CN107024861B - 一种转炉干法除尘系统的在线建模方法 - Google Patents
一种转炉干法除尘系统的在线建模方法 Download PDFInfo
- Publication number
- CN107024861B CN107024861B CN201610065305.XA CN201610065305A CN107024861B CN 107024861 B CN107024861 B CN 107024861B CN 201610065305 A CN201610065305 A CN 201610065305A CN 107024861 B CN107024861 B CN 107024861B
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness value
- real
- output
- dry dedusting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000011112 process operation Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 15
- 239000000428 dust Substances 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000003034 coal gas Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000012716 precipitator Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000889 atomisation Methods 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种转炉干法除尘系统的在线建模方法,所述方法包括以下步骤:1)、建立干法除尘系统实时运行数据库;2)以干法除尘系统实时过程运行数据集合为基础,建立离散的支持向量回归机预测模型;3)将每个粒子的位子向量依次作为支持向量回归机的核函数参数,按式(5)计算其适应度值,如果达到最大迭代次数,则转向步骤6);4)利用式(5)计算各粒子的当前适应度值,比较各粒子当前适应度值与其本身最好适应度值,若前者优于后者,则设置为新值;再比较各粒子的当前适应度值与群的最优适应度值,若前者优于后者,则设置为新值;5)粒子的位置和权值的更新:将粒子按下式更新,整个技术方案设计巧妙,克服了现有技术中存在的缺陷,提高了控制精度。
Description
技术领域
本发明涉及一种建设模方法,具体涉及一种转炉干法除尘系统的在线建模方法。
背景技术
转炉煤气干法净化回收技术目前已广泛应用于大型转炉炼钢工艺,与湿法净化回收技术相比,它具有回收煤气量大、除尘效率高、环境污染小、节能效果明显、经济和社会效益显著等特点,因此具有广阔的应用发展前景。为了满足我国社会和经济可持续发展对节能环保提出的要求,此项技术已被列为钢铁行业重点推广技术。干法除尘的核心是除尘系统的烟气温度和湿度控制,如果蒸发冷却器出口烟气温度太高,粉尘比电阻升高,直接影响到电除尘器的除尘效率;如果蒸发冷却器出口温度太低,在捕集粗颗粒粉尘的同时容易产生湿底、挂壁现象,增大蒸发冷却器输灰系统维护量,严重时影响转炉生产,且温度太低的烟气进入静电除尘器会引起结露,结露就会引起壳体腐蚀或高压爬电;蒸发冷却器的温度控制系统不仅关系到转炉一次除尘效果同时也关系到转炉正常生产的顺利进行。干法除尘系统采用双流喷嘴喷水雾化方式来给烟气降温;在干法除尘的控制过程中,目前现场大多采用串级的PID控制,但是控制效果并不理想,考虑到转炉烟气干法除尘系统大惯性、纯滞后、非线性、时变性的特点,能否快速准确地模拟和预测出除尘系统的运行工况,是对除尘系统温度和湿度进行准确控制的关键,普通的预测控制方法很难满足控制要求。因此,迫切的需要一种新的方案解决上述技术问题。
实用新型内容
为了解决上述存在的问题,本发明公开了一种转炉干法除尘系统的在线建模方法,该方法克服了现有技术中存在的问题,提高了控制精度,控制效果非常理想。
为了实现上述目的,本发明的技术方案如下,一种转炉干法除尘系统的在线建模方法,其特征在于,所述方法包括以下步骤:1)、建立干法除尘系统实时运行数据库,建立系统的输入输出过程模型;2)以干法除尘系统实时过程运行数据集合为基础,建立离散的支持向量回归机预测模型:
其中:y(k)为系统输出,u(k)为系统输入,f(·)为具有类似SVR结构的非线性函数,SVR的形式为其中,(ai和为拉格朗日乘子,K(xi,x)为径向基核函数);n和m为输出信号和控制信号对控制系统输出的最大影响时域长度,s.t.umin<u<umax为控制量输出范围。将其改写为如下的SVR形式:
其中:ym(k+1)为k+1步模型预测输出;nsv为支持向量的个数;Ii为第i个支持向量,b为偏移量,IiI(k)为两个向量的内积,I(k)表示为
I(k)=[y(k),y(k-1),…y(k-n+1),u(k),u(k-1),…,u(k-m+1)] (3)
将式(3)代入式(2)得如下式所示的形式:
ym(k+1)=Au2(k)+Bu(k)+C (4)
系数A,B,C均由上述计算获得;
步骤2)采用简化粒子群算法对模型参数γ进行实时优化,具体方法如下:
21)粒子群的初始化,本发明中采用全零初始化。
22)确定目标函数,一般情况下,要快速跟踪给定轨迹并且超调量尽可能小,控制量尽可能平滑,可以采用式(5)二次目标函数;
式中:yi,p(k+j)=yi,m(k+j)+ei(k)
ei(k)=yi(k)-yi,m
f,g为输入输出维数,p为预测时域,qi为误差系数,ri为控制系数,yi,d控制参考轨,yi,m模型预测值有预测模型求得,yi,p误差修正后的预测值,ei预测误差;
3)将每个粒子的位子向量依次作为支持向量回归机的核函数参数γ,按式(5)计算其适应度值,如果达到最大迭代次数MaxDT,则转向步骤6);
4)利用式(5)计算各粒子的当前适应度值,比较各粒子当前适应度值与其本身最好适应度值p0,若前者优于后者,则p0设置为新值;再比较各粒子的当前适应度值与群的最优适应度值pg,若前者优于后者,则pg设置为新值;
5)粒子的位置和权值的更新:将粒子按下式更新,
w=wmax-(wmax-wmin)*t/(MaxDT)^2 (6)
其中:下标t表示粒子进化的当前次数,w表示惯性权值,wmax和wmin为最大权值和最小权值,粒子群进化的最大迭代次数MaxDT,为第t+1次迭代时第i个粒子在第d维的位子,c1和c2为学习因子,r1和r2为介于(0,1)间的随机数,p0为粒子搜索的当前最优粒子的适应度值,pg为粒子搜索的全局最优粒子的适应度值;
6)判断粒子的更新次数是否达到最大迭代次数MaxDT,若满足则算法终止,此时粒子的最优适应度值为pg,并输出该粒子的位置向量,该粒子的位子向量即为SVR参数γ的最佳值,否则转至步骤2)所述。
作为本发明的一种改建,所述步骤1)中,建立干法除尘系统实时运行数据库,具体如下,实时运行数据库包括系统的实时输入数据和实时输出数据,输入数据包括蒸发冷却器入口温度X1、烟气流量X2、喷枪内蒸汽压力X3、双流喷嘴阀门的开度X4,输出数据包括蒸发冷却器的出口温度Y1、出口湿度Y2、电除尘器的入口温度Y3、入口湿度Y4。通过SCADA系统采集N组实时过程运行数据,将采集的实时过程运行数据作为数据驱动的样本集合,表示为i=1,2,3,4.j=1,2,…N,Xij表示输入变量Xi第j组系统输入数据,Yij表示输出变量Yi第j组系统输出数据;设干法除尘系统有P=4个输入控制量,R=4个输出变量。
相对于现有技术,本发明的优点如下,整个技术方案设计巧妙,克服了现有技术中存在的缺陷,提高了控制精度。
附图说明
图1本发明采用的方法流程图;
图2转炉干法除尘系统的示意图。
图中:1、转炉,2、汽化冷却烟道,3、蒸发冷却器,4、电除尘器,5、主引风机,6、放散烟囱,7、放散侧钟形阀,8、回收侧钟形阀,9、眼睛阀,10、煤气冷去器,11、粗粉尘仓,12、细粉尘仓,13、煤气柜。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和具体实施方式,进一步阐明本发明。
实施例1:本实施例选用一个钢铁厂的转炉干法除尘系统,如图1,建立以该系统的双流喷嘴的阀门开度,蒸汽压力,蒸发冷却器入口温度输入控制变量,以蒸发冷却器出口温度,电除尘器入口温湿度为输出的支持向量回归机的预测模型,选用简化的粒子群算法对核函数的参数进行优化。该除尘系统有P=4个输入变量,R=4个输出变量。
根据干法除尘系统实时运行数据建立系统的支持向量回归机预测模型,具体方法为:
1)建立该干法除尘系统实时运行数据库。实时运行数据库包括系统的实时输入数据和实时输出数据,输入数据包括蒸发冷却器入口温度、烟气流量、喷枪内蒸汽压力、双流喷嘴阀门的开度,输出数据包括蒸发冷却器的出口温度、出口湿度、电除尘器的入口温度、入口湿度。通过SCADA系统采集N组实时过程运行数据,将采集的实时过程运行数据作为数据驱动的样本集合,表示为i=1,2,3,4;j=1,2…,N,Xij表示输入变量Xi第j组系统输入数据,Yij表示输出变量Yi第j组系统输出数据;
2)以干法除尘系统实时运行数据集合为基础,建立离散的支持向量回归机预测模型,
y(k+1)=f(y(k),y(k+1),…y(k-n+1),
u(k),u(k-1),…u(k-m+1)),
s.t.umin<u<umax.
其中:y(k)为系统输出,u(k)为系统输入,f(·)为具有类似SVR结构的非线性函数,SVR的形式为其中,ai和为拉格朗日乘子,K(xi,x)为径向基核函数;n和m为输出信号和控制信号对控制系统输出的最大影响时域长度,s.t.umin<u<umax为控制量输出范围。将其改写为如下的SVR形式:
其中:ym(k+1)为k+1步模型预测输出;nsv为支持向量的个数;Ii为第i个支持向量,ai为Ii对应的权重系数,b为偏移量,IiI(k)为两个向量的内积,I(k)表示为
I(k)=[y(k),y(k-1),…y(k-n+1),u(k),u(k-1),…,u(k-m+1)]
将式(3)代入式(2)得如下式所示的形式:
ym(k+1)=Au2(k)+Bu(k)+C
系数A,B,C均由计算获得。
步骤(2)采用简化的粒子群算法对模型参数γ进行实时优化,具体方法入下:
21)粒子群的初始化,本发明中采用全零初始化。
22)确定目标函数,一般情况下,要快速跟踪给定轨迹并且超调量尽可能小,控制量尽可能平滑,可以采用式(5)二次目标函数;
式中:yi,p(k+j)=yi,m(k+j)+ei(k)
ei(k)=yi(k)-yi,m
f,g为输入输出维数,p为预测时域,qi为误差系数,ri为控制系数,yi,d控制参考轨,yi,m模型预测值有预测模型求得,yi,p误差修正后的预测值,ei预测误差;
3)将每个粒子的位子向量依次作为支持向量回归机的核函数参数γ,按式(5)计算其适应度值,如果达到最大迭代次数,则转向步骤6)。
4)利用式(5)计算各粒子的当前适应度值,比较各粒子当前适应度值与其本身最好适应度值p0,若前者优于后者,则p0设置为新值;再比较各粒子的当前适应度值与群的最优适应度值pg,若前者优于后者,则pg设置为新值。
5)粒子的位置和权值的更新:将粒子按下式更新,
w=wmax-(wmax-wmin)*t/(MaxDT)^2
其中:下标t表示粒子进化的当前次数,w表示惯性权值,wmax和wmin为最大权值和最小权值,示粒子群进化的最大迭代次数MaxDT=30,为第t+1次迭代时第i个粒子在第d维的位子,c1和c2为学习因子c1=c2=1.5,r1和r2为介于(0,1)间的随机数,p0为粒子搜索的当前最优位子的适应度值,pg为粒子搜索的全局最优位子适应度值。
6)判断粒子的更新次数是否达到最大迭代次数MaxDT=30,若满足则算法终止,此时粒子的最优适应度值为pg,并输出该粒子的位置向量,该粒子的位子向量即为SVR参数γ的最佳值,否则转至步骤2)所述。
需要说明的是,上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述技术方案的基础上作出的等同替换或者替代,均属于本发明的保护范围。
Claims (2)
1.一种转炉干法除尘系统的在线建模方法,其特征在于,所述方法包括以下步骤:1)建立干法除尘系统实时运行数据库,建立系统的输入输出过程模型;2)以干法除尘系统实时过程运行数据集合为基础,建立离散的支持向量回归机预测模型:
y(k+1)=f(y(k),y(k-1),…y(k-n+1),
u(k),u(k-1),…u(k-m+1)),
s.t.umin<u<umax (1)
其中:y(k)为系统输出,u(k)为系统输入,f(·)为具有类似SVR结构的非线性函数,SVR的形式为其中,ai和为拉格朗日乘子,K(xi,x)为径向基核函数;n和m为输出信号和控制信号对控制系统输出的最大影响时域长度,s.t.umin<u<umax为控制量输出范围;将其改写为如下的SVR形式:
其中:ym(k+1)为k+1步模型预测输出;nsv为支持向量的个数;Ii为第i个支持向量,b为偏移量,IiI(k)为两个向量的内积,I(k)表示为
I(k)=[y(k),y(k-1),…y(k-n+1),u(k),u(k-1),…,u(k-m+1)] (3)
将式(3)代入式(2)得如下式所示的形式:
ym(k+1)=Au2(k)+Bu(k)+C (4)
系数A,B,C均由上述计算获得;
采用简化粒子群算法对模型参数γ进行实时优化,具体方法如下:
21)粒子群的初始化,本发明中采用全零初始化;
22)确定目标函数,要快速跟踪给定轨迹并且超调量尽可能小,控制量尽可能平滑,可以采用式(5)二次目标函数;
式中:yi,p(k+j)=yi,m(k+j)+ei(k)
ei(k)=yi(k)-yi,m
f,g为输入输出维数,p为预测时域,qi为误差系数,ri为控制系数,yi,d控制参考轨,yi,m模型预测值有预测模型求得,yi,p误差修正后的预测值,ei预测误差;
3)将每个粒子的位子向量依次作为支持向量回归机的模型参数γ,按式(5)计算其适应度值,如果达到最大迭代次数MaxDT,则转向步骤6);
4)利用式(5)计算各粒子的当前适应度值,比较各粒子当前适应度值与其本身最好适应度值p0,若前者优于后者,则p0设置为新值;再比较各粒子的当前适应度值与群的最优适应度值pg,若前者优于后者,则pg设置为新值;
5)粒子的位置和权值的更新:将粒子按下式更新,
w=wmax-(wmax-wmin)*t/(MaxDT)^2 (6)
其中:下标t表示粒子进化的当前次数,w表示惯性权值,wmax和wmin为最大权值和最小权值,粒子群进化的最大迭代次数MaxDT,为第t+1次迭代时第i个粒子在第d维的位子,c1和c2为学习因子,r1和r2为介于(0,1)间的随机数,p0为粒子搜索的当前最优粒子的适应度值,pg为粒子搜索的全局最优粒子的适应度值;
6)判断粒子的更新次数是否达到最大迭代次数MaxDT,若满足则算法终止,此时粒子的最优适应度值为pg,并输出该粒子的位置向量,该粒子的位子向量即为SVR参数γ的最佳值,否则转至步骤2)所述。
2.根据权利要求1所述的转炉干法除尘系统的在线建模方法,其特征在于,所述步骤1)中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065305.XA CN107024861B (zh) | 2016-02-01 | 2016-02-01 | 一种转炉干法除尘系统的在线建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610065305.XA CN107024861B (zh) | 2016-02-01 | 2016-02-01 | 一种转炉干法除尘系统的在线建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107024861A CN107024861A (zh) | 2017-08-08 |
CN107024861B true CN107024861B (zh) | 2020-10-23 |
Family
ID=59524282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610065305.XA Active CN107024861B (zh) | 2016-02-01 | 2016-02-01 | 一种转炉干法除尘系统的在线建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107024861B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416147B (zh) * | 2018-03-13 | 2021-12-03 | 安徽工业大学 | 一种转炉一次除尘og系统参数计算机辅助设计方法 |
CN109225640A (zh) * | 2018-10-15 | 2019-01-18 | 厦门邑通软件科技有限公司 | 一种智慧化电除尘节能方法 |
CN109576435B (zh) * | 2018-12-26 | 2021-05-04 | 西安建筑科技大学 | 一种蒸发冷却器前气化冷却烟道及制造方法 |
CN109765149B (zh) * | 2018-12-27 | 2021-12-03 | 北京英视睿达科技有限公司 | 一种基于总悬浮颗粒物确定降尘量的方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5739412A (en) * | 1980-08-19 | 1982-03-04 | Toshiba Corp | Proportional, integral and differentiating control device of sample value |
CN101492756A (zh) * | 2009-03-03 | 2009-07-29 | 袁长胜 | 转炉煤气全干法净化和余热利用设备及方法 |
CN101763085B (zh) * | 2009-12-29 | 2011-08-31 | 浙江大学 | 农药生产废液焚烧炉炉温最佳化系统及方法 |
CN101763084B (zh) * | 2009-12-29 | 2011-08-31 | 浙江大学 | 农药生产废液焚烧炉化学耗氧量排放最小化系统及方法 |
CN102231057B (zh) * | 2011-03-04 | 2013-08-21 | 江苏大学 | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 |
CN103194553B (zh) * | 2013-04-07 | 2014-11-05 | 昆明理工大学 | 一种基于最小二乘支持向量机的高炉氧气使用量控制方法 |
CN103472727B (zh) * | 2013-09-22 | 2016-08-24 | 浙江大学 | 群智加权的农药焚烧炉有害物排放达标控制系统及方法 |
CN103488209B (zh) * | 2013-09-22 | 2016-02-24 | 浙江大学 | 智能支持向量机的农药废液焚烧炉炉温最佳化系统及方法 |
CN103472865B (zh) * | 2013-09-22 | 2015-09-30 | 浙江大学 | 智能最小二乘的农药废液焚烧炉炉温最佳化系统及方法 |
CN105204333B (zh) * | 2015-08-26 | 2018-01-19 | 东北大学 | 一种提高钢铁企业能源利用率的能耗预测方法 |
CN105274277B (zh) * | 2015-11-25 | 2017-07-11 | 中冶南方工程技术有限公司 | 一种转炉干法除尘抑爆的吹氧控制方法 |
-
2016
- 2016-02-01 CN CN201610065305.XA patent/CN107024861B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107024861A (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107024861B (zh) | 一种转炉干法除尘系统的在线建模方法 | |
Cheng et al. | ThermalNet: A deep reinforcement learning-based combustion optimization system for coal-fired boiler | |
CN102778538B (zh) | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 | |
KR20230079093A (ko) | 용광로의 열 제어를 위한 운전 지침을 제공하는 컴퓨터 시스템 및 방법 | |
CN104765350A (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN109184933B (zh) | 沼气内燃发电机组的协同优化控制方法及系统 | |
CN105298734B (zh) | 一种水轮机调节系统的参数辨识方法 | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN109283958A (zh) | 自适应模糊pid解耦控制的焓差温湿度解耦控制方法 | |
Ma et al. | Model predictive control of building energy systems with balanced model reduction | |
CN107641679B (zh) | 一种转炉湿法除尘节能控制方法 | |
CN109765331A (zh) | 一种基于最小二乘支持向量机的烟气氧含量软测量系统 | |
CN104807039A (zh) | 一种锅炉燃烧优化的变量降维建模方法 | |
Sun et al. | Process knowledge-based random forest regression for model predictive control on a nonlinear production process with multiple working conditions | |
CN105595391A (zh) | 一种关于ctd气流式烘丝机的先进控制方法 | |
Tian et al. | An unsupervised data mining-based framework for evaluation and optimization of operation strategy of HVAC system | |
Wang et al. | Robust monitoring of solvent based carbon capture process using deep learning network based moving horizon estimation | |
Li et al. | HVAC room temperature prediction control based on neural network model | |
Hu et al. | Dynamic modeling framework based on automatic identification of operating conditions for sintering carbon consumption prediction | |
Ito et al. | Multipoint-measurement multipoint-heating greenhouse temperature control with wooden pellet fuel using an adaptive model predictive control approach with a genetic algorithm | |
Wang et al. | A novel prediction model of desulfurization efficiency based on improved FCM-PLS-LSSVM | |
CN102426469A (zh) | 一种涂装车间温湿度解耦时滞控制系统 | |
Liu et al. | Multi‐model predictive control of converter inlet temperature in the process of acid production with flue gas | |
Huang et al. | Multimodel Self-Learning Predictive Control Method With Industrial Application |
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 |