CN106773682B - 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 - Google Patents

基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 Download PDF

Info

Publication number
CN106773682B
CN106773682B CN201611104398.9A CN201611104398A CN106773682B CN 106773682 B CN106773682 B CN 106773682B CN 201611104398 A CN201611104398 A CN 201611104398A CN 106773682 B CN106773682 B CN 106773682B
Authority
CN
China
Prior art keywords
glass furnace
pond temperature
glass
model
armax
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
CN201611104398.9A
Other languages
English (en)
Other versions
CN106773682A (zh
Inventor
董明宇
刘民
刘涛
张亚斌
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.)
Qingdao Qingneng Power Technology Co Ltd
Tsinghua University
Original Assignee
Qingdao Qingneng Power Technology Co Ltd
Tsinghua University
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 Qingdao Qingneng Power Technology Co Ltd, Tsinghua University filed Critical Qingdao Qingneng Power Technology Co Ltd
Priority to CN201611104398.9A priority Critical patent/CN106773682B/zh
Publication of CN106773682A publication Critical patent/CN106773682A/zh
Application granted granted Critical
Publication of CN106773682B publication Critical patent/CN106773682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，属于自动控制、信息技术和先进制造领域，其特征在于，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。

Description

基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法
技术领域
本发明属于自动控制、信息技术和先进制造领域，具体涉及用于减少玻璃窑炉池底温度波动的基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法。
背景技术
玻璃窑炉可将玻璃原料进行加热，并熔化成玻璃液，供后道工序生产出不同的玻璃制品。玻璃窑炉的玻璃熔化水平对后续玻璃制品的质量具有重要影响。评价玻璃熔化水平的指标主要是玻璃窑炉内的玻璃液温度，目前，玻璃窑炉可测量玻璃液池底温度、流液洞温度、碹顶温度等，其中玻璃液池底温度是反应玻璃液熔化水平最直观的指标。提高玻璃液池底温度的控制精度，缩小玻璃液池底温度波动范围，对提高后续玻璃制品的质量、降低生产成本具有意义。
玻璃液池底温度主要受玻璃窑炉天然气流量、玻璃产率、玻璃原料含水率和外界环境温度等影响，其中，主要的调节变量是天然气流量，其余为影响因素。由于玻璃窑炉内部熔化过程是一个缓慢的、大时滞传热过程，即天然气流量调整后，需要经过玻璃窑炉内空气温度变化、玻璃液表面温度变化、池底温度变化等过程，天然气流量调节后池底温度发生变化一般需要经过4～10小时(即时滞)，上述时滞当玻璃产率、外界条件发生变化时，也会缓慢发生变化。因此，对玻璃液池底温度的控制具有不确定、大时滞等难点。
鉴于此，本发明提出一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，首先采用ARMAX模型(AutoRegressive-Moving-Average model with eXogenousinputs：自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(AdaptiveNero-Fuzzy Inference System，自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。
发明内容
本发明提出一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，所述方法是在计算机上按如下步骤实现的：
步骤(1)：数据采集及预处理
本发明采集与玻璃窑炉池底温度控制相关的生产信息，主要包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值等，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值；
步骤(2)：基于ARMAX模型的时滞动态确定
本发明采用ARMAX模型(AutoRegressive-Moving-Average model witheXogenous inputs model：自动回归滑动平均模型)，以过去24小时内池底温度每小时变化平均值作为输出(即y(t),t＝-24,-23,…,-1)，以过去24小时内天然气流量每小时变化平均值、玻璃窑炉产率每小时变化平均值、含水率每小时变化平均值作为输入(即X(t)＝[x1(t),x2(t),x3(t)],t＝-24,-23,…,-1)，ARMAX模型为使用ARMAX模型的参数学习算法，从而确定ai和bj，此时，如果b1,b2,…,bT为0，而bT+1不为零，则时滞为T小时；此判断过程每隔12小时或24小时运行一次，以对玻璃窑炉的时滞进行实时判断和定时更新；
步骤(3)：玻璃窑炉池底温度智能预测
根据所确定的时滞，从玻璃窑炉生产信息数据库中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，即traindatak＝{X(k-T),y(k)},i＝1,2,…,N，其中N为训练数据个数；采用ARMAX模型和ANFIS模型相结合的方法对玻璃窑炉池底温度进行智能预测，具体步骤如下：
步骤(2.3.1)：ARMAX预测
令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindatai,i＝1,2,…,N训练数据，采用ARMAX的参数学习方法，可得到ai和bj；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；
步骤(2.3.2)：ANFIS预测
鉴于玻璃窑炉内部主要是一个传热过程，天然气燃烧，将热量传递给玻璃液，并最终传导玻璃窑炉池底，本发明从传热过程入手，采用ANFIS模型(其结构见)对玻璃窑炉池底温度进行预报，根据traindatai,i＝1,2,…,N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(k)的值，预测y(k+T)，令ANFIS模型的预测值为yA(k+T)；
步骤(2.3.3)：ARMA和ANFIS模型融合
ARMAX和ANFIS模型均对池底温度进行了预报，本发明提出一种模型融合方法以提高玻璃窑炉预测准确度，在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q),q＝0,2,…,T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+yA(k+T)，从而得到经模型融合后的池底温度预测值y′(t+T)；
步骤(4)：基于前馈预测和反馈相结合的池底温度智能控制
在池底温度智能预报基础上，本发明提出前馈预测和反馈相结合的池底温度智能控制方法，该方法是按照设定的时间间隔，执行如下步骤，定期给出天然气流量设定值的：
步骤(4.1)：通过前馈预测，确定天然气流量合理的设定范围
根据生产实际要求的池底温度工艺范围(如波动不大于正负3摄氏度)，采用步骤(3)给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出(即池底温度预测值)落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入(即模型输入量之一x1)，从而得到本阶段天然气流量设定值的允许变化范围
步骤(4.2)：通过反馈控制，确定本阶段天然气流量设定值
采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为
本发明的基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1：本发明一个实施例的基于时滞动态确定的玻璃窑炉池底温度智能预测控制流程示意图；
图2：本发明一个实施例的ANFIS结构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更好地理解本发明的技术方案，图1给出了本发明的方法流程。该方法包括：
步骤(1)：数据采集及预处理。通过OPC接口，从玻璃窑炉DCS控制系统中采集与玻璃窑炉池底温度控制相关的生产信息，主要包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值等，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值；
步骤(2)：基于ARMAX模型的时滞动态确定。采用ARMAX模型，确定当前12个小时内的玻璃窑炉时滞，每隔12小时自动运行时滞动态确定程序一次，以确定当前的时滞。
步骤(3)：玻璃窑炉池底温度智能预测。根据所确定的时滞，从玻璃窑炉生产信息数据库中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，采用ARMAX模型和ANFIS模型相结合的方法对玻璃窑炉池底温度进行智能预测，具体步骤如下：
步骤(2.3.1)：令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindatai,i＝1,2,…,N训练数据，采用ARMAX的参数学习方法，可得到ai和bj；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；
步骤(2.3.2)：采用ANFIS模型对玻璃窑炉池底温度进行预报，根据traindatai,i＝1,2,…,N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(k)的值，预测y(k+T)，令ANFIS模型的预测值为yA(k+T)；
步骤(2.3.3)：ARMA和ANFIS模型融合ARMAX和ANFIS模型均对池底温度进行了预报，本发明提出一种模型融合方法以提高玻璃窑炉预测准确度，在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q),q＝0,2,…,T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+yA(k+T)，从而得到经模型融合后的池底温度预测值y′(t+T)；
步骤(4)：基于前馈预测和反馈相结合的池底温度智能控制
在池底温度智能预报基础上，本发明提出前馈预测和反馈相结合的池底温度智能控制方法，该方法是按照设定的时间间隔，执行如下步骤，定期给出天然气流量设定值的：
步骤(4.1)：通过前馈预测，确定天然气流量合理的设定范围
根据生产实际要求的池底温度工艺范围(如波动不大于正负3摄氏度)，采用步骤(3)给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出(即池底温度预测值)落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入(即模型输入量之一x1)，从而得到本阶段天然气流量设定值的允许变化范围
步骤(4.2)：通过反馈控制，确定本阶段天然气流量设定值
采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为
上述设定值方法每小时运行一次。
步骤(5)：通过OPC接口，将天然气流量设定值传回DCS系统，以实现通过调节天然气流量，控制池底温度的目的。
步骤(6)：将该方法应用于某大型玻璃生产企业，为说明本发明所提方法的有效性，比较了三种方法：1、目前现场常规使用的PID反馈控制方法(用“常规PID”表示)；2、使用本发明提出的池底温度预报模型的预测控制方法(用“时滞+预测控制”表示)；3、使用发明提出的池底温度预测和反馈相结合的控制方法(用“时滞+预测+反馈控制”表示)，控制效果以10天内的池底温度波动范围衡量，从下表中可以看出，采用“时滞+预测控制”，由于使用预测控制思路，比使用常规PID方法效果好，而使用“时滞+预测+反馈控制”，由于增加了反馈环节，比“时滞+预测控制”效果还好。
表一
算法 实际池底温度波动
常规PID ±7.4度
时滞+预测控制 ±4.6度
时滞+预测+反馈控制 ±2.6度
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，其特征在于，包括：
采集和处理玻璃窑炉池底温度控制相关的生产信息，并确定所述生产信息的每小时变化平均值；
根据所述生产信息的每小时变化平均值，采用自动回归滑动平均模型ARMAX对玻璃熔窑缓慢变化的时滞进行确定并定时更新；
采用ARMAX和ANFIS相结合的建模方法动态建立玻璃窑炉池底温度预测模型；
基于所述玻璃窑炉池底温度预测，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整；
其中，所述对玻璃熔窑缓慢变化的时滞进行确定并定时更新，具体方法为：以过去24小时内池底温度每小时变化平均值作为输出y(t)，t＝-24，-23，…，-1，以过去24小时内天然气流量每小时变化平均值、玻璃窑炉产率每小时变化平均值、含水率每小时变化平均值作为输入X(t)＝[x1(t)，x2(t)，x3(t)]，t＝-24，-23，…，-1，ARMAX模型为使用ARMAX模型的参数学习算法，从而确定ai和bj，此时，如果b1，b2，…，bT为0，而bT+1不为零，则时滞为T小时；此判断过程每隔12小时或24小时运行一次，以对玻璃窑炉的时滞进行实时判断和定时更新；
所述采用ARMAX和ANFIS相结合的建模方法动态建立玻璃窑炉池底温度预测模型，具体是按如下步骤进行的：
步骤(1)：根据确定的时滞，从玻璃窑炉生产信息中获取玻璃窑炉池底温度智能预报模型所需的训练数据对，即traindatak＝{X(ｋ-T)，y(ｋ)}，i＝1,2，…，N，其中N为训练数据个数，X(k-T)为天然气流量每小时变化平均值、玻璃窑炉产率每小时变化平均值、含水率每小时变化平均值形成的输入值，y(k)为池底温度每小时变化平均值，T为时滞；
步骤(2)：建立ARMAX预测模型
令ARMAX模型即池底温度与过去5小时内的池底温度和过去T至14小时内的天然气流量、玻璃窑炉产率、含水率每小时变化值有关，根据traindatai，i＝1,2，…，N训练数据，采用ARMAX的参数学习方法，可得到ai和bj；在确定参数后，调用一次上述ARMAX模型，可得y(t)，将此预测值代入上述ARMAX模型，可得y(t+1)，此过程循环T次，即可得y(t+T)，从而完成玻璃窑炉池底温度的预测；
步骤(3)：建立ANFIS预测模型
根据traindatai，i＝1,2，…，N，采用ANFIS的前馈/反馈学习方法，得到ANFIS预测模型，即可根据X(ｋ)的值，预测y(ｋ+T)，令ANFIS模型的预测值为yA(ｋ+T)；
步骤(4)：ARMA和ANFIS模型融合
在ARMAX模型计算y(t+T)时，需要用ARMAX模型迭代计算y(t+q)，q＝0,2，…，T-1，将ANFIS模型的计算结果融入每次ARMAX模型迭代计算中，即新的计算值为y′(t+q)＝y(t+q)+yA(ｋ+T)，从而得到经模型融合后的池底温度预测值y′(t+T)；
所述采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，具体包含如下步骤：
步骤(1)：通过前馈预测，确定天然气流量合理的设定范围
根据生产实际要求的池底温度工艺范围，采用给出的池底温度预测模型，根据当前玻璃窑炉生产信息，以池底温度预测模型输出落在池底工艺范围内为优化目标，优化搜索天然气流量设定值输入，从而得到本阶段天然气流量设定值的允许变化范围
步骤(2)：通过反馈控制，确定本阶段天然气流量设定值
采用PID反馈控制算法，在通过实验合理确定PID参数的情况下，确定本阶段天然气流量设定值则最终的流量设定值为
2.根据权利要求1所述的方法，其特征在于，所述采集和处理玻璃窑炉池底温度控制相关的生产信息，具体包括：玻璃窑炉池底温度实时测量值、天然气流量实时测量值、助燃风流量实时测量值、玻璃窑炉压力实时测量值、当前玻璃窑炉玻璃产率、玻璃窑炉原料含水率、玻璃窑炉碹顶温度实时测量值、玻璃窑炉流液洞温度实时测量值，并将上述生产信息按每小时分别取平均值，得到上述信息每小时变化平均值。
CN201611104398.9A 2016-12-05 2016-12-05 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 Active CN106773682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611104398.9A CN106773682B (zh) 2016-12-05 2016-12-05 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611104398.9A CN106773682B (zh) 2016-12-05 2016-12-05 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法

Publications (2)

Publication Number Publication Date
CN106773682A CN106773682A (zh) 2017-05-31
CN106773682B true CN106773682B (zh) 2019-11-22

Family

ID=58874098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611104398.9A Active CN106773682B (zh) 2016-12-05 2016-12-05 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法

Country Status (1)

Country Link
CN (1) CN106773682B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526294B (zh) * 2017-07-26 2020-09-15 西安奕斯伟设备技术有限公司 一种热场温度-硅单晶直径非线性时滞系统智能辨识方法
CN110347192B (zh) * 2019-06-17 2020-11-03 武汉理工大学 基于注意力机制和自编码器的玻璃炉温智能预测控制方法
CN110187727B (zh) * 2019-06-17 2021-08-03 武汉理工大学 一种基于深度学习和强化学习的玻璃熔炉温度控制方法
CN110727197B (zh) * 2019-11-06 2022-08-02 桐乡华锐自控技术装备有限公司 一种纱团号数在线控制方法
CN111377595B (zh) * 2020-05-08 2022-04-22 蚌埠凯盛工程技术有限公司 实时控制玻璃窑炉燃气供给量的方法、系统
CN112279507B (zh) * 2020-10-23 2021-09-17 南京玻璃纤维研究设计院有限公司 温度控制方法、装置、电子设备及系统
CN112817289A (zh) * 2021-02-09 2021-05-18 上海凯盛朗坤信息技术股份有限公司 一种玻璃工厂数据分析与智能预测系统
CN113435718B (zh) * 2021-06-15 2024-04-16 北京百度网讯科技有限公司 玻璃的生成方法、装置、电子设备及存储介质
CN114942659B (zh) * 2022-06-30 2023-08-29 佛山仙湖实验室 窑炉温度控制方法、系统、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763036A (zh) * 2009-12-29 2010-06-30 江苏大学 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法
CN103019267A (zh) * 2012-12-10 2013-04-03 华东交通大学 高速列车anfis建模与运行速度预测控制方法
CN103559540A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 基于自适应神经模糊推理系统的风速超短期在线预测方法
CN105955210A (zh) * 2016-04-29 2016-09-21 湖南工业大学 余热锅炉与工业锅炉发电协调运行动态优化方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008123354A (ja) * 2006-11-14 2008-05-29 Fuji Electric Systems Co Ltd 温度制御装置、温度制御方法および温度制御プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763036A (zh) * 2009-12-29 2010-06-30 江苏大学 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法
CN103019267A (zh) * 2012-12-10 2013-04-03 华东交通大学 高速列车anfis建模与运行速度预测控制方法
CN103559540A (zh) * 2013-11-13 2014-02-05 上海电气集团股份有限公司 基于自适应神经模糊推理系统的风速超短期在线预测方法
CN105955210A (zh) * 2016-04-29 2016-09-21 湖南工业大学 余热锅炉与工业锅炉发电协调运行动态优化方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
带并行机调度问题中基于ANFIS的自适应算法;董明宇等;《控制工程》;20050531;第12卷(第3期);第203-206页 *

Also Published As

Publication number Publication date
CN106773682A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106773682B (zh) 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法
CN112232980B (zh) 一种区域能源供热系统热泵机组调控方法
CN106249724B (zh) 一种高炉多元铁水质量预测控制方法及系统
CN104846306B (zh) 一种镀锌厚度控制系统及方法
CN103469137B (zh) 一种热镀锌镀层厚度动态变规格预设控制方法
CN109839825B (zh) 一种稀土萃取过程组分含量的预测控制方法及系统
CN103631140B (zh) 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法
CN102540879A (zh) 基于群决策检索策略的多目标评价优化方法
CN109001979A (zh) 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法
CN106167887B (zh) 基于刀距动态补偿的热镀锌镀层厚度快速切换方法及系统
CN108845501A (zh) 一种基于懒惰学习的高炉铁水质量自适应优化控制方法
WO2022121944A1 (zh) 工业过程运行指标智能预报方法、装置、设备及存储介质
CN104101105A (zh) 一种原油加热炉温度的复合控制方法及其装置
CN113375220B (zh) 一种基于负荷预测的换热站多模式调控方法
CN106637026B (zh) 一种镀锌过程气刀压力实时优化控制方法及系统
CN103869783B (zh) 一种精矿产量在线预测方法
CN111676365A (zh) 一种基于lstm的过渡钢卷退火温度设定值的预测方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN116436033A (zh) 一种基于用户满意度和强化学习的温控负荷频率响应控制方法
CN112330012A (zh) 一种基于迁移学习的建筑能耗预测方法及设备
CN114665519A (zh) 一种基于分层模型的风电场集群有功功率协调控制方法
Wu et al. Intelligent integrated optimization and control system for lead–zinc sintering process
CN115081319B (zh) 铝电解生产过程智能决策、多目标优化方法
Wang et al. Application research based on GA-FWA in prediction of sintering burning through point
Cheng et al. Short-term load forecasting with weather component based on improved extreme learning machine

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