CN107544255B - 一种批次注塑过程的状态补偿模型控制方法 - Google Patents

一种批次注塑过程的状态补偿模型控制方法 Download PDF

Info

Publication number
CN107544255B
CN107544255B CN201710947324.XA CN201710947324A CN107544255B CN 107544255 B CN107544255 B CN 107544255B CN 201710947324 A CN201710947324 A CN 201710947324A CN 107544255 B CN107544255 B CN 107544255B
Authority
CN
China
Prior art keywords
injection molding
time
molding process
moment
batch injection
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
CN201710947324.XA
Other languages
English (en)
Other versions
CN107544255A (zh
Inventor
张日东
靳其兵
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.)
Beijing University of Chemical Technology
Hangzhou Dianzi University
Original Assignee
Beijing University of Chemical Technology
Hangzhou Dianzi 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 Beijing University of Chemical Technology, Hangzhou Dianzi University filed Critical Beijing University of Chemical Technology
Priority to CN201710947324.XA priority Critical patent/CN107544255B/zh
Publication of CN107544255A publication Critical patent/CN107544255A/zh
Application granted granted Critical
Publication of CN107544255B publication Critical patent/CN107544255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种批次注塑过程的状态补偿模型控制方法。本发明在控制器的设计中引入了一个新的误差补偿策略,首先在传统的控制模型中加入时间后向差分算子,然后引入状态模型,选取合适的状态向量,引入跟踪误差,最终获得所需要的控制模型,然后选取合适的对象函数,通过调节控制参数最终得到最优控制律,该方法结合了模型预测控制和迭代学习控制策略的优点,提高了批处理过程中控制策略的整体性能。

Description

一种批次注塑过程的状态补偿模型控制方法
技术领域
本发明属于自动化技术领域,涉及一种批次注塑过程的状态补偿模型控制方法。
背景技术
随着经济的快速发展,对生产产品的批次过程的控制要求越来越严格。随之产生了一些相关的控制理论和应用。如迭代学习控制和模型预测控制。对于迭代学习控制,由于该控制规律是一种事先得到的前馈控制,下一个周期不提供反馈,因此在实际中,这种控制方法不可避免的存在动态扰动,当批处理控制系统采用纯迭代学习控制时,不能保证其控制性能。模型预测控制也是一种有前景的控制方法,它被许多学者在控制系统中用作控制器。虽然已经有这些控制策略,然而由于工业生产过程中存在着不确定性,已有的控制策略仍然有提升的空间。
发明内容
本发明的目的是针对传统迭代学习控制和模型预测控制在批处理过程中存在的超调和振荡的不足之处,提出了一种新的状态补偿模型,并基于此模型设计了新型的控制方法。
本发明在控制器的设计中引入了一个新的误差补偿策略,首先在传统的控制模型中加入时间后向差分算子,然后引入状态模型,选取合适的状态向量,引入跟踪误差,最终获得所需要的控制模型,然后选取合适的对象函数,通过调节控制参数最终得到最优控制律,该方法结合了模型预测控制和迭代学习控制策略的优点,提高了批处理过程中控制策略的整体性能。
本发明的技术方案是通过数据采集、模型建立、预测机理、迭代控制、优化等手段,确立了一种批次过程的新型状态补偿模型控制策略,改善了系统整体的控制性能。
本发明方法的步骤包括:
步骤一.设计批次过程的新型状态控制模型。具体方法是:
1.1给传统的批次过程状态表达式添加时间后向差分算子
F(qt -1ty(t,k)=H(qt -1tu(t,k)
其中,y(t,k)和u(t,k)是批处理过程第k个周期t时刻的输出和出入。qt -1是单位时间后移算子,Δt是时间后向差分算子,F(qt -1),H(qt -1)的形式如下:
F(qt -1)=1+f1qt -1+f2qt -2+…+fmqt -m
H(qt -1)=h1qt -1+h2qt -2+…+hnqt -n
f1,f2…fm,h1,h2…hn分别是F(qt -1)和H(qt -1)的对应系数。m和n分别是输入和输出模型的最大阶次。
1.2选择状态向量
xm(t,k)=[Δty(t,k),Δty(t-1,k),…,Δty(t-m+1,k),
Δtu(t-1,k),Δtu(t-2,k),…,Δtu(t-n+1,k)]T获得新型的状态补偿模型
xm(t+1,k)=Amxm(t,k)+BmΔtu(t,k);Δty(t+1,k)=Cmxm(t+1,k)其中
Figure GDA0002614052070000021
Bm=[h1 0 0 … 1 0 … 0]T
Cm=[1 0 0 … 0 0 0 0]
y(t,k),y(t-1,k)…y(t-m+1,k)分别为批处理过程第k个周期t时刻,t-1时刻,…,t-m+1时刻的输出。u(t,k),u(t-1,k)…u(t-n+1,k)分别为批处理过程第k个周期t时刻,t-1时刻,…,t-n+1时刻的输入。xm(t,k)为批处理过程第k个周期t时刻的状态向量。xm(t+1,k)为批处理过程第k个周期t+1时刻的状态向量。
1.3挑选参考轨迹yr(t,k)
yr(t+i,k)=αiy(t,k)+(1-αi)c(t+i)
其中,y(t,k)是第k个周期t时刻的实际输出值,c(t+i)是设置点,αi是参考轨迹的平滑因子,yr(t+i,k)是第k个周期第t+i时刻的预测输出值。
1.4将跟踪误差表示为
et(t,k)=y(t,k)-yr(t,k)
其中,et(t,k)表示第k个周期t时刻的时间上的跟踪误差,y(t,k)为批处理过程第k个周期t时刻输出的实际值,yr(t,k)为批处理过程第k个周期t时刻输出的预测值。
步骤二.引入新的状态补偿模型,结合状态变量和跟踪误差设计新的状态补偿模型控制器。
2.1根据步骤1.2和1.4,可以得到批次过程第k个周期的t+1时刻的时间上的跟踪误差为
et(t+1,k)=et(t,k)+CmAmxm(t,k)+CmBmΔtu(t,k)-Δtyr(t+1,k)2.2上述步骤1.2的状态向量扩展为
Figure GDA0002614052070000031
2.3根据以上公式,得到相关状态补偿模型
x(t+1,k)=Ax(t,k)+BΔtu(t,k)+CΔtyr(t+1,k)
其中
Figure GDA0002614052070000032
其中,A和C中的0是对应维数的零向量。
2.4根据步骤2.3,得到状态预测值
Figure GDA0002614052070000036
式中
Figure GDA0002614052070000033
Figure GDA0002614052070000034
Figure GDA0002614052070000035
Figure GDA0002614052070000041
其中,P,M分别预测时域和控制时域。
x(t+1,k),x(t+2,k)…x(t+P,k)分别为批处理过程第k个周期t+1时刻,t+2时刻,…t+P时刻的状态值。yr(t+1,k),yr(t+2,k)…yr(t+P,k)分别为批处理过程第k个周期t+1时刻,t+2时刻,…t+P时刻的预测输出值。u(t+1,k),u(t+2,k)…u(t+M-1,k)分别为批处理过程第k个周期t+1时刻,t+2时刻,…t+M-1时刻的输入值。
2.5引入周期的跟踪误差来修正跟踪误差的预测值
Xm(k)=X(k)+Ec(k-1)
式中,Xm(k)是修改后的状态预测向量,Ec(k-1)是周期上的跟踪误差。
Figure GDA0002614052070000042
Figure GDA0002614052070000043
其中,ec(t+i,k-1)是批处理过程第k-1个周期t+i时刻的周期上的跟踪误差,其中的0是对应维数的零向量。xm(t+1,k),xm(t+2,k)…xm(t+P,k)分别为批处理过程第k个周期t+1时刻,t+2时刻,…t+P时刻修改后的状态值。ec(t+1,k-1),ec(t+2,k-1)…ec(t+P,k-1)分别为批处理过程第k-1个周期t+1时刻,t+2时刻,…t+P时刻的周期上的跟踪误差。ec(t+i,k-1)表示批处理过程第k-1个周期t+i时刻的周期上的跟踪误差。
2.6选定提出的批处理状态补偿模型控制策略的对象函数。
Figure GDA0002614052070000044
其中,γ(i),λ(j),β(j)是对应的加权矩阵,Δk是周期后向差分算子,min J是对象函数的最小值。xm(t+i,k)为批处理过程第k个周期t+i时刻修改后的状态值。u(t+j-1,k)批处理过程第k个周期t+j-1时刻的输入值。
2.7简单起见,上式的对象函数重写为
min J=γXm(k)2+λΔtU(k)2+β(U1(k)+φΔtU(k)
-U2(k-1))2
其中
Figure GDA0002614052070000051
Figure GDA0002614052070000052
Figure GDA0002614052070000053
2.8得到最优控制律
Figure GDA0002614052070000054
本发明提出了一种基于新型状态补偿模型控制方法。该方法通过采集批次过程数据建立过程的输入输出模型,设计了一种新型的批处理状态补偿模型控制器,改进了传统控制器存在的超调和振荡的不足,有效地提升了控制器的整体性能,改善了控制效果。
具体实施方式
以批次注塑过程为例:批次注塑过程是一个典型的周期性过程,通过控制保压阶段的设定值来保证注塑过程的产品质量。
步骤1.建立批次注塑过程的新型状态控制模型,具体步骤为
1.1假设批次注塑过程的简化单输入单输出系统模型为
F(qt -1)y(t,k)=H(qt -1)u(t,k)
给上述控制系统添加时间后向差分算子Δt,系统方程变为
F(qt -1ty(t,k)=H(qt -1tu(t,k)
式中,y(t,k)和u(t,k)是第k个周期t时刻的保压压力和阀门开度。qt -1是单位时间后移算子,F(qt -1),H(qt -1)的形式如下:
F(qt -1)=1+f1qt -1+f2qt -2+…+fmqt -m
H(qt -1)=h1qt -1+h2qt -2+…+hnqt -n
f1,f2…fm,h1,h2…hn分别是F(qt -1)和H(qt -1)的对应系数。m和n分别是输入和输出模型的最大阶次。
1.2选择状态向量为
Figure GDA0002614052070000061
然后
可以获得新型的状态补偿模型。
xm(t+1,k)=Amxm(t,k)+BmΔtu(t,k);Δty(t+1,k)=Cmxm(t+1,k)
其中
Figure GDA0002614052070000062
Bm=[h1 0 0 … 1 0… 0]T
Cm=[1 0 0 … 0 0 0 0]
y(t,k),y(t-1,k)…y(t-m+1,k)分别为批次注塑过程第k个周期,t时刻,t-1时刻,…,t-m+1时刻的输出。u(t,k),u(t-1,k)…u(t-n+1,k)分别为批批次注塑过程第k个周期,t时刻,t-1时刻,…,t-n+1时刻的输入。xm(t,k)为批次注塑过程第k个周期t时刻的状态向量。xm(t+1,k)为批次注塑过程第k个周期t+1时刻的状态向量。
1.3批次注塑过程保压压力与相应值之间的模型为
yr(t+i,k)=αiy(t,k)+(1-αi)c(t+i)
其中,y(t,k)是批次注塑过程第k个周期的t时刻的保压压力值,c(t+i)是批次注塑过程t+i时刻保压压力的设置值,αi是参考轨迹的平滑因子,yr(t+i,k)是批次注塑过程第k个周期t+i时刻的预测输出值。
1.4第k个周期的t时刻的跟踪误差为
et(t,k)=y(t,k)-yr(t,k)
其中,y(t,k)为批次注塑过程第k个周期的t时刻保压压力的实际值,yr(t,k)为批次注塑过程第k个周期的t时刻保压压力的预测值。et(t,k)表示批次注塑过程第k个周期t时刻的跟踪误差。
步骤2.引入新的状态补偿模型,结合状态变量和跟踪误差设计新的模型结构控制器。
2.1根据步骤1.2和1.4,可以得到批次注塑过程第k个周期的t+1时刻的跟踪误差为
et(t+1,k)=et(t,k)+CmAmxm(t,k)+CmBmΔtu(t,k)
tyr(t+1,k)
2.2对步骤1.2的状态向量进行扩展
Figure GDA0002614052070000071
2.3获得相关的状态补偿模型
x(t+1,k)=Ax(t,k)+BΔtu(t,k)+CΔtyr(t+1,k)
其中
Figure GDA0002614052070000072
2.4基于步骤2.3,可以得到批次注塑过程的状态预测方程
Figure GDA0002614052070000073
式中
Figure GDA0002614052070000074
Figure GDA0002614052070000075
Figure GDA0002614052070000076
Figure GDA0002614052070000081
其中,P,M分别预测时域和控制时域。x(t+1,k),x(t+2,k)…x(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻的状态值。yr(t+1,k),yr(t+2,k)…yr(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻的预测输出值。u(t+1,k),u(t+2,k)…u(t+M-1,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+M-1时刻的输入值。
2.5引入周期跟踪误差来修正跟踪误差的预测值。
Xm(k)=X(k)+Ec(k-1)
式中,Xm(k)是修改后的状态预测向量,Ec(k-1)是周期上的跟踪误差。
Figure GDA0002614052070000082
Figure GDA0002614052070000083
其中,ec(t+i,k-1)是批次注塑过程第k-1个周期t+i时刻的周期上的跟踪误差,其中的0是对应维数的零向量。xm(t+1,k),xm(t+2,k)…xm(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻修改后的状态值。ec(t+1,k-1),ec(t+2,k-1)…ec(t+P,k-1)分别为批次注塑过程第k-1个周期t+1时刻,t+2时刻,…t+P时刻的周期上的跟踪误差。ec(t+i,k-1)表示批次注塑过程第k-1个周期t+i时刻的周期上的跟踪误差。
2.6选择提出的批处理状态补偿模型控制策略的对象函数
Figure GDA0002614052070000084
其中,γ(i),λ(j),β(j)是对应的加权矩阵,Δk是周期后向差分算子,min J是对象函数的最小值。xm(t+i,k)为批次注塑过程第k个周期t+i时刻修改后的状态值。u(t+j-1,k)批次注塑过程第k个周期t+j-1时刻的输入值。
2.7简单起见,上式的对象函数重写为
min J=γXm(k)2+λΔtU(k)2+β(U1(k)+φΔtU(k)
-U2(k-1))2
其中
Figure GDA0002614052070000091
Figure GDA0002614052070000092
Figure GDA0002614052070000093
2.8得到最优的控制律
Figure GDA0002614052070000094

Claims (1)

1.一种批次注塑过程的状态补偿模型控制方法,其特征在于该方法具体是:
步骤一.设计批次注塑过程的新型状态控制模型,具体是:
1.1给传统的批次注塑过程状态表达式添加时间后向差分算子
F(qt -1ty(t,k)=H(qt -1tu(t,k)
其中,y(t,k)和u(t,k)是批次注塑过程第k个周期t时刻的保压压力和阀门开度;qt -1是单位时间后移算子,Δt是时间后向差分算子,F(qt -1),H(qt -1)的形式如下:
F(qt -1)=1+f1qt -1+f2qt -2+…+fmqt -m
H(qt -1)=h1qt -1+h2qt -2+…+hnqt -n
f1,f2…fm,h1,h2…hn分别是F(qt -1)和H(qt -1)的对应系数;m和n分别是输入和输出模型的最大阶次;
1.2选择状态向量
xm(t,k)=[Δty(t,k),Δty(t-1,k),…,Δty(t-m+1,k),Δtu(t-1,k),Δtu(t-2,k),…,Δtu(t-n+1,k)]T
获得新型的状态补偿模型
xm(t+1,k)=Amxm(t,k)+BmΔtu(t,k);Δty(t+1,k)=Cmxm(t+1,k)
其中
Figure FDA0002614052060000011
Bm=[h1 0 0…1 0… 0]T
Cm=[1 0 0…0 0 0 0]
y(t,k),y(t-1,k)…y(t-m+1,k)分别为批次注塑过程第k个周期t时刻,t-1时刻,…,t-m+1时刻的输出;u(t,k),u(t-1,k)…u(t-n+1,k)分别为批次注塑过程第k个周期t时刻,t-1时刻,…,t-n+1时刻的输入;xm(t,k)为批次注塑过程第k个周期t时刻的状态向量;xm(t+1,k)为批次注塑过程第k个周期t+1时刻的状态向量;
1.3挑选参考轨迹yr(t,k)
yr(t+i,k)=αiy(t,k)+(1-αi)c(t+i)
其中,y(t,k)是第k个周期t时刻的保压压力,c(t+i)是设置点,αi是参考轨迹的平滑因子,yr(t+i,k)是第k个周期第t+i时刻的预测输出值;
1.4将跟踪误差表示为
et(t,k)=y(t,k)-yr(t,k)
其中,et(t,k)表示第k个周期t时刻的时间上的跟踪误差,y(t,k)为批次注塑过程第k个周期t时刻保压压力的实际值,yr(t,k)为批次注塑过程第k个周期t时刻保压压力的预测值;
步骤二.引入新的状态补偿模型,结合状态变量和跟踪误差设计新的状态补偿模型控制器;
2.1根据步骤1.2、1.4得到批次注塑过程第k个周期的t+1时刻的时间上的跟踪误差为
et(t+1,k)=et(t,k)+CmAmxm(t,k)+CmBmΔtu(t,k)-Δtyr(t+1,k) ;
2.2上述步骤1.2的状态向量扩展为
Figure FDA0002614052060000021
2.3得到相关状态补偿模型
x(t+1,k)=Ax(t,k)+BΔtu(t,k)+CΔtyr(t+1,k)
其中
Figure FDA0002614052060000031
A和C中的0是对应维数的零向量;
2.4根据步骤2.3,得到状态预测值
Figure FDA0002614052060000032
式中
Figure FDA0002614052060000033
Figure FDA0002614052060000034
Figure FDA0002614052060000035
Figure FDA0002614052060000036
其中,P,M分别预测时域和控制时域;x(t+1,k),x(t+2,k)…x(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻的状态值;yr(t+1,k),yr(t+2,k)…yr(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻的预测输出值;u(t+1,k),u(t+2,k)…u(t+M-1,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+M-1时刻的输入值;
2.5引入周期的跟踪误差来修正跟踪误差的预测值
Xm(k)=X(k)+Ec(k-1)
式中,Xm(k)是修改后的状态预测向量,Ec(k-1)是周期上的跟踪误差;
Figure FDA0002614052060000041
Figure FDA0002614052060000042
其中,ec(t+i,k-1)是批次注塑过程第k-1个周期t+i时刻的周期上的跟踪误差,其中的0是对应维数的零向量;xm(t+1,k),xm(t+2,k)…xm(t+P,k)分别为批次注塑过程第k个周期t+1时刻,t+2时刻,…t+P时刻修改后的状态值;ec(t+1,k-1),ec(t+2,k-1)…ec(t+P,k-1)分别为批次注塑过程第k-1个周期t+1时刻,t+2时刻,…t+P时刻的周期上的跟踪误差;ec(t+i,k-1)表示次注塑过程第k-1个周期t+i时刻的周期上的跟踪误差;
2.6选定提出的批次注塑状态补偿模型控制策略的对象函数;
Figure FDA0002614052060000043
其中,γ(i),λ(j),β(j)是对应的加权矩阵,Δk是周期后向差分算子,min J是对象函数的最小值;xm(t+i,k)为批次注塑过程第k个周期t+i时刻修改后的状态值;u(t+j-1,k)批次注塑过程第k个周期t+j-1时刻的输入值;
2.7简化后,上式的对象函数重写为
min J=γXm(k)2+λΔtU(k)2+β(U1(k)+φΔtU(k)-U2(k-1))2
其中
Figure FDA0002614052060000051
Figure FDA0002614052060000052
Figure FDA0002614052060000053
2.8得到最优控制律
Figure FDA0002614052060000054
CN201710947324.XA 2017-10-12 2017-10-12 一种批次注塑过程的状态补偿模型控制方法 Active CN107544255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710947324.XA CN107544255B (zh) 2017-10-12 2017-10-12 一种批次注塑过程的状态补偿模型控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710947324.XA CN107544255B (zh) 2017-10-12 2017-10-12 一种批次注塑过程的状态补偿模型控制方法

Publications (2)

Publication Number Publication Date
CN107544255A CN107544255A (zh) 2018-01-05
CN107544255B true CN107544255B (zh) 2020-10-02

Family

ID=60967094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710947324.XA Active CN107544255B (zh) 2017-10-12 2017-10-12 一种批次注塑过程的状态补偿模型控制方法

Country Status (1)

Country Link
CN (1) CN107544255B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388112B (zh) * 2018-02-02 2021-02-05 杭州电子科技大学 一种批次过程二维模型预测控制方法
CN108388111B (zh) * 2018-02-02 2020-07-10 杭州电子科技大学 一种批次过程二维预测函数控制方法
CN108628173A (zh) * 2018-06-28 2018-10-09 杭州电子科技大学 一种化工批次时滞过程鲁棒迭代学习控制方法
CN108873699B (zh) * 2018-07-11 2021-02-09 杭州电子科技大学 一种化工时变工业过程混合控制方法
CN109212971B (zh) * 2018-10-11 2022-02-18 海南师范大学 多阶段间歇过程2d线性二次跟踪容错控制方法
CN109719915A (zh) * 2018-12-20 2019-05-07 山东科技大学 一种t-s模糊模型及在注塑过程控制中的应用

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8295951B2 (en) * 2007-12-21 2012-10-23 The University Of Florida Research Foundation, Inc. Systems and methods for offset-free model predictive control
JP4911055B2 (ja) * 2008-02-05 2012-04-04 富士電機株式会社 バッチプロセスデータの解析装置およびそれを用いた異常検出/品質推定装置
CN105353619B (zh) * 2015-11-26 2018-12-21 杭州电子科技大学 一种批次注塑过程的滚动时域跟踪控制方法
CN105334751B (zh) * 2015-11-26 2017-12-05 杭州电子科技大学 一种批次注塑过程的稳定控制器设计方法
CN107168293B (zh) * 2017-06-23 2019-04-12 杭州电子科技大学 一种批次化工过程的模型预测跟踪控制方法
CN108388112B (zh) * 2018-02-02 2021-02-05 杭州电子科技大学 一种批次过程二维模型预测控制方法

Also Published As

Publication number Publication date
CN107544255A (zh) 2018-01-05

Similar Documents

Publication Publication Date Title
CN107544255B (zh) 一种批次注塑过程的状态补偿模型控制方法
CN107168293B (zh) 一种批次化工过程的模型预测跟踪控制方法
CN107966902A (zh) 一种不确定性间歇过程的约束2d跟踪控制方法
CN111123871B (zh) 针对化工过程遗传算法优化的预测函数控制方法
CN107765549A (zh) 一种批次工业过程的新型迭代学习控制方法
CN112859604B (zh) 一种针对未知动态注塑成型过程的二维数据驱动最优跟踪控制方法
CN109976150B (zh) 一类欠驱动多输入多输出系统的集中式自抗扰控制方法
CN105388764A (zh) 基于动态矩阵前馈预测的电液伺服pid控制方法及系统
CN105807615A (zh) 模糊前馈反馈控制器
CN110554715A (zh) 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法
CN108388112B (zh) 一种批次过程二维模型预测控制方法
CN106094524A (zh) 基于输入趋势补偿的快速模型预测控制方法
CN110597055B (zh) 抗不确定性的2d分段仿射间歇过程最小-最大优化的预测控制方法
Liu et al. A review of decoupling control based on multiple models
CN113741182B (zh) 一种基于广义值迭代的污水处理过程控制方法
CN108388111B (zh) 一种批次过程二维预测函数控制方法
CN108803315B (zh) 一种化工间歇过程的智能跟踪控制方法
CN108829058B (zh) 一种化工批次过程模糊迭代学习控制方法
CN108445754B (zh) 单调整系数预测函数控制设计方法
CN106610588B (zh) 一种串级预测控制系统及方法
Casaverde et al. A simulation study of the performance of GPC and PID applied to a binary distillation column
CN108897219B (zh) 一种化工不确定工业过程约束预测控制方法
CN108803314A (zh) 一种化工间歇过程的新型复合跟踪控制方法
CN113568309B (zh) 用于温度场的在线时空控制方法
Rayme et al. Control System based on Reinforcement Learning applied to a Klatt-Engell Reactor

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