CN107942678B - 一种无外加测试信号在线闭环建立连续对象模型的方法 - Google Patents
一种无外加测试信号在线闭环建立连续对象模型的方法 Download PDFInfo
- Publication number
- CN107942678B CN107942678B CN201711358715.4A CN201711358715A CN107942678B CN 107942678 B CN107942678 B CN 107942678B CN 201711358715 A CN201711358715 A CN 201711358715A CN 107942678 B CN107942678 B CN 107942678B
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- model
- mixed
- colony house
- 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 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000009395 breeding Methods 0.000 claims abstract description 12
- 230000001488 breeding effect Effects 0.000 claims abstract description 12
- 238000003307 slaughter Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000007418 data mining Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 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
- 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
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)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种无外加测试信号在线闭环建立连续对象模型的方法，属于工业模型控制理论建模领域。本方法首先采集生产过程数据，动态捕捉可行性数据。确定有效的建模数据。根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作。将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内。然后计算代价函数，并进行排序。进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就可以判断搜索动力足不足。与现有技术相比较，本发明无需外加测试信号，通过在线闭环辨识建立模型，对生产无任何影响。基于混合精英圈养优化算法，模型精度大大提高。
Description
技术领域
本发明涉及一种无外加测试信号的在线闭环系统中建立连续对象模型的方法，属于工业模型控制理论建模领域。
背景技术
模型是控制技术有效实施的基础，只有模型准确，控制技术才能发挥实效。目前，系统辨识的大多数方法都是采用开环系统辨识的方法。但在工业现场，开环辨识需要对控制回路进行测试试验，对正常生产影响较大，存在安全隐患问题。闭环辨识对生产影响很小，工厂容易接受，但技术难度较大。不仅受到闭环可辨识性的限制，还要寻找合适的建模数据。工业现场产生的海量过程数据，包含了多种工况、负荷与原料变化情况，从中提取有效数据建立的模型能覆盖全部工况，模型具有更好的适应性与鲁棒性。因此，研发一种免测试的自动建模技术，自动循环实施和进行全局优化的在线建模技术对提升大生产、多回路的控制系统具有重要意义。
针对目前实际工业应用现状，首次独创性地提出了一种无外加测试信号在线闭环建立连续对象模型的方法，不需要外加任何现场测试信号，不取决现场控制器处于闭环或是开环状况，直接基于数据挖掘技术捕捉的智能有效数据库，实现长期直接在线自动辨识闭环系统中的过程对象模型，对生产装置没有任何影响。
发明内容
为了解决闭环建模方法的难题，本发明提出了一种无测试信号下的在线闭环建模方法，在闭环的条件下，自动采集生产过程数据，采用数据挖掘技术直接搜索出有效数据，并基于混合精英圈养优化算法辨识模型参数，在线建立模型，减少对装置稳定生产运行的影响。
本发明采用的技术方案为一种无外加测试信号在线闭环建立连续对象模型的方法，该方法的实现步骤如下：
第一步：采集生产过程数据，动态捕捉可行性数据。
基于OPC数据访问技术，采集现场生产实际数据，形成海量的数据库。从每一个回路形成的数据库内，依据设定值变化量ΔSV最大化原则选取设定值变化前后的一段时间内的生产数据，形成数据集S。在数据集S内根据ΔOP最大化原则选择出可行数据组Ni。数据组Ni为具有模型辨识可能性的时间序列，i表示数据组序列号。
式中，ti为第i个时间节点，ti-1为第i-1个时间节点。
首先以ΔOP为排序依据，从大到小对数据组Ni进行排序，取前k个数据组形成数据集D，k表示数据集D的元素数。对D以ΔPV为排序依据进行从大到小排序，取前l个数据，l表示以ΔPV为排序依据后的数据集D元素数。数据集D如下式：
D＝{(t1,ΔOP1),…,(ti,ΔOPi),…(tl,ΔOPl)} (2)
对于数据集D中的每一个元素(ti,ΔOPi)，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分
以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的前段部分
中间段的数据组构成可行数据集N动态响应部分
可行数据集N及组成部分满足公式：
第二步：确定有效的建模数据。
基于可行性数据集，采用常规模型辨识方法得到回路模型参数，通过计算有效数据信任度确定有效数据集。
给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:
C(f(OP),PV)＝sign(|f(OP)-PV|-ε) (4)
其中，符号函数sign()为：
对于可行数据组Ni，基于不敏感损失函数计算其有效数据信任度函数:
如果可行性数据组Ni的信任度函数P(Ni)≥ξ，0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集。
第三步：性能指标与约束条件
基于有效过程建模数据集，结合生产工艺过程，设定具体的性能指标及约束条件。
选用误差平方和的性能指标：
其中，
为模型计算输出，y(t)为模型实际输出。该性能指标作为混合精英圈养优化算法的代价函数CF。
约束条件为：
第四步：对象模型设定为二阶带纯滞后模型，
纯滞后部分采用二阶不对称Pade近似替代：
r1＝-0.6143,r2＝0.1247,r3＝0.3866
采用带有微分超前环节的PID控制器，其传递函数为
A＝ckcTiTdr2τ2s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckcTdr1τ+dkcTiTdr1τ+ckcTiTd)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd)s2+(dkcr1τ+ckc+dkcTi+ckcTd)s+dkc
B＝(ckcTiTdr2τ2+aTiTfr3τ)s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ+aTir3τ+bTiTfr3τ+aTiTf)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckciTdr1τ+dkcTiTdr1τ+ckcTiTd+TiTfr3τ+aTi+bTiTf)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd+Tir3τ+bTi+TiTf)s2+(dkcr1τ+ckc+dkcTi+ckcTd+Ti)s+dkc
其中a,b,c,d,τ分别为模型参数，s为拉普拉斯算子。
把模型参数a,b,c,d,τ，作为混合精英圈养优化算法的可操作变量OVs。
OVs＝[a,b,c,d,τ]
第五步：初始化。设饲养场圈舍的规模N，自定义新品种更新率Qupdate和迭代次数L。在可操作变量OVs的搜索范围内，随机生成初始圈舍分配情况Population。
第六步：计算饲养场内每个圈舍的代价函数指标CF值，即评价模型参数性能指标。根据CF值对圈舍Population进行排序。
第七步：根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作。此处采用简单易实现的线性混合模型。线性混合模型如下式所示：
其中，αi为入栏率，βi为出栏率。，I和O分别为最大的入栏率和出栏率；其中si是圈舍饲养动物数量，smax为该圈舍容纳的最大动物数量。
第八步：根据各圈舍的出栏入栏率，计算混合饲养之后各圈舍饲养数量存在的概率
其中i为圈舍的编号、n为最大的圈舍数，j为混合圈养的代数。
第九步：根据新品种更新率进行引入新品种操作，新品种更新率
的计算如式(16)所示：
式中，Mupdata代表新品种的更新率，
是j代圈养圈舍里最大的饲养数量。
第十步：将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内。然后计算代价函数，并进行排序。
第十一步：进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就可以判断搜索动力足不足。混合圈养有效果，进行第十二步，混合圈养没有良好效果，直接进行第十三步。
第十二步：根据公式(13)进行人工干预，选取精英个体混合饲养，对该饲养场中最好的圈舍进行特殊改造，提高后代产出新品种的概率，从而提高其跳出局部最优的动力。将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建。
X'＝Xbest+sgn(rand-0.5)*E (17)
其中E是维度与X相同且全为1的单位矩阵。相当于在最好的解决方案上面随机的加或减去一个扰动量，从而增加了圈舍的多样性。
第十三步：判断是否满足结束条件，若不满足，则调到第七步，若满足，则输出模型辨识参数，结束程序。
与现有技术相比较，本发明具有如下有益效果。
无需外加测试信号，通过在线闭环辨识建立模型，对生产无任何影响。基于混合精英圈养优化算法，模型精度大大提高。
附图说明
图1为改变设定值产生的阶跃响应曲线图。
图2为流量回路辨识结果闭环仿真曲线。
图3为流混合精英圈养优化算法流程图。
具体实施方式
针对本发明所提出的方法，下面结合一个实例予以说明。
某化工装置流量回路，根据本发明提出的方法进行无测试信号在线闭环建模。图1为通过数据挖掘技术采集到的一组改变设定值产生的阶跃响应曲线，图1中SP为设定值，PV值为流量测量值。
对象模型设定为二阶带纯滞后模型：
选取公式(6)作为温度回路对象模型参数辨识的代价函数，选取区间[050]作为可操作变量OVs的搜索范围，设定饲养场圈舍的规模N＝200，自定义新品种更新率Qupdate＝0.5和饲养代数L＝50。在可操作变量的搜索范围内，随机生成初始圈舍分配情况Population。
经过混合精英圈养优化算法得到对象模型参数，如表1所示：
| 参数名称 | a | b | c | d | τ |
| 参数值 | 0.00 | 17.15 | 23.39 | 1.36 | 0.13 |
辨识结果仿真曲线见图2：图中SP为设定值，PV为过程输出，OBJ为辨识模型的设定值闭环响应曲线。
Claims (1)
1.一种无外加测试信号在线闭环建立连续对象模型的方法，其特征在于：该方法的实现步骤如下：
第一步：采集生产过程数据，动态捕捉可行性数据；
基于OPC数据访问技术，采集现场生产实际数据，形成海量的数据库；从每一个回路形成的数据库内，依据设定值变化量ΔSV最大化原则选取设定值变化前后的一段时间内的生产数据，形成数据集S；在数据集S内根据ΔOP最大化原则选择出可行数据组Ni；数据组Ni为具有模型辨识可能性的时间序列，i表示数据组序列号；
式中，ti为第i个时间节点，ti-1为第i-1个时间节点；
首先以ΔOP为排序依据，从大到小对数据组Ni进行排序，取前k个数据组形成数据集D，k表示数据集D的元素数；对D以ΔPV为排序依据进行从大到小排序，取前l个数据，l表示以ΔPV为排序依据后的数据集D元素数；数据集D如下式：
D＝{(t1,ΔOP1),…,(ti,ΔOPi),…(tl,ΔOPl)} (2)
对于数据集D中的每一个元素(ti,ΔOPi)，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分
以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的前段部分
中间段的数据组构成可行数据集N动态响应部分
可行数据集N及组成部分满足公式：
第二步：确定有效的建模数据；
基于可行性数据集，采用常规模型辨识方法得到回路模型参数，通过计算有效数据信任度确定有效数据集；
给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:
C(f(OP),PV)＝sign(|f(OP)-PV|-ε) (4)
其中，符号函数sign()为：
对于可行数据组Ni，基于不敏感损失函数计算其有效数据信任度函数:
如果可行性数据组Ni的信任度函数P(Ni)≥ξ，0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集；
第三步：性能指标与约束条件
基于有效过程建模数据集，结合生产工艺过程，设定具体的性能指标及约束条件；
选用误差平方和的性能指标：
其中，
为模型计算输出，y(t)为模型实际输出；该性能指标作为混合精英圈养优化算法的代价函数CF；
约束条件为：
第四步：对象模型设定为二阶带纯滞后模型，
纯滞后部分采用二阶不对称Pade近似替代：
r1＝-0.6143,r2＝0.1247,r3＝0.3866
采用带有微分超前环节的PID控制器，其传递函数为
A＝ckcTiTdr2τ2s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckcTdr1τ+dkcTiTdr1τ+ckcTiTd)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd)s2+(dkcr1τ+ckc+dkcTi+ckcTd)s+dkc
B＝(ckcTiTdr2τ2+aTiTfr3τ)s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ+aTir3τ+bTiTfr3τ+aTiTf)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckciTdr1τ+dkcTiTdr1τ+ckcTiTd+TiTfr3τ+aTi+bTiTf)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd+Tir3τ+bTi+TiTf)s2+(dkcr1τ+ckc+dkcTi+ckcTd+Ti)s+dkc
其中a,b,c,d,τ分别为模型参数，s为拉普拉斯算子；
把模型参数a,b,c,d,τ，作为混合精英圈养优化算法的可操作变量OVs；
OVs＝[a,b,c,d,τ]
第五步：初始化；设饲养场圈舍的规模N，自定义新品种更新率Qupdate和迭代次数L；在可操作变量OVs的搜索范围内，随机生成初始圈舍分配情况Population；
第六步：计算饲养场内每个圈舍的代价函数指标CF值，即评价模型参数性能指标；根据CF值对圈舍Population进行排序；
第七步：根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作；此处采用简单易实现的线性混合模型；线性混合模型如下式所示：
其中，αi为入栏率，βi为出栏率；，I和O分别为最大的入栏率和出栏率；其中si是圈舍饲养动物数量，smax为该圈舍容纳的最大动物数量；
第八步：根据各圈舍的出栏入栏率，计算混合饲养之后各圈舍饲养数量存在的概率
其中i为圈舍的编号、n为最大的圈舍数，j为混合圈养的代数；
第九步：根据新品种更新率进行引入新品种操作，新品种更新率
的计算如式(16)所示：
式中，Mupdata代表新品种的更新率，
是j代圈养圈舍里最大的饲养数量；
第十步：将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内；然后计算代价函数，并进行排序；
第十一步：进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就可以判断搜索动力足不足；混合圈养有效果，进行第十二步，混合圈养没有良好效果，直接进行第十三步；
第十二步：根据公式(13)进行人工干预，选取精英个体混合饲养，对该饲养场中最好的圈舍进行特殊改造，提高后代产出新品种的概率，从而提高其跳出局部最优的动力；将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建；
X'＝Xbest+sgn(rand-0.5)*E (17)
其中E是维度与X相同且全为1的单位矩阵；相当于在最好的解决方案上面随机的加或减去一个扰动量，从而增加了圈舍的多样性；
第十三步：判断是否满足结束条件，若不满足，则调到第七步，若满足，则输出模型辨识参数，结束程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711358715.4A CN107942678B (zh) | 2017-12-17 | 2017-12-17 | 一种无外加测试信号在线闭环建立连续对象模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711358715.4A CN107942678B (zh) | 2017-12-17 | 2017-12-17 | 一种无外加测试信号在线闭环建立连续对象模型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107942678A CN107942678A (zh) | 2018-04-20 |
| CN107942678B true CN107942678B (zh) | 2021-03-02 |
Family
ID=61944491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711358715.4A Active CN107942678B (zh) | 2017-12-17 | 2017-12-17 | 一种无外加测试信号在线闭环建立连续对象模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107942678B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1763774A (zh) * | 2005-11-11 | 2006-04-26 | 杭州电子科技大学 | 一种流程工业可视化生产工艺流程描述的建模方法 |
| CN104732067A (zh) * | 2015-02-26 | 2015-06-24 | 济南大学 | 一种面向流程对象的工业过程建模预测方法 |
| CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
| CN106292289A (zh) * | 2016-09-22 | 2017-01-04 | 北京世纪隆博科技有限责任公司 | 流程工业控制回路对象的混合精英随机搜索优化方法 |
| CN205959054U (zh) * | 2016-08-19 | 2017-02-15 | 北京世纪隆博科技有限责任公司 | 全流程智能控制成套系统 |
-
2017
- 2017-12-17 CN CN201711358715.4A patent/CN107942678B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1763774A (zh) * | 2005-11-11 | 2006-04-26 | 杭州电子科技大学 | 一种流程工业可视化生产工艺流程描述的建模方法 |
| CN104732067A (zh) * | 2015-02-26 | 2015-06-24 | 济南大学 | 一种面向流程对象的工业过程建模预测方法 |
| CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
| CN205959054U (zh) * | 2016-08-19 | 2017-02-15 | 北京世纪隆博科技有限责任公司 | 全流程智能控制成套系统 |
| CN106292289A (zh) * | 2016-09-22 | 2017-01-04 | 北京世纪隆博科技有限责任公司 | 流程工业控制回路对象的混合精英随机搜索优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 流程对象建模方法的研究;王文娜;《中国优秀硕士学位论文全文数据库 信息科技辑（电子期刊）》;20130415(第4期);第I140-408页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107942678A (zh) | 2018-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sokolov et al. | Enhanced process understanding and multivariate prediction of the relationship between cell culture process and monoclonal antibody quality | |
| CN106843172B (zh) | 基于jy-kpls的复杂工业过程在线质量预测方法 | |
| CN108667069B (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN101604409B (zh) | 应用于多重入复杂制造系统的调度方法 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN106026084B (zh) | 一种基于虚拟发电部落的agc功率动态分配方法 | |
| CN107045329A (zh) | 车间性能评价装置、车间性能评价系统及车间性能评价方法 | |
| CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
| CN107545101A (zh) | 一种设计目标与设计变量均为区间的优化设计方法 | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN108089443B (zh) | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 | |
| CN111027760A (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
| CN109460893B (zh) | 一种光伏电站天气类型相关性指标计算方法和系统 | |
| CN107942678B (zh) | 一种无外加测试信号在线闭环建立连续对象模型的方法 | |
| CN108089436B (zh) | 快速无超调智能控制器参数设计方法 | |
| Choon et al. | Identifying gene knockout strategies using a hybrid of bees algorithm and flux balance analysis for in silico optimization of microbial strains | |
| Utama et al. | Explainable artificial intelligence for deep learning-based model predictive controllers | |
| CN105117616A (zh) | 基于粒子群算法的微生物发酵优化方法 | |
| CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
| CN115829099A (zh) | 基于anfis及随机分形搜索算法的黄酒发酵预测方法及系统 | |
| CN104598770B (zh) | 基于人类进化基因表达式编程的麦蚜数量预测方法及系统 | |
| Ramos et al. | Visual supervision of a waste water biological reactor using artificial intelligence algorithms | |
| CN107544578B (zh) | 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法 | |
| CN108646695B (zh) | 一种用于蒸发工序的智能控制方法 |
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 |