CN107870565A - 一种基于过程神经网络的加热炉温度的计算机控制方法 - Google Patents
一种基于过程神经网络的加热炉温度的计算机控制方法 Download PDFInfo
- Publication number
- CN107870565A CN107870565A CN201711041905.3A CN201711041905A CN107870565A CN 107870565 A CN107870565 A CN 107870565A CN 201711041905 A CN201711041905 A CN 201711041905A CN 107870565 A CN107870565 A CN 107870565A
- Authority
- CN
- China
- Prior art keywords
- furnace
- value
- furnace temp
- kernel
- based methods
- 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.)
- Pending
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
- G05B13/042—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 parameter or coefficient 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
- G05B13/0265—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
- G05B13/027—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 only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
Abstract
本发明公开了一种基于过程神经网络的加热炉温度的计算机控制方法,包括如下步骤:步骤1:建立基于过程神经网络的加热炉温度预测模型;(1)数据采集并拟合;(2)采用三层过程神经网络预测模型预测加热炉温度值;(3)采用梯度下降方法进行学习训练,直至误差函数小于0.5,停止训练;步骤2:将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的第k+1组加热炉温度值得到温度偏差,将该温度偏差通过PID控制器调节,以控制加热炉内温度调节器,调节加热炉内第k+1组实际加热炉温度值,使其与给定的温度值的偏差不超过±1℃。本发明使得加热炉在恒温过程中温度能够稳定控制,使加热炉内的温度值与给定的温度值的偏差不超过±1℃。
Description
技术领域
本发明涉及计算机领域,更具体的是,本发明涉及一种基于过程神经网络的加热炉温度的计算机控制方法。
背景技术
过程神经网络是对传统人工神经网络在时间域上的扩展,其输入和相应的连接权可以是时变函数。因其非线性时变映射能力,过程神经网络用于问题求解无需事先特殊的建模,能够充分反映时变系统中实际存在的时间累积效应,适用于复杂的非线性过程建模。
多温度区电加热炉在科学研究和生产实践的诸多领域中应用广泛,温度控制在冶金、化工、机械、材料等工业中具有举足轻重的作用,提高其温控性能不仅能提高产品质量,而且能节约电能,具有很大的现实意义。现代复杂工业生产过程中,热工对象所普遍存在的强耦合、时变性、大延迟、大惯性、非线性等特性,增加了自动控制系统的设计难度,所以加热炉加热并恒温的过程的精确数学模型是很难建立的,目前加热炉都采用传统的控制方法,但是恒温过程的模型未进行建立,不能很好的保证恒温过程温度的稳定控制。因此,对此类的非线性控制系统来说,控制方案的选择、控制参数的整定以及控制水平的提高是一个值得深入研究的问题。
发明内容
本发明设计开发了一种基于过程神经网络的加热炉温度的计算机控制方法,能够控制加热炉内温度调节器调节加热炉内的温度,使得加热炉在恒温过程中温度能够稳定控制。
本发明提供的技术方案为:
一种基于过程神经网络的加热炉温度的计算机控制方法,包括如下步骤:
步骤1:建立基于过程神经网络的加热炉温度预测模型;
每隔一定时间采集加热炉温度一次,依次对每连续k组加热炉温度值xk,xk-1,xk-2,…x1进行数据拟合,得到时变函数x(t)=at4+bt3+ct2+dt+e,其中拟合系数a,b,c,d,e的值根据实时采集的数据进行多项式拟合得到;
将拟合的实变函数x(t)作为该三层过程神经网络预测模型的输入,该三层过程神经网络预测模型的输出为预测第k+1组加热炉温度值:
其中,为预测的第k+1组加热炉温度值,m为隐含层节点数,vi为隐含层节点到输出节点的连接权值,T为连续采集k组加热炉温度的时间,θi为隐含层神经元阈值,θ为输出层神经元阈值,其为高斯函数,其为相应的连接权函数;
以依次采集到的第k+1组实际温度值xk+1作为期望温度值,采用梯度下降方法,对连接权函数ωi(t),连接权值vi,阈值θi和θ进行学习训练,直至误差函数小于0.5,停止训练,其中,y为训练样本数;
步骤2:将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的第k+1组加热炉温度值得到温度偏差,将该温度偏差通过PID控制器调节,以控制加热炉内温度调节器,调节加热炉内第k+1组实际加热炉温度值,使其与给定的温度值的偏差不超过±1℃。
优选的是,所述步骤1的预测加热炉温度值中,将连续函数采用多项式级数展开为预测第k+1组加热炉温度值为:
其中,ωin,ain∈R为多项式展开系数,根据实时计算的ωi(t)和x(t)计算。
优选的是,所述步骤1的数据采集中,每隔1s采集加热炉温度一次,依次对每连续60组加热炉温度值x60,x59,x58,…x1进行数据拟合。
优选的是,所述隐含节点数m为5。
优选的是,所述隐含层节点到输出节点的连接权值vi的初始值为0.01,隐含层神经元阈值θi的初始值为0.005,输出层神经元阈值θ的初始值为0.02。
优选的是,所述步骤1的采用梯度下降方法中,学习速率为0.06,样本数y为60。
优选的是,所述步骤2中:向PID控制器输入第k+1组预测过程的给定温度和预测温度的偏差e、偏差变化率ec,输出PID的比例系数Kp、比例积分系数Ki和微分系数Kd,比例系数、比例积分系数和微分系数输入PID控制器进行加热炉内温度调节器控制。
优选的是,所述PID控制器的比例系数Kp为1.862,比例积分系数Ki为0,微分系数Kd为0.512。
本发明所述的有益效果为:
本发明所述的一种基于过程神经网络的加热炉温度的计算机控制方法,对依次采集的每连续k组加热炉内温度值进行四次多项式拟合,作为三层过程神经网络预测模型的输入,预测加热炉第k+1组温度值,将给定温度值和所预测的第k+1组温度值进行比较,得到其偏差,对该偏差进行PID控制调节,从而控制温度调节器调节加热炉内的温度,使加热炉内的温度值与给定的温度值的偏差不超过±1℃。
附图说明
图1为本发明中三层过程神经网络预测模型。
图2为基于过程神经网络的加热炉温度的计算机控制方法的过程框图。
图3为本发明中恒温温度值、过程神经网络预测模型预测温度值、调节后加热炉实际温度值曲线对比图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明可以有许多不同的形式实施,而不应该理解为限于再次阐述的实施例,相反,提供这些实施例,使得本公开将是彻底和完整的。
如图1、2所示,本发明提供一种基于过程神经网络的加热炉温度的计算机控制方法,包括如下步骤:
步骤1:建立基于过程神经网络的加热炉温度预测模型;
(1)数据采集并拟合;
每隔一定时间采集加热炉温度一次,依次对每连续k组加热炉温度值xk,xk-1,xk-2,…x1进行数据拟合,得到时变函数x(t)=at4+bt3+ct2+dt+e,其中拟合系数a,b,c,d,e的值根据实时采集的数据进行多项式拟合得到;
(2)采用三层过程神经网络预测模型预测加热炉温度值;
将拟合的实变函数x(t)作为该三层过程神经网络预测模型的输入,该三层过程神经网络预测模型的输出为预测第k+1组加热炉温度值:
将连续函数采用多项式级数展开为预测第k+1组加热炉温度值为:
其中,为预测的第k+1组加热炉温度值,m为隐含层节点数,vi为隐含层节点到输出节点的连接权值,T为连续采集k组加热炉温度的时间,θi为隐含层神经元阈值,θ为输出层神经元阈值,其为高斯函数,其为相应的连接权函数,ωin,ain∈R为多项式展开系数,根据实时计算的ωi(t)和x(t)计算。
(3)以依次采集到的第k+1组实际温度值xk+1作为期望温度值,采用梯度下降方法,对连接权函数ωi(t),连接权值vi,阈值θi和θ进行学习训练,直至误差函数小于0.5,停止训练,其中,y为训练样本数;
步骤2:将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的第k+1组加热炉温度值得到温度偏差,将该温度偏差通过PID控制器调节,以控制加热炉内温度调节器,调节加热炉内第k+1组实际加热炉温度值,使其与给定的温度值的偏差不超过±1℃。
具体包括:向PID控制器输入第k+1组预测过程的给定温度和预测温度的偏差e、偏差变化率ec,输出PID的比例系数Kp、比例积分系数Ki和微分系数Kd,比例系数、比例积分系数和微分系数输入PID控制器进行加热炉内温度调节器控制。
实施例
步骤1:建立基于过程神经网络的加热炉温度预测模型;
(1)数据采集并拟合;
每隔1s采集加热炉温度一次,依次对每连续60组加热炉温度值x60,x59,x58,…x1进行数据拟合,得到时变函数x(t)=at4+bt3+ct2+dt+e,其中拟合系数a,b,c,d,e的值根据实时采集的数据进行多项式拟合得到;
在加热炉恒温300℃的整个过程中任取60秒时间段来进行分析,每隔1秒采集加热炉温度一次,采集到该60秒时间中加热炉温度值60组如下:
将该60秒采集的温度值进行四次多项式拟合,得到时变函数x(t)=0.000001x4-0.0002x3+0.0053x2-0.0748x+301.02。
(2)采用三层过程神经网络预测模型预测加热炉温度值;
将拟合的实变函数x(t)作为该三层过程神经网络预测模型的输入,隐含层节点数为5,该三层过程神经网络预测模型的输出为预测第61组加热炉温度值:
采用计算机计算,将连续函数采用多项式级数展开为预测第61组加热炉温度值为:
其中,为预测的第61组加热炉温度值,5为隐含层节点数,vi为隐含层节点到输出节点的连接权值,60为连续采集60组加热炉温度的时间,θi为隐含层神经元阈值,θ为输出层神经元阈值,其为高斯函数,其为相应的连接权函数,ωin,ain∈R为多项式展开系数,根据实时计算的ωi(t)和x(t)计算;
本实施例中,将前面经过四次多项式拟合得到的时变函数x(t)=0.000001x4-0.0002x3+0.0053x2-0.0748x+301.02作为本发明中三层过程神经网络预测模型的输入,得到第61秒时的加热炉内温度值301.1℃。
(3)以依次采集到的第61组实际温度值x61作为期望温度值,采用梯度下降方法,学习速率为0.06,样本数为60,对连接权函数ωi(t),连接权值vi,阈值θi和θ进行学习训练,直至误差函数小于0.5,停止训练;
本实施例中,经过4分28秒的数据采集和学习训练,误差函数为0.4,小于0.5,停止对对连接权函数ωi(t),连接权值vi,阈值θi和θ的学习训练,由三层过程神经网络预测模型预测出来的加热炉内温度值为300.8℃。
步骤2:将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的61组加热炉温度值得到温度偏差,将该温度偏差通过PID控制器调节,以控制加热炉内温度调节器,调节加热炉内第61组实际加热炉温度值,使其与给定的温度值的偏差不超过±1℃;
具体包括:向PID控制器输入第61组预测过程的给定温度和预测温度的偏差e、偏差变化率ec,输出PID的比例系数Kp、比例积分系数Ki和微分系数Kd,比例系数、比例积分系数和微分系数输入PID控制器进行加热炉内温度调节器控制。本实施例中,所述PID控制器的比例系数Kp为1.862,比例积分系数Ki为0,微分系数Kd为0.512。
本发明中的温度调节器可以为电暖风和电冷风。
本例中加热炉恒温温度值(即给定温度值)为300℃。图3为本发明中给定温度值、过程神经网络预测模型预测温度值、调节后加热炉内实际温度值曲线对比图。从图中可以看出,加热炉实际温度一直保持在给定温度值上下1℃范围,上下波动很小。
其中对于确定的偏差,采用PID控制调节,作为温度调节器的输入,进而调节加热炉温度的方法,属于现有技术,本实施例中不再陈述。
本发明基于基于过程神经网络的加热炉温度的计算机控制方法,其每一个实施步骤都是实时依次实施的,并不以某个特定时间段来确定结果,其最终的结果是保证整个加热炉恒温过程中每一时刻的温度值都紧紧跟随给定温度值即加热炉恒温温度值。
本发明依次对加热炉内温度进行采集,数据拟合,预测,控制,可以保证加热炉内温度紧紧跟随加热炉恒温温度值,保持在恒温温度值上下1℃范围,上下波动小,确保加热炉恒温过程中温度的稳定控制。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,包括如下步骤:
步骤1:建立基于过程神经网络的加热炉温度预测模型;
每隔一定时间采集加热炉温度一次,依次对每连续k组加热炉温度值xk,xk-1,xk-2,…x1进行数据拟合,得到时变函数x(t)=at4+bt3+ct2+dt+e,其中拟合系数a,b,c,d,e的值根据实时采集的数据进行多项式拟合得到;
将拟合的实变函数x(t)作为三层过程神经网络预测模型的输入,该三层过程神经网络预测模型的输出为预测第k+1组加热炉温度值:
其中,为预测的第k+1组加热炉温度值,m为隐含层节点数,vi为隐含层节点到输出节点的连接权值,T为连续采集k组加热炉温度的时间,θi为隐含层神经元阈值,θ为输出层神经元阈值,其为高斯函数,其为相应的连接权函数;
以依次采集到的第k+1组实际温度值xk+1作为期望温度值,采用梯度下降方法,对连接权函数ωi(t),连接权值vi,阈值θi和θ进行学习训练,直至误差函数小于0.5,停止训练,其中,y为训练样本数;
步骤2:将给定的温度值减去步骤1中由三层过程神经网络预测模型预测出来的第k+1组加热炉温度值得到温度偏差,将该温度偏差通过PID控制器调节,以控制加热炉内温度调节器,调节加热炉内第k+1组实际加热炉温度值,使其与给定的温度值的偏差不超过±1℃。
2.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述步骤1的预测加热炉温度值中,将连续函数采用多项式级数展开为预测第k+1组加热炉温度值为:
其中,ωin,ain∈R为多项式展开系数,根据实时计算的ωi(t)和x(t)计算。
3.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述步骤1的数据采集中,每隔1s采集加热炉温度一次,依次对每连续60组加热炉温度值x60,x59,x58,…x1进行数据拟合。
4.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述隐含节点数m为5。
5.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述隐含层节点到输出节点的连接权值vi的初始值为0.01,隐含层神经元阈值θi的初始值为0.005,输出层神经元阈值θ的初始值为0.02。
6.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述步骤1的采用梯度下降方法中,学习速率为0.06,样本数y为60。
7.如权利要求1所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述步骤2中:向PID控制器输入第k+1组预测过程的给定温度和预测温度的偏差e、偏差变化率ec,输出PID的比例系数Kp、比例积分系数Ki和微分系数Kd,比例系数、比例积分系数和微分系数输入PID控制器进行加热炉内温度调节器控制。
8.如权利要求7所述的基于过程神经网络的加热炉温度的计算机控制方法,其特征在于,所述PID控制器的比例系数Kp为1.862,比例积分系数Ki为0,微分系数Kd为0.512。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041905.3A CN107870565A (zh) | 2017-10-30 | 2017-10-30 | 一种基于过程神经网络的加热炉温度的计算机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041905.3A CN107870565A (zh) | 2017-10-30 | 2017-10-30 | 一种基于过程神经网络的加热炉温度的计算机控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107870565A true CN107870565A (zh) | 2018-04-03 |
Family
ID=61752784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041905.3A Pending CN107870565A (zh) | 2017-10-30 | 2017-10-30 | 一种基于过程神经网络的加热炉温度的计算机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107870565A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
CN112904910A (zh) * | 2019-12-04 | 2021-06-04 | 青岛海尔智慧厨房电器有限公司 | 一种烤箱控制系统及其温控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020050015A (ko) * | 2000-12-20 | 2002-06-26 | 김기태 | 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법 |
CN102393770A (zh) * | 2011-11-25 | 2012-03-28 | 任洪娥 | 基于rbf神经网络和pid闭环控制相结合的木材干燥过程中的温度和湿度控制方法 |
CN103197538A (zh) * | 2013-04-24 | 2013-07-10 | 中南林业科技大学 | 一种基于过程神经网络的孵房温度控制方法 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
-
2017
- 2017-10-30 CN CN201711041905.3A patent/CN107870565A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020050015A (ko) * | 2000-12-20 | 2002-06-26 | 김기태 | 급속 열처리 장치에서 최적 학습 제어 기법을 이용한웨이퍼의 온도 균일성 제어 방법 |
CN102393770A (zh) * | 2011-11-25 | 2012-03-28 | 任洪娥 | 基于rbf神经网络和pid闭环控制相结合的木材干燥过程中的温度和湿度控制方法 |
CN103197538A (zh) * | 2013-04-24 | 2013-07-10 | 中南林业科技大学 | 一种基于过程神经网络的孵房温度控制方法 |
CN106292785A (zh) * | 2015-05-18 | 2017-01-04 | 广东兴发铝业有限公司 | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 |
CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110559966A (zh) * | 2019-09-17 | 2019-12-13 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
CN110559966B (zh) * | 2019-09-17 | 2020-06-12 | 台州道致科技股份有限公司 | 一种反应釜多模联合控制方法及系统 |
CN112904910A (zh) * | 2019-12-04 | 2021-06-04 | 青岛海尔智慧厨房电器有限公司 | 一种烤箱控制系统及其温控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187727B (zh) | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 | |
CN102589092B (zh) | 基于新型模糊控制器的室内环境热舒适度控制方法 | |
CN111028893B (zh) | 一种晶体生长预测方法及装置 | |
CN105094177B (zh) | 基于模糊自适应pid控制的高精度恒温控制器及方法 | |
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 | |
CN103197538B (zh) | 一种基于过程神经网络的孵房温度控制方法 | |
CN107464023A (zh) | 生命周期预测模型的在线学习方法和设备 | |
CN105182755B (zh) | 一种工业加热炉系统的分数阶预测函数控制方法 | |
CN110030843B (zh) | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 | |
Shen et al. | Temperature uniformity control of large-scale vertical quench furnaces for aluminum alloy thermal treatment | |
CN107870565A (zh) | 一种基于过程神经网络的加热炉温度的计算机控制方法 | |
CN106292785A (zh) | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 | |
CN107391789A (zh) | 基于自由液面温度测量值和特征函数插值的硅熔体温度场重构方法 | |
CN109062296A (zh) | 一种基于温湿度监控的粮食仓储方法 | |
CN108495941B (zh) | 钢板的温度控制装置及温度控制方法 | |
CN104050380A (zh) | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 | |
EP2690372B1 (en) | Operation of a thermal comfort system | |
CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
CN106842948A (zh) | 基于bp网络的hdp分子蒸馏系统的最优控制方法 | |
CN105955014A (zh) | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 | |
CN115236975A (zh) | 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法 | |
CN113156822B (zh) | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 | |
CN105718757B (zh) | 一种dna扩增过程的数据建模方法 | |
CN107061032A (zh) | 一种发动机运行状态的预测方法及预测系统 | |
Li et al. | Thermal comfort control based on MEC algorithm for HVAC systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |