CN105751470B - 一种注塑机温度实时控制方法 - Google Patents

一种注塑机温度实时控制方法 Download PDF

Info

Publication number
CN105751470B
CN105751470B CN201610168615.4A CN201610168615A CN105751470B CN 105751470 B CN105751470 B CN 105751470B CN 201610168615 A CN201610168615 A CN 201610168615A CN 105751470 B CN105751470 B CN 105751470B
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
parameter
msup
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
Application number
CN201610168615.4A
Other languages
English (en)
Other versions
CN105751470A (zh
Inventor
黄力
卢翠珍
陆大同
马振锋
杨达飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Huade plastic products Co., Ltd.
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201610168615.4A priority Critical patent/CN105751470B/zh
Publication of CN105751470A publication Critical patent/CN105751470A/zh
Application granted granted Critical
Publication of CN105751470B publication Critical patent/CN105751470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/78—Measuring, controlling or regulating of temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76494—Controlled parameter
    • B29C2945/76531—Temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Abstract

本发明公开了一种注塑机温度实时控制方法,所述控制方法包括以下步骤：S1，注塑机温度控制系统建模；S2，用模糊神经网络算法融合混沌变异算法进行对温控系统模型的反馈参数进行优化；S3，设计混沌模糊神经网络注塑机PID温度控制器；S4，仿真实验并且分析仿真结果；本方法在对SA600/100型号的注塑机搭建MATLAB仿真平台的基础之上，对常规PID算法和本文提出的混沌模糊神经网络算法进行对比仿真实验，提高了整个系统的灵敏度以及控制精度。

Description

一种注塑机温度实时控制方法
技术领域
本发明属于自动控制技术领域，具体涉及一种注塑机温度实时控制方法。
背景技术
塑料已经成为人类社会使用最主要的四大材料之一。注塑机是将高分子原材料经过注塑机的料筒加热到生产需要的温度，变成熔融态，然后将加热到熔融态的高分子流体，通过螺杆注射到模具中冷却成型的加工机械。塑料注射成型是塑料制品最具优势也是最主要的加工方式，占整个高分子加工总重量的1/3左右，因此在国民经济各领域中占有重要地位。
一般在注塑机系统料筒的前段、中段、末端都会有功率较大的加热块，在喷嘴处有一个较小的加热块，以便精确控制料筒加热原料的温度，注塑机的温度系统就是通过控制这几个加热模块实现对温度的精确控制。由于各种注塑机的加热元件不同，各种类型的注塑机型号工艺水平的不同，所以造成对温度的控制很难达到很高的温升速度与温度精度，传统的PID控制只能达到正负7℃的控制精度，一般的改进控制方法如自适应控制方法、模糊控制算法、自整定控制方法等，虽然从一定程度上改善了温控系统的各项指标，但是都多多少少有其缺陷。例如自适应控制必须建立一个较为完善的数学模型对系统的输入输出进行精确控制，模糊控制需要大量的数据支持，这样会大大降低系统的灵敏性，自整定方法通常需要根据不同原理不同工艺的压铸机根据实际经验进行控制。
因此,需要提供一种注塑机温度实时控制方法，提高整个装置和系统的灵敏度以及控制精度。
发明内容
针对现有技术的不足，本发明的目的是提供一种注塑机温度实时控制方法，有效的完善了现有的注塑机系统在温度控制方面的缺陷。
一种注塑机温度实时控制方法,所述控制方法包括以下步骤：
S1，注塑机温度控制系统建模；
S2，用模糊神经网络算法融合混沌变异算法进行对温控系统模型的反馈参数进行优化；
S3，设计混沌模糊神经网络注塑机PID温度控制器；
S4，仿真实验并且分析仿真结果。
优选地，所述S1采用混合式建模方法建模，具体为：让系统在恒温下瞬时工作，加热模块释放的热量Q等于受热原件料筒吸收的热量Q1和散发的热量Q2，即：
Q＝Q1+Q2 (1)
其中，C-料筒热容量；TH-稳态温度；t-加热时间；T0-初始温度即外界环境温度；R-料筒热阻；
经过简单的拉普拉斯变换可以得到输出与输入之间的关系：
时间常数为RC，得到注塑机的大体模型是一个一阶系统惯性系统与一个滞后系统的叠加。
优选地，所述S2具体为：
S21，建立注塑机温度闭环模糊神经网络结构并且确认可优化参数；
S22，优化模糊神经网络的参数。
优选地，所述S21具体为：每一个输入对应的模糊规则数为m，对于本系统模糊神经网络对应的第三层的模糊规则节点数目为2m个，规则节点数可以训练的最大值为：
F＝T(xe)·T(xec) (5)
T(xe)对应温度输入偏差的模糊子集和，T(xec)对应温度变化率模糊子集之和；
可优化参数选择对第二层即模糊化层隶属函数的宽度及中心参数进行优化，除此之外还优化模糊规则层与去模糊化层即第三层与第四层之间的连接权值，对于注塑机温度反馈控制系统可以进行参数训练的个数为:
优选地，所述S22优化模糊神经网络的参数采用梯度下降法，具体为：根据公式(7)确认梯度下降法的评价性能指标：
式中，r(t)-系统设定值；y(t)-系统实际输出；e(t)-系统的反馈偏差；
第四层去模糊化层的模糊输出量：
其中，位于第j层编号为i的神经元的输出为位于第j层编号为j的节点与位于第j-1层编号为i的节点之间的连接权值为其余各层连接权值均为1，n为系统的输入变量个数，为输入量xi对应规则g的隶属度函数中心参数，可得为输入量xi对应规则g的隶属度函数宽度参数；
对连接权值、隶属度函数中心参数和宽度参数求偏导数可得：
其中，
对三个优化参数加入偏导数进行优化：
其中，ηw、ηθ、ησ取值在0～1之间，分别为三个优化参数的学习因子；
选取混沌算法的性能指标为：
其中，惩罚函数，用来调整网络的复杂程度；λ-调节因子，取值0～0.5之间；α-常数，取值0～0.1之间；
引入Logistic混沌映射:
Xn+1＝4Xn(1-Xn)
n＝1,2,...,N,(0＜x0＜1) (17)
其中，X为维数为L的一维输入向量，N为混沌学习法的迭代次数，在(0,1)范围内给L个输入变量赋初值，带入式(17)使得输入变量进行了混沌映射，构造了不同轨迹运行的混沌变量{xn}，
采取下列变换式，保证连接权值与隶属度函数的中心参数在(-1,1)之间：
qi,n＝2xi,n-1(i＝1,2,...,M,M+1,M+F) (18)
为了使规则节点以及隶属度函数的宽度参数能够保证在(0,1)之间，相应地进行以下变换：
qj,n＝xi,n(j＝i+1,...,i+M) (19)；
通过混沌的前期遍历搜索以及后期的梯度下降法，实时计算对应的性能指标或者满足终止迭代次数时，逐渐优化网络结构并且得到网络的最优参数w*、θ*、σ*。
优选地，所述S3设计混沌模糊神经网络注塑机PID温度控制器具体包括以下步骤：
S31，初始化系统的各个参数，N、M取较大的数，α取绝对值很小的数，λ取数值较小的数，规定好学习因子ηw、ηθ、ησ的初始数值；
S32，算法开始，赋值n＝1，在(0,1)中取值初始化L维混沌变量X，计算连接权值w与隶属度函数中心参数θ对应的混沌映射qi,n，还有隶属度函数宽度参数σ对应的混沌映射qj，n；
S33，初次迭代令
S34，当迭代次数n小于混沌迭代次数时，优化模糊神经网络结构，将寻优得到的连接权值与α进行比较，若小于α则将连接权值清零，对应的模糊规则层删除掉；根据式(16)计算混沌学习算法性能指标J2，与上一次的性能指标相比较，若变大则舍去本次迭代结果，否则用本次寻优得到的w*、θ*、σ*取代上一次迭代结果，重复算法直到达到混沌学习算法迭代次数，输出参数；
S35，令m＝1，取混沌学习算法得到的三个参数作为梯度下降学习算法的初值，带入式(13)-(15)调整参数，迭代梯度下降学习算法，相似的根据式(7)实时更新并比较迭代得到的性能指标J1，根据大小更新三个参数，直到算法迭代完毕；
S36,得到最优化参数w*、θ*、σ*，输出最优解的PID参数。
优选地，所述S4具体为：将式(4)作为传递函数，参数K、τ、T取值后代入公式中，将传递函数的结果在MATLAB平台进行仿真分析
本发明的技术方案具有以下有益效果：
本发明提供的一种注塑机温度实时控制方法，根据混沌模糊神经网络算法改善系统的PID参数，利用混沌机制消除系统的不确定性和强耦合性，利用模糊神经网络的智能性对三个参数进行优化，符合注塑机的制造原理，超越了普通的控制方法，完善了整个系统的缺陷，提高了整个系统的灵敏度和控制精度。
附图说明
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1是本发明注塑机温度实时控制方法的模糊神经网络结构图；
图2是本发明注塑机温度实时控制方法的模糊神经网络PID控制器结构框图；
图3是本发明注塑机温度实时控制方法的控制系统仿真结构图；
图4是本发明注塑机温度实时控制方法的模糊控制器的子系统。
具体实施方式
为了清楚了解本发明的技术方案，将在下面的描述中提出其详细的结构。显然，本发明实施例的具体施行并不足限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下，除详细描述的这些实施例外，还可以具有其他实施方式。
下面结合附图和实施例对本发明做进一步详细说明。
本发明实施例提出一种注塑机温度实时控制方法，所述控制方法包括以下步骤：
S1，注塑机温度控制系统建模；
对于数学模型的建立，一般的可以分为推理式建模与总结归纳式建模，本文采用混合式建模方法建模。系统在瞬时工作时，可以假设此时系统是稳定在一定的温度下的，因此加热模块释放的热量Q等于受热原件料筒吸收的热量Q1和散发的热量Q2，即：
Q＝Q1+Q2 (1)
其中，C-料筒热容量；TH-稳态温度；t-加热时间；T0-初始温度即外界环境温度；R-料筒热阻；
经过简单的拉普拉斯变换可以得到输出与输入之间的关系：
时间常数为RC，得到注塑机的大体模型是一个一阶系统惯性系统与一个滞后系统的叠加。以海天注塑机型号SA600/100为例可以得到注塑机的实际运行参数。
表1样本注塑机实际运行参数
推算注塑机的参数大体为：K＝114.117，τ＝48.693，T＝1145.777。当然，实际运行中精确的温控系统模型不可能通过曲线拟合这样的简单反推就能够得到，还有很多的因素可以影响温度随时间的变化，例如外界的初始温度、注塑系统的机械控制、伺服电机的转矩快慢等等。所以本文提出利用模糊神经网络算法融合混沌变异算法进行对反馈参数的修正。
S2，用模糊神经网络算法融合混沌变异算法进行对温控系统模型的反馈参数进行优化；
S21，建立注塑机温度闭环模糊神经网络结构并且确认可优化参数；
图1所示为注塑机温度控制模糊神经网络算法示意图,输入量为温度偏差与温度变化率。假设每一个输入对应的模糊规则数为m，那么对于本系统因为只有两个输入量则模糊神经网络对应的第三层的模糊规则节点数目为2m个，规则节点数可以训练的最大值为：
F＝T(xe)·T(xec) (5)
T(xe)对应温度输入偏差的模糊子集和，T(xec)对应温度变化率模糊子集之和；
可优化参数选择对第二层即模糊化层隶属函数的宽度及中心参数进行优化，除此之外还优化模糊规则层与去模糊化层即第三层与第四层之间的连接权值，对于注塑机温度反馈控制系统可以进行参数训练的个数为:
S22，优化模糊神经网络的参数；
对于注塑机温度控制模糊神经网络的参数优化,普通的优化方法有梯度下降法、BP法(前馈学习法)，这两种方法都是自学习方法，带有一定的智能型，其中梯度下降法收敛速度较快，可以在小范围内迅速搜索到网络参数。
梯度下降法的评价性能指标如下：
式中，r(t)-系统设定值；y(t)-系统实际输出；e(t)-系统的反馈偏差；
第四层去模糊化层的模糊输出量：
其中，位于第j层编号为i的神经元的输出为位于第j层编号为j的节点与位于第j-1层编号为i的节点之间的连接权值为其余各层连接权值均为1，n为系统的输入变量个数，为输入量xi对应规则g的隶属度函数中心参数，可得为输入量xi对应规则g的隶属度函数宽度参数；
对连接权值、隶属度函数中心参数和宽度参数求偏导数可得：
其中，
对三个优化参数加入偏导数进行优化：
其中，ηw、ηθ、ησ取值在0～1之间，分别为三个优化参数的学习因子；
选取混沌算法的性能指标为：
其中，惩罚函数，用来调整网络的复杂程度；λ-调节因子，取值0～0.5之间；α-常数，取值0～0.1之间；
引入Logistic混沌映射:
Xn+1＝4Xn(1-Xn)
n＝1,2,...,N,(0＜x0＜1) (17)
其中，X为维数为L的一维输入向量，N为混沌学习法的迭代次数，在(0,1)范围内给L个输入变量赋初值，带入式(17)使得输入变量进行了混沌映射，构造了不同轨迹运行的混沌变量{xn}，
采取下列变换式，保证连接权值与隶属度函数的中心参数在(-1,1)之间：
qi,n＝2xi,n-1(i＝1,2,...,M,M+1,M+F) (18)
为了使规则节点以及隶属度函数的宽度参数能够保证在(0,1)之间，相应地进行以下变换：
qj,n＝xi,n(j＝i+1,...,i+M) (19)；
更进一步，如前文所述，在进行混沌搜索的同时为了优化网络结构，是网络拓扑尽量简单化，加快寻优的效率，可以引入一个扰动常量α，在每次迭代完毕之后将连接权值w的绝对值与此扰动常量相比较，如果小于α则说明此连接权值的作用不明显，可以去除，顺便的也就去掉了其对应的规则节点。
通过混沌的前期遍历搜索以及后期的梯度下降法，实时计算对应的性能指标或者满足终止迭代次数时，逐渐优化网络结构并且得到网络的最优参数w*、θ*、σ*。
S3，设计混沌模糊神经网络注塑机PID温度控制器；参照图2，
S31，初始化系统的各个参数，N、M取较大的数，α取绝对值很小的数，λ取数值较小的数，规定好学习因子ηw、ηθ、ησ的初始数值；
S32，算法开始，赋值n＝1，在(0,1)中取值初始化L维混沌变量X，计算连接权值w与隶属度函数中心参数θ对应的混沌映射qi,n，还有隶属度函数宽度参数σ对应的混沌映射qj，n；
S33，初次迭代令
S34，当迭代次数n小于混沌迭代次数时，优化模糊神经网络结构，将寻优得到的连接权值与α进行比较，若小于α则将连接权值清零，对应的模糊规则层删除掉；根据式(16)计算混沌学习算法性能指标J2，与上一次的性能指标相比较，若变大则舍去本次迭代结果，否则用本次寻优得到的w*、θ*、σ*取代上一次迭代结果，重复算法直到达到混沌学习算法迭代次数，输出参数；
S35，令m＝1，取混沌学习算法得到的三个参数作为梯度下降学习算法的初值，带入式(13)-(15)调整参数，迭代梯度下降学习算法，相似的根据式(7)实时更新并比较迭代得到的性能指标J1，根据大小更新三个参数，直到算法迭代完毕；
S36,得到最优化参数w*、θ*、σ*，输出最优解的PID参数。
S4，仿真实验并且分析仿真结果。
利用式(4)作为传递函数，参数取值K＝114.117，τ＝48.693，T＝145.777，即：
将上式在MATLAB平台进行仿真，如图3所示。
其中，模糊控制子系统fuzzy的内部结构如图4所示。
本发明提出的注塑机温度实时控制方法，经过混合算法优化的神经网络PID参数的超调量与调整时间得到明显的改善，根据混沌模糊神经网络算法改善系统的PID参数，利用混沌机制消除系统的不确定性和强耦合性，利用模糊神经网络的智能性对三个参数进行优化，符合注塑机的制造原理，超越了普通的控制方法，完善了整个系统的缺陷，提高了整个系统的灵敏度和控制精度。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (6)

1.一种注塑机温度实时控制方法,其特征在于，所述控制方法包括以下步骤：
S1，注塑机温度控制系统建模；
S2，用模糊神经网络算法融合混沌变异算法进行对温控系统模型的反馈参数进行优化；
S3，设计混沌模糊神经网络注塑机PID温度控制器；
S4，仿真实验并且分析仿真结果。
所述S1采用混合式建模方法建模，具体为：让系统在恒温下瞬时工作，加热模块释放的热量Q等于受热原件料筒吸收的热量Q1和散发的热量Q2，即：
Q＝Q1+Q2 (1)
<mrow> <msub> <mi>Q</mi> <mn>1</mn> </msub> <mo>=</mo> <mi>C</mi> <mfrac> <mrow> <msub> <mi>dT</mi> <mi>H</mi> </msub> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>Q</mi> <mn>2</mn> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>T</mi> <mi>H</mi> </msub> <mo>-</mo> <msub> <mi>T</mi> <mn>0</mn> </msub> </mrow> <mi>R</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，C-料筒热容量；TH-稳态温度；t-加热时间；T0-初始温度即外界环境温度；R-料筒热阻；
经过简单的拉普拉斯变换可以得到输出与输入之间的关系：
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>y</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mi>K</mi> <mrow> <mi>T</mi> <mi>s</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>&amp;tau;</mi> <mi>s</mi> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
时间常数τ为RC，得到注塑机的大体模型是一个一阶系统惯性系统与一个滞后系统的叠加。
2.根据权利要求1所述的注塑机温度实时控制方法，其特征在于，所述S2具体为：
S21，建立注塑机温度闭环模糊神经网络结构并且确认可优化参数；
S22，优化模糊神经网络的参数。
3.根据权利要求2所述的注塑机温度实时控制方法，其特征在于，所述S21具体为：每一个输入对应的模糊规则数为m，对于本系统模糊神经网络对应的第三层的模糊规则节点数目为2m个，规则节点数可以训练的最大值为：
F＝T(xe)·T(xec) (5)
T(xe)对应温度输入偏差的模糊子集和，T(xec)对应温度变化率模糊子集之和；
可优化参数选择对第二层即模糊化层隶属函数的宽度及中心参数进行优化，除此之外还优化模糊规则层与去模糊化层即第三层与第四层之间的连接权值，对于注塑机温度反馈控制系统可以进行参数训练的个数为:
<mrow> <mtable> <mtr> <mtd> <mrow> <mn>2</mn> <mi>M</mi> <mo>+</mo> <mi>F</mi> <mo>=</mo> <mn>2</mn> <mo>*</mo> <mrow> <mo>(</mo> <mi>T</mi> <mo>(</mo> <msub> <mi>x</mi> <mi>e</mi> </msub> <mo>)</mo> <mo>+</mo> <mi>T</mi> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>e</mi> <mi>c</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>T</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>e</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>T</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>e</mi> <mi>c</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
4.根据权利要求3所述的注塑机温度实时控制方法，其特征在于，所述S22优化模糊神经网络的参数采用梯度下降法，具体为：根据公式(7)确认梯度下降法的评价性能指标：
<mrow> <msub> <mi>J</mi> <mn>1</mn> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>e</mi> <msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式中，r(t)-系统设定值；y(t)-系统实际输出；e(t)-系统的反馈偏差；
第四层去模糊化层的模糊输出量：
<mrow> <mtable> <mtr> <mtd> <mrow> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mi>O</mi> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>max</mi> </msub> </munderover> <msubsup> <mi>w</mi> <mrow> <mi>k</mi> <mi>l</mi> </mrow> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </msubsup> <msubsup> <mi>O</mi> <mi>l</mi> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </msubsup> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>max</mi> </msub> </munderover> <msubsup> <mi>O</mi> <mi>l</mi> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </msubsup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>max</mi> </msub> </munderover> <msubsup> <mi>w</mi> <mrow> <mi>k</mi> <mi>l</mi> </mrow> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </msubsup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>&amp;theta;</mi> <mi>i</mi> <mi>g</mi> </msubsup> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>i</mi> <mi>g</mi> </msubsup> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>max</mi> </msub> </munderover> <mrow> <mo>(</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>&amp;theta;</mi> <mi>i</mi> <mi>g</mi> </msubsup> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>i</mi> <mi>g</mi> </msubsup> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中，位于第j层编号为i的神经元的输出为位于第j层编号为j的节点与位于第j-1层编号为i的节点之间的连接权值为其余各层连接权值均为1，n为系统的输入变量个数，为输入量xi对应规则g的隶属度函数中心参数，可得为输入量xi对应规则g的隶属度函数宽度参数；
对连接权值、隶属度函数中心参数和宽度参数求偏导数可得：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>1</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mover> <mi>u</mi> <mo>^</mo> </mover> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mfrac> <mn>1</mn> <mi>c</mi> </mfrac> <mo>&amp;CenterDot;</mo> <mi>a</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>1</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mover> <mi>u</mi> <mo>^</mo> </mover> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> </mrow> <mi>c</mi> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>a</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>3</mn> </msup> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>J</mi> <mn>1</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mover> <mi>u</mi> <mo>^</mo> </mover> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> </mrow> <mi>c</mi> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>2</mn> <mi>a</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <msup> <mi>&amp;sigma;</mi> <mn>3</mn> </msup> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
其中，
<mrow> <mi>a</mi> <mo>=</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>b</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mi>a</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mi>a</mi> <mo>,</mo> <mover> <mi>u</mi> <mo>^</mo> </mover> <mo>=</mo> <mfrac> <mi>b</mi> <mi>c</mi> </mfrac> </mrow>
对三个优化参数加入偏导数进行优化：
<mrow> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mi>w</mi> </msub> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mo>&amp;part;</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <mo>&amp;part;</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mi>&amp;theta;</mi> </msub> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mo>&amp;part;</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <mo>&amp;part;</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mi>&amp;sigma;</mi> </msub> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;lsqb;</mo> <mo>&amp;part;</mo> <mi>e</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>/</mo> <mo>&amp;part;</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
其中，ηw、ηθ、ησ取值在0～1之间，分别为三个优化参数的学习因子；
选取混沌算法的性能指标为：
<mrow> <msub> <mi>J</mi> <mn>2</mn> </msub> <mo>=</mo> <mi>min</mi> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>(</mo> <mrow> <mi>r</mi> <mo>-</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>+</mo> <mi>&amp;lambda;</mi> <mi>C</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow> 2
其中，惩罚函数，用来调整网络的复杂程度；λ-调节因子，取值0～0.5之间；α-常数，取值0～0.1之间；
引入Logistic混沌映射:
Xn+1＝4Xn(1-Xn)
n＝1,2,...,N,(0＜x0＜1) (17)
其中，X为维数为L的一维输入向量，N为混沌学习法的迭代次数，在(0,1)范围内给L个输入变量赋初值，带入式(17)使得输入变量进行了混沌映射，构造了不同轨迹运行的混沌变量{xn}，
采取下列变换式，保证连接权值与隶属度函数的中心参数在(-1,1)之间：
qi,n＝2xi,n-1 (i＝1,2,...,M,M+1,M+F) (18)
为了使规则节点以及隶属度函数的宽度参数能够保证在(0,1)之间，相应地进行以下变换：
qj,n＝xi,n (j＝i+1,...,i+M) (19)；
通过混沌的前期遍历搜索以及后期的梯度下降法，实时计算对应的性能指标或者满足终止迭代次数时，逐渐优化网络结构并且得到网络的最优参数w*、θ*、σ*。
5.根据权利要求4所述的注塑机温度实时控制方法，其特征在于，所述S3设计混沌模糊神经网络注塑机PID温度控制器具体包括以下步骤：
S31，初始化系统的各个参数，N、M取较大的数，α取绝对值很小的数，λ取数值较小的数，规定好学习因子ηw、ηθ、ησ的初始数值；
S32，算法开始，赋值n＝1，在(0,1)中取值初始化L维混沌变量X，计算连接权值w与隶属度函数中心参数θ对应的混沌映射qi,n，还有隶属度函数宽度参数σ对应的混沌映射qj，n；
S33，初次迭代令
S34，当迭代次数n小于混沌迭代次数时，优化模糊神经网络结构，将寻优得到的连接权值与α进行比较，若小于α则将连接权值清零，对应的模糊规则层删除掉；根据式(16)计算混沌学习算法性能指标J2，与上一次的性能指标相比较，若变大则舍去本次迭代结果，否则用本次寻优得到的w*、θ*、σ*取代上一次迭代结果，重复算法直到达到混沌学习算法迭代次数，输出参数；
S35，令m＝1，取混沌学习算法得到的三个参数作为梯度下降学习算法的初值，带入式(13)-(15)调整参数，迭代梯度下降学习算法，相似的根据式(7)实时更新并比较迭代得到的性能指标J1，根据大小更新三个参数，直到算法迭代完毕；
S36,得到最优化参数w*、θ*、σ*，输出最优解的PID参数。
6.根据权利要求4所述的注塑机温度实时控制方法，其特征在于，
所述S4具体为：将式(4)作为传递函数，参数K、τ、T取值后代入公式中，将传递函数的结果在MATLAB平台进行仿真分析。
CN201610168615.4A 2016-03-23 2016-03-23 一种注塑机温度实时控制方法 Active CN105751470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610168615.4A CN105751470B (zh) 2016-03-23 2016-03-23 一种注塑机温度实时控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610168615.4A CN105751470B (zh) 2016-03-23 2016-03-23 一种注塑机温度实时控制方法

Publications (2)

Publication Number Publication Date
CN105751470A CN105751470A (zh) 2016-07-13
CN105751470B true CN105751470B (zh) 2017-12-12

Family

ID=56346337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610168615.4A Active CN105751470B (zh) 2016-03-23 2016-03-23 一种注塑机温度实时控制方法

Country Status (1)

Country Link
CN (1) CN105751470B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241392A (zh) * 2016-12-26 2018-07-03 航天信息股份有限公司 温度控制方法及系统
CN107807530A (zh) * 2017-11-30 2018-03-16 黄力 一种基于智能模糊神经网络算法的压力机pid控制系统
DE102018108106B4 (de) * 2018-04-05 2020-01-23 Nolden Regelsysteme GmbH Verfahren zum Regeln einer Temperatur einer Spritzgießmaschine und Regelsystem
CN109507868A (zh) * 2018-09-21 2019-03-22 广东广垦畜牧工程研究院有限公司 一种模糊pid控制器及规模化养猪场沼气工程控制系统
CH716122A1 (de) * 2019-04-29 2020-10-30 Alpla Werke Alwin Lehner Gmbh & Co Kg Verfahren zum Betreiben einer Vorrichtung zur Herstellung eines Produktes, Computerprogrammprodukt und Vorrichtung zum Herstellen eines Produktes.
CN112406058B (zh) * 2020-11-13 2021-08-03 广东工业大学 一种注塑机pid控制器的参数调控方法及pid控制器
CN113752506A (zh) * 2021-08-23 2021-12-07 广东工业大学 注塑机料筒的温度pid控制器参数智能整定方法
CN114734603A (zh) * 2022-03-21 2022-07-12 浙江凯华模具有限公司 一种注塑机及模具的温度控制系统和方法
CN117207470B (zh) * 2023-10-09 2024-03-05 武汉瑞之源塑业有限公司 一种基于物联网的伺服控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6207936B1 (en) * 1996-01-31 2001-03-27 Asm America, Inc. Model-based predictive control of thermal processing
CN102129259A (zh) * 2010-01-20 2011-07-20 北京航空航天大学 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN103105777A (zh) * 2012-11-14 2013-05-15 山东交通职业学院 一种应用于锥型双螺杆挤出机的神经网络自适应控制算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6207936B1 (en) * 1996-01-31 2001-03-27 Asm America, Inc. Model-based predictive control of thermal processing
CN102129259A (zh) * 2010-01-20 2011-07-20 北京航空航天大学 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN103105777A (zh) * 2012-11-14 2013-05-15 山东交通职业学院 一种应用于锥型双螺杆挤出机的神经网络自适应控制算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于混沌神经网络模型的预测控制器的设计及应用》;窦春霞;《系统工程理论与实践》;20030831(第8期);48-51 *
基于模糊神经网络的注塑机控制系统应用研究;李森;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20130215;第二章到第四章 *

Also Published As

Publication number Publication date
CN105751470A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN105751470B (zh) 一种注塑机温度实时控制方法
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN103591637B (zh) 一种集中供热二次网运行调节方法
US5268835A (en) Process controller for controlling a process to a target state
CN103792933B (zh) 利用仿真系统确定和调谐过程特征参数的方法
CN107045289A (zh) 一种电加热炉温度的非线性神经网络优化pid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
CN106054594A (zh) 基于控制输入饱和的无模型自适应控制方法
CN108284442A (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
CN107203659B (zh) 一种过冷流动沸腾换热质量传递松弛因子预测方法
CN108224446A (zh) 一种垃圾焚烧过程的自动燃烧优化决策方法
CN105911862B (zh) 一种电加热炉温度控制方法
CN105676637B (zh) 基于预测函数控制的分子量输出pdf控制方法
CN106842948A (zh) 基于bp网络的hdp分子蒸馏系统的最优控制方法
CN105955026A (zh) 模糊pid控制方法和装置及系统
CN112947088A (zh) 一种基于密闭空间的温湿度系统的建模和控制方法
CN106292289B (zh) 流程工业控制回路对象的混合精英随机搜索优化方法
CN107728481A (zh) 一种基于模型预测控制的闭环建模方法及装置
CN107168066A (zh) 一种温室环境自适应控制方法
CN117031950A (zh) 深度调峰火电机组控制系统建模的方法及装置
CN106371321A (zh) 一种焦化炉炉膛压力系统模糊网络优化pid控制方法
Deshpande et al. Design of multi scale PID controller for Temperature process
Nithyarani et al. Model Identification of Temperature Process and Tuning with Advanced Control Techniques
CN115470685A (zh) 一种基于数字孪生体系的大米供应链优化模型构建方法
CN106444389A (zh) 一种废塑料裂解温度系统的模糊rbf网络优化pi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
TR01 Transfer of patent right

Effective date of registration: 20191011

Address after: 545005 workshop 3, sifangtang area, Xinxing Industrial Park, Liujiang District, Liuzhou City, Guangxi Zhuang Autonomous Region (within Guangxi Liuzhou Fengda Machinery Manufacturing Co., Ltd.)

Patentee after: Guangxi Huade plastic products Co., Ltd.

Address before: 545006 Liuzhou City East District Road, central city, No. 268, No.

Patentee before: Guangxi University of Science and Technology

TR01 Transfer of patent right