k+1时刻的实际输出y(k+1)之后,也要对预测神经网络权值进行在线调整,以用于预测下一时刻的输出量。预测神经网络权值调整是基于如下优化指标是:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
按照上述方案,步骤5中所述在线反馈调整控制神经网络可以表述为:当测得第k+1时刻的实际输出y(k+1)之后,就要对控制神经网络权值进行在线调整,以用于计算下一时刻的控制量。控制神经网络权值调整是基于模型预测控制的滚动优化,优化指标是:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
按照上述方案,利用在线感知的大型模锻压机的负载和上横梁速度,根据步骤5在线调整预测神经网络和控制神经网络,实现大型模锻压机上横梁速度的精准快速预测控制。
本发明的有益效果:本发明针对实际工业锻造过程中的强非线性和时变性,根据模锻工艺数据建立了预测神经网络模型和控制神经网络模型,避免了模型预测控制方法中预测模型难以建立和滚动优化耗时长的难题,精准快速地实现了大型模锻压机上横梁速度的在线预测和控制,能够应用到复杂时变的锻造过程中,解决了现有方法耗时长、误差大的弊端。该方法的发明和推广应用对准确预测控制大型模锻压机上横梁速度有重要工程意义。
附图说明:
图1基于BP神经网络大型模锻压机上横梁速度预测控制方法流程图;
图2历史锻造过程中大型模锻压机的负载;
图3历史锻造过程中大型模锻压机上横梁速度;
图4预测神经网络结构图;
图5控制神经网络结构图;
图6实际锻造过程中的大型模锻压机预测控制结果:(a)大型模锻压机的负载;(b)大型模锻压机上横梁速度的预测控制结果。
具体实施方式:
下面结合附图和具体实施方式对本发明进行详细的说明。
本发明是一种大型模锻压机上横梁速度预测控制方法,其流程图如图1所示。下面以铝合金(Al-1100)锻件的锻造过程为例,详细介绍本发明涉及的大型模锻压机上横梁速度预测控制的实施细节,其方法包括:
步骤1:先对模型参数进行初始化,然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络;
初始化参数主要包括:学习速率η=0.005,反馈校正权值系数h=1,柔化系数α=0.1,以及大型模锻压机上横梁速度设定值
历史的模锻工艺数据包括大型模锻压机的负载和上横梁速度,分别如图2和3所示,首先利用这些模锻工艺数据训练预测神经网络和控制神经网络,得到的权值矩阵可以作为在线预测神经网络和控制神经网络的初始权值矩阵。由历史模锻工艺数据训练的预测神经网络初始权值矩阵为:
由历史模锻工艺数据训练的控制神经网络初始权值矩阵为:
预测神经网络的结构如图4所示,Wp1∈R11×5为输入层到隐含层的权值矩阵,bp1∈R11×1为输入层到隐含层的偏置项,Wp2∈R1×11为隐含层到输出层的权值矩阵,bp2∈R1×1为隐含层到输出层的偏置项。基于BP神经网络的预测模型可以表示为:
ym(k+1)=fp[u(k-2),u(k-1),u(k),y(k-1),y(k)](24)
其中,y(k)是k时刻大型模锻压机上横梁速度,u(k)是k时刻大型模锻压机的负载,ym(k+1)为预测大型模锻压机上横梁速度。
控制神经网络的结构如图5所示,Wc1∈R9×4为输入层到隐含层的权值矩阵,bc1∈R9×1为输入层到隐含层的偏置项,Wc2∈R1×9为隐含层到输出层的权值矩阵,bc2∈R1×1为隐含层到输出层的偏置项。基于BP神经网络的控制模型可以表示为:
u(k+1)=fc[yr(k+1),yp(k+1),u(k-1),u(k)](25)
其中,u(k+1)是k+1时刻计算得到的大型模锻压机的负载,u(k-1)和u(k)分别表示k-1和k时刻实际大型模锻压机的负载,yr(k+1)和yp(k+1)分别表示(k+1)时刻大型模锻压机上横梁速度的参考值和校正值。
步骤2:由预测神经网络给出系统下一时刻的预测输出;
步骤3:对预测输出进行反馈校正,并规划下一时刻的模锻工艺参考值;
反馈校正可以描述为:由预测神经网络得到预测值之后,需要用当前时刻(第k时刻)输出的测量值y(k)和模型的预测值ym(k)的差值对第k+1时刻的预测值ym(k+1)进行修正,修正后的输出预测值记为yp(k+1),如式(29)所示:
yp(k+1)=ym(k+1)+h(y(k)-ym(k))(26)
其中,h为权值系数,一般取为1.
模锻工艺参考值可以用如下方程表示:
yr(k+1)=αy(k)+(1-α)yd(27)
其中,yr(k+1)为模锻工艺参考值,α为柔化系数,0<α<1.在实际锻造过程控制中为了快速达到目标,α=0.1.yd为大型模锻压机上横梁速度目标设定值。
步骤4:根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入;
步骤5:在线感知当前时刻的模锻工艺数据,并根据当前的数据反馈调整控制神经网络和预测神经网络;
在线反馈调整预测神经网络可以表述为:当测得第k+1时刻的大型模锻压机上横梁速度y(k+1)之后,也要对预测神经网络权值进行在线调整,以用于预测下一时刻的大型模锻压机上横梁速度。预测神经网络权值调整是基于如下优化指标:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
在线反馈调整控制神经网络可以表述为:当测得第k+1时刻的大型模锻压机上横梁速度y(k+1)之后,就要对控制神经网络权值进行在线调整,以用于计算下一时刻的大型模锻压机的负载。控制神经网络权值调整是基于模型预测控制的滚动优化,优化指标是:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
步骤6:转入步骤2,进入下一时刻大型模锻压机上横梁速度的预测控制。
根据在线感知的模锻工艺数据,利用预测神经网络预测大型模锻压机上横梁速度,利用控制神经网络给出大型模锻压机的负载,按照这种方式进行下去可以实现大型模锻压机上横梁速度的有效预测控制,预测控制结果如图6所示。
从上述结果可以发现,本发明提出的方法能够快速、准确地预测并控制锻造过程中大型模锻压机上横梁速度,为实现高品质锻造提供了可靠的途径。
上面结合附图对本发明的实例进行了说明,但本发明不局限于上述具体的实施方式,上述的具体实施方式仅是示例性的。任何不超过本发明权利要求的发明,均在本发明的保护范围之内。
Claims (3)
1.基于BP神经网络的大型模锻压机上横梁速度预测控制方法,其特征在于:根据工业锻造过程的强非线性和时变性,基于模锻工艺数据建立了预测神经网络模型和控制神经网络模型,实现了对大型模锻压机上横梁速度的精准、快速预测和有效控制,该方法包括如下步骤:
步骤1:先对模型参数进行初始化,然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络;
步骤2:由预测神经网络给出系统下一时刻的预测输出;
步骤3:对预测输出进行反馈校正,并规划下一时刻的模锻工艺参考值;
步骤4:根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入;
步骤5:在线感知当前时刻的模锻工艺数据,并根据当前的数据反馈调整控制神经网络和预测神经网络;
步骤6:转入步骤2,进入下一时刻大型模锻压机上横梁速度的预测控制。
2.如权利要求1所述方法,其特征在于:步骤2中所述的预测神经网络解决了复杂锻造过程中预测模型的建模难题,并且此预测神经网络是在线调整的,其权值是基于实际输出y(k+1)与预测输出ym(k+1)的差值进行反馈调整:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
其中,η为学习速率,Wp1和bp1为输入-隐含层的权值矩阵和偏移项,Wp2和bp2为隐含-输出层的权值矩阵和偏移项,U为系统的输入[u(k-2),u(k-1),u(k),y(k-1),y(k)],hp1为隐含层的输出。
3.如权利要求1所述方法,其特征在于:步骤4中所述的控制神经网络解决了优化求解控制量耗时长的难题,并且此控制神经网络是在线调整的,其权值是基于规划的模锻工艺参考值yr(k+1)与校正预测输出yp(k+1)的差值进行反馈调整:
输入-隐含层权值调整公式为:
隐含-输出层权值调整公式为:
其中,Wc1和bc1为输入-隐含层的权值矩阵和偏移项,Wc2和bc2为隐含-输出层的权值矩阵和偏移项,Y为系统的输入[yr(k+1),yp(k+1),u(k-1),u(k)],hc1为隐含层的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610131724.9A CN105652666B (zh) | 2016-03-09 | 2016-03-09 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610131724.9A CN105652666B (zh) | 2016-03-09 | 2016-03-09 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105652666A true CN105652666A (zh) | 2016-06-08 |
CN105652666B CN105652666B (zh) | 2018-09-11 |
Family
ID=56492298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610131724.9A Expired - Fee Related CN105652666B (zh) | 2016-03-09 | 2016-03-09 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105652666B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055844A (zh) * | 2016-07-06 | 2016-10-26 | 中南大学 | 基于bp神经网络的镍基高温合金微观组织预测控制方法 |
CN108897228A (zh) * | 2018-09-06 | 2018-11-27 | 中南大学 | 一种用于锻造过程的在线控制方法及系统 |
CN110023857A (zh) * | 2017-11-10 | 2019-07-16 | 三菱电机株式会社 | 伺服控制装置 |
CN111861041A (zh) * | 2020-08-03 | 2020-10-30 | 东北大学 | 一种预测Nb微合金钢动态再结晶型流变应力的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0712060A1 (en) * | 1994-11-01 | 1996-05-15 | The Foxboro Company | Method and apparatus for providing multivariable nonlinear control |
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
CN1895809A (zh) * | 2005-07-14 | 2007-01-17 | 中南大学 | 大型模锻水压机分配器控制系统 |
-
2016
- 2016-03-09 CN CN201610131724.9A patent/CN105652666B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0712060A1 (en) * | 1994-11-01 | 1996-05-15 | The Foxboro Company | Method and apparatus for providing multivariable nonlinear control |
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
CN1895809A (zh) * | 2005-07-14 | 2007-01-17 | 中南大学 | 大型模锻水压机分配器控制系统 |
Non-Patent Citations (4)
Title |
---|
杨黎峰: "基于神经网络预测控制的水源热泵控制系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
肖智: "基于BP神经网络的巨型模锻液压机同步控制系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
蔺永诚 等: "基于神经网络的模锻压机载荷在线预测模型", 《锻压技术》 * |
黄长征 等: "基于PFC-(PID-H∞)300MN模锻水压机动梁速度跟踪控制", 《中南大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055844A (zh) * | 2016-07-06 | 2016-10-26 | 中南大学 | 基于bp神经网络的镍基高温合金微观组织预测控制方法 |
CN106055844B (zh) * | 2016-07-06 | 2019-02-12 | 中南大学 | 基于bp神经网络的镍基高温合金微观组织预测控制方法 |
CN110023857A (zh) * | 2017-11-10 | 2019-07-16 | 三菱电机株式会社 | 伺服控制装置 |
CN110023857B (zh) * | 2017-11-10 | 2020-06-16 | 三菱电机株式会社 | 伺服控制装置 |
CN108897228A (zh) * | 2018-09-06 | 2018-11-27 | 中南大学 | 一种用于锻造过程的在线控制方法及系统 |
CN108897228B (zh) * | 2018-09-06 | 2020-07-03 | 中南大学 | 一种用于锻造过程的在线控制方法及系统 |
CN111861041A (zh) * | 2020-08-03 | 2020-10-30 | 东北大学 | 一种预测Nb微合金钢动态再结晶型流变应力的方法 |
CN111861041B (zh) * | 2020-08-03 | 2023-09-05 | 东北大学 | 一种预测Nb微合金钢动态再结晶型流变应力的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105652666B (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106055844A (zh) | 基于bp神经网络的镍基高温合金微观组织预测控制方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN103023074B (zh) | 一种基于模型预测控制的大电网有功实时调度方法 | |
CN105652666A (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
CN100465825C (zh) | 变结构非线性模型预估控制器 | |
CN105388764B (zh) | 基于动态矩阵前馈预测的电液伺服pid控制方法及系统 | |
CN102830625B (zh) | 基于神经网络预测控制的过程控制系统及方法 | |
CN104846306B (zh) | 一种镀锌厚度控制系统及方法 | |
CN103345153B (zh) | 通用网络化预测模糊控制方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN104076831B (zh) | 基于广义预测控制优化的水箱液位控制方法 | |
CN105867138A (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
CN111290282B (zh) | 火电机组协调系统的预见式预测控制方法 | |
CN102873106B (zh) | 一种平整机延伸率快速精确控制方法 | |
CN101927269A (zh) | 一种三辊轧机辊缝控制器调节方法 | |
CN103760931A (zh) | 动态矩阵控制优化的油气水卧式三相分离器压力控制方法 | |
CN112330012B (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
CN104155876B (zh) | 一种pid控制器的分离实现方法 | |
Ogbonna et al. | Neural network based load frequency control for restructuring power industry | |
CN102043380A (zh) | 基于二次多项式的非线性复合pid神经网络控制方法 | |
CN114063455B (zh) | 土压平衡盾构机推进速度控制方法、建模方法及装置 | |
CN106287659A (zh) | 再热汽温度控制方法及装置 | |
CN105159095A (zh) | 多变量过程的蒸馏塔模型预测控制优化pid控制方法 | |
CN103639211A (zh) | Bp神经网络和pid参数优化的辊缝控制方法及系统 | |
CN102880047A (zh) | 炼油工业加热炉温度过程的伴随矩阵解耦预测控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180911 Termination date: 20190309 |
|
CF01 | Termination of patent right due to non-payment of annual fee |