CN108563121B - 基于历史数据的微波加热温度场智能监控方法 - Google Patents

基于历史数据的微波加热温度场智能监控方法 Download PDF

Info

Publication number
CN108563121B
CN108563121B CN201810325167.3A CN201810325167A CN108563121B CN 108563121 B CN108563121 B CN 108563121B CN 201810325167 A CN201810325167 A CN 201810325167A CN 108563121 B CN108563121 B CN 108563121B
Authority
CN
China
Prior art keywords
microwave
temperature
heating mode
heating
control strategy
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
CN201810325167.3A
Other languages
English (en)
Other versions
CN108563121A (zh
Inventor
李迎光
周靖
李迪
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810325167.3A priority Critical patent/CN108563121B/zh
Publication of CN108563121A publication Critical patent/CN108563121A/zh
Application granted granted Critical
Publication of CN108563121B publication Critical patent/CN108563121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

一种基于历史数据的微波加热温度场智能监控方法，其特征是基于大量历史数据和深度学习算法建立任意零件任意加热模式与微波控制策略间的关联关系，在微波加热过程中实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并根据对应的控制策略实时调整微波系统参数，对不均匀的温度分布进行精确、智能补偿。本发明从原理上突破了微波不均匀加热的难题，显著提高了被加热对象在微波加热过程中的温度均匀性。

Description

基于历史数据的微波加热温度场智能监控方法
技术领域
本发明涉及一种温度场监控方法，尤其是一种微波加热温度场监控方法，具体地说是一种基于历史数据的微波加热温度场智能监控方法。
背景技术
微波是频率为300M至300GHz的电磁波。微波加热是材料依靠吸收微波能并将其转换成热能，从而使材料整体同时升温的加热方式。由于具有高频特性，微波电磁场以数十亿次/秒的惊人速度进行周期性变化，材料中的极性分子(典型的如水分子、蛋白质、核酸、脂肪、碳水化合物等)在高频电磁场的作用下亦以同样的速度做极性运动，致使分子间频繁碰撞而产生大量摩擦热，从而导致物料在短时间内温度迅速升高。基于上述加热机理，微波加热具有加热速度快、零件厚度方向温度梯度小、选择性加热、易于控制等一系列优点，因此被广泛应用于食品加工、材料处理、化学合成等各大领域。
然而，微波加热技术存在零件同一层材料温度场不均匀的难题。其根本原因在于微波腔体内电磁场呈驻波状态分布。在波腹附近，电场或磁场强度高，零件内部极性分子振动剧烈，升温迅速、温度高，形成局部热点；在波节附近，电场或磁场强度接近于零，零件内部极性分子振动轻微甚至不振动，升温缓慢、温度低，形成局部冷点。温度不均匀分布严重威胁食品加工的卫生安全和零件处理的成型质量。现有方法采用物料旋转托盘和微波模式搅拌器等实现微波场和被加热对象间的随机相对运动来改善温度均匀性。物料旋转托盘使被加热材料依次通过微波腔体内电场(或磁场)强度较高和较低的区域，利用一段时间内零件同一层材料上冷点和热点间的随机抵消效应提高温度均匀性。电磁场模式搅拌器在腔体内微波馈口处设置一系列旋转的金属片，将入射的电磁波动态地分散至腔体内各个区域，利用一段时间内动态电磁场的随机叠加效应改善零件同一层材料的温度均匀性。但物料旋转托盘、电磁场模式搅拌器等手段从原理上属于温度分布随机补偿的方法，从本质上难以实现对微波加热过程中零件同一层材料温度分布的精确控制。
针对上述问题，本发明提供一种基于历史数据的微波加热温度场智能监控方法。该方法基于大量历史数据和深度学习算法建立任意零件任意加热模式与微波控制策略间的关联关系，在微波加热过程中实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并根据对应的控制策略实时调整微波系统参数，对不均匀的温度分布进行精确、智能补偿。本发明从原理上突破了微波不均匀加热的难题，可以对微波加热过程中零件同一层材料上不均匀的温度分布进行精确、智能补偿。
发明内容
本发明的目的是针对目前微波加热存在的零件同一层材料温度场不均匀的问题，发明一种基于历史数据的微波加热温度场智能监控方法，从原理上突破微波不均匀加热的难题。
本发明的技术方案是：
一种基于历史数据的微波加热温度场智能监控方法，其特征在于：采用高阶张量对任意零件的加热模式进行数学表达，基于深度学习算法建立适用于任意零件的加热模式控制策略预测模型，对大量历史数据中与待加热零件相似的零件的加热模式与控制策略间的关联关系进行监督学习，调整模型的网络结构，优化模型的网络参数，实现对该零件任意加热模式对应的控制策略进行准确预测。对零件进行微波加热时，实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的加热模式控制策略预测模型，根据模型输出的控制策略对应地调整微波系统参数，对该零件同一层材料不均匀的温度分布进行主动补偿。同时将微波加热过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对加热模式控制策略预测模型进行训练的基础。
所述任意零件的加热模式主要由零件基本信息和零件温度信息构成，零件基本信息包括零件材料、零件几何形状、零件三维尺寸以及零件在微波腔体中的位置，零件温度信息由零件同一层材料各点处的升温速率构成。
所述的加热模式控制策略主要包括微波源数量、微波源位置、各微波源功率比例、微波频率等加热过程中可实时调整的微波系统参数。
所述的深度学习算法包括误差回传(Error Back Propagation)神经网络算法、卷积神经网络算法、循环神经网络算法、长短时记忆神经网络等，所述模型的网络结构包括网络的隐含层层数、每个隐含层的神经元个数、卷积核数等，所述模型的网络参数包括每个神经元的权值、阈值以及学习率等。
在对零件同一层材料温度均匀性主动补偿的基础上，实时调整微波腔体内的总功率，将功率增量平均分配给当前运行的微波源，在不改变零件同一层材料温度均匀性的条件下使零件平均温度(或最高温度或最低温度)实时跟随设定温度工艺曲线。
本发明的有益效果：
基于大量历史数据和深度学习算法可以建立任意零件任意加热模式与微波控制策略间的关联关系，实现对任意零件微波加热过程中监测到的任意不均匀温度分布进行精确、智能补偿，从原理上突破了微波不均匀加热的难题，显著提高了被加热对象在微波加热过程中的温度均匀性。
具体实施方式
下面结合实施例对本发明作进一步的说明。
本实施例采用短切碳纤维毡/环氧树脂复合材料半圆筒零件(直径300mm，高度300mm，厚度2mm)为加热对象，采用具有16路微波源的八边形高性能工业微波炉为加热装备。采用不同微波源组合作为复合材料零件加热模式的控制策略。不同微波源组合主要包括不同微波源数量或不同微波源分布位置等信息，可描述为下式：
U＝[δ1,δ2,…,δl]
其中，U为复合材料零件加热模式的控制策略，δ为微波腔体内某个微波源的开关状态(取值为0或1)，l为微波腔体内某特定微波源的编号(取值小于等于16)。在特定控制策略U下，采用三阶张量对任意零件的加热模式进行数学表达(本实施例中使用的材料均为短切碳纤维毡/环氧树脂复合材料)：
Figure BDA0001626343020000031
Figure BDA0001626343020000041
式中，Geom表示复合材料零件的基本信息，包括零件的几何形状、三维尺寸以及零件在工作台上的位置信息，h表示复合材料零件表面各点向微波腔体内工作台投影的高度，Temp表示在特定微波控制策略下零件表面各点的温度信息，由零件表面各点处的归一化升温速率表示。零件的投影面积一般小于工作台的尺寸。对于工作台上没有零件投影的区域，加热模式张量HP中的投影高度和升温速率用零填充。本实施例中，采用60通道光纤荧光测温系统监测复合材料表面的温度分布，并将复合材料表面均分为10(圆周方向m)×6(高度方向n)个测温区域。
使用卷积神经网络算法(Convolutional Neural Network)建立适用于任意复合材料零件的加热模式控制策略预测模型。将历史数据中与该零件尺寸相近的半圆筒零件、C型零件、U型零件等零件共计10000个控制策略——加热模式数据分为训练集和测试集。其中，90％的历史数据作为训练样本(样本容量9000)，用于对上述卷积神经网络模型进行监督训练；将10％的历史数据作为测试样本(样本容量1000)，用于对上述卷积神经网络模型学习完成后的泛化能力进行评估。训练时，使用误差逆传播(Error Back Propagation)方法，通过在训练集上求解损失函数最小化问题对上述卷积神经网络模型的各层参数进行更新估计。对于样本x，其标签为
Figure BDA0001626343020000042
模型最终输出为
Figure BDA0001626343020000043
损失函数表示为：
Figure BDA0001626343020000044
其中，m为训练集中的训练样本总数。拟基于梯度下降策略，以目标的负梯度方向对模型的参数进行调整，以多层感知器中连接p层第i个神经元与下一层q第j个神经元的权值wji为例，可描述为下式：
wji+Δwji→wji
Figure BDA0001626343020000051
其中，η为给定的学习率，用于控制算法每一轮迭代中的更新步长。当模型的训练精度达到设定值后，采用测试样本对模型的泛化能力进行评估。重复上述步骤直至模型的泛化误差小于10％，使模型对该复合材料零件表面任意加热模式的控制策略进行准确预测。
对复合材料零件进行微波固化时，采用60通道光纤荧光测温系统实时监测微波固化过程中复合材料零件表面的温度分布，当最大温差大于10℃时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的复合材料零件加热模式控制策略预测模型，利用PCI数据采集卡将模型计算输出的控制策略发送至八边形高性能微波固化炉，实现对该复合材料零件微波固化过程中不均匀的温度分布进行主动补偿，同时将固化过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对复合材料零件加热模式控制策略预测模型进行训练的基础。
在此基础上，采用PID算法实时调整微波腔体内的电磁场总功率，控制复合材料零件表面各点的整体温度或升温速率水平：
Figure BDA0001626343020000052
其中，P(t)为微波腔体内的总功率，e(t)为复合材料零件表面的平均温度与设定温度间的实时测量误差，KP，TI，TD分别为比例，积分，微分系数。微波腔体内的总功率增量确定后，采用PLC逻辑控制器对微波腔体上当前运行微波源的功率进行整体调节(同时升高或降低相同功率)，使复合材料表面各点的温度或升温速率同时改变(升高或降低)相同增量，从而在不改变复合材料零件当前温度分布的条件下，对复合材料零件各点处的温度或升温速率水平进行整体调节，实现复合材料零件表面平均温度对设定温度工艺曲线的实时跟随。
以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (2)

1.一种基于历史数据的微波加热温度场智能监控方法，其特征在于：采用高阶张量对任意零件的加热模式进行数学表达，基于深度学习算法建立适用于任意零件的加热模式控制策略预测模型，对大量历史数据中与待加热零件相似的零件的加热模式与控制策略间的关联关系进行监督学习，实现对该零件任意加热模式对应的控制策略进行准确预测；对零件进行微波加热时，实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的加热模式控制策略预测模型，根据模型输出的控制策略对应地调整微波系统参数，对该零件同一层材料上不均匀的温度分布进行主动补偿；同时将微波加热过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对加热模式控制策略预测模型进行训练的基础；
所述任意零件的加热模式HP主要由零件基本信息Geom和零件温度信息Temp构成，零件基本信息包括零件几何形状、零件三维尺寸以及零件在微波腔体中的位置，零件温度信息由零件同一层材料各点处的升温速率构成，即：
Figure FDA0002847353200000011
Figure FDA0002847353200000012
式中，h表示复合材料零件表面各点向微波腔体内工作台投影的高度；
所述的加热模式控制策略主要包括微波源数量、微波源位置、各微波源功率比例等加热过程中可实时调整的微波系统参数，即：
U＝[δ1,δ2,…,δl]
其中，U为复合材料零件加热模式的控制策略，δ为微波腔体内某个微波源的开关状态，取值为0或1，l为微波腔体内某特定微波源的编号。
2.根据权利要求1所述的方法，其特征在于：在对零件同一层材料温度均匀性主动补偿的基础上，实时调整微波腔体内的总功率，将功率增量平均分配给当前运行的微波源，在不改变零件同一层材料温度均匀性的条件下使零件平均温度或最高温度或最低温度实时跟随设定温度工艺曲线。
CN201810325167.3A 2018-04-12 2018-04-12 基于历史数据的微波加热温度场智能监控方法 Active CN108563121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810325167.3A CN108563121B (zh) 2018-04-12 2018-04-12 基于历史数据的微波加热温度场智能监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810325167.3A CN108563121B (zh) 2018-04-12 2018-04-12 基于历史数据的微波加热温度场智能监控方法

Publications (2)

Publication Number Publication Date
CN108563121A CN108563121A (zh) 2018-09-21
CN108563121B true CN108563121B (zh) 2021-06-15

Family

ID=63534788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810325167.3A Active CN108563121B (zh) 2018-04-12 2018-04-12 基于历史数据的微波加热温度场智能监控方法

Country Status (1)

Country Link
CN (1) CN108563121B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102467605B1 (ko) * 2017-06-28 2022-11-16 도쿄엘렉트론가부시키가이샤 열처리 장치, 열처리 장치의 관리 방법 및 기억 매체
CN109688652B (zh) * 2018-11-20 2021-06-01 昆明理工大学 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法
CN109545365A (zh) * 2018-11-26 2019-03-29 武汉华兴澳医疗器械有限公司 微波治疗机在耳鼻咽喉科的临床应用中的数据采集系统
CN109655483B (zh) * 2018-12-14 2021-06-15 四川大学 一种基于深度学习算法的材料微观结构缺陷检测方法
CN110202768B (zh) * 2019-05-17 2021-03-30 广东工业大学 一种注塑机料筒温度控制方法
CN112824999B (zh) * 2019-11-20 2022-04-22 Oppo广东移动通信有限公司 温度控制方法及相关产品
CN114679806B (zh) * 2022-04-01 2024-04-12 昆明理工大学 一种提高微波加热均匀性的自切换控制方法、系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104271062A (zh) * 2012-03-08 2015-01-07 美敦力阿迪安卢森堡有限公司 采用神经调节装置的生物标志物取样和相关系统及方法
CN105165118A (zh) * 2013-03-15 2015-12-16 杰森·亚瑟·泰勒 通过微波炉优先将电磁能量对准物体的偏冷区域进行加热
CN105739312A (zh) * 2016-04-27 2016-07-06 广东美的厨房电器制造有限公司 控制方法、控制装置及加热系统
CN107038307A (zh) * 2017-04-18 2017-08-11 中南大学 机理与数据相结合的辊道窑温度预测集成建模方法
CN107071953A (zh) * 2017-04-10 2017-08-18 南京航空航天大学 基于加热模式互补的微波加热温度均匀性主动控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040253489A1 (en) * 2003-06-12 2004-12-16 Horgan Thomas J. Technique and apparatus to control a fuel cell system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104271062A (zh) * 2012-03-08 2015-01-07 美敦力阿迪安卢森堡有限公司 采用神经调节装置的生物标志物取样和相关系统及方法
CN105165118A (zh) * 2013-03-15 2015-12-16 杰森·亚瑟·泰勒 通过微波炉优先将电磁能量对准物体的偏冷区域进行加热
CN105739312A (zh) * 2016-04-27 2016-07-06 广东美的厨房电器制造有限公司 控制方法、控制装置及加热系统
CN107071953A (zh) * 2017-04-10 2017-08-18 南京航空航天大学 基于加热模式互补的微波加热温度均匀性主动控制方法
CN107038307A (zh) * 2017-04-18 2017-08-11 中南大学 机理与数据相结合的辊道窑温度预测集成建模方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Artificial neural network based microwave precipitation estimation using scattering index and polarization corrected temperature;C Mahesh，等;《Atmospheric Research》;20111231;第358-364页 *
Drilling delamination and thermal damage of carbon nanotube/carbon fiber reinforced epoxy composites processed by microwave curing;Li YG，等;《International Journal of Machine Tools and Manufacture》;20151231;第11-17页 *
基于PSO—BP神经网络的微波加热温度预测研究;陈诚，周新志，雷印杰;《微型机与应用》;20151231;第34卷(第5期);第68-69,72页 *
基于离子群优化算法的神经网络微波加热系统辨识和控制;霍闪闪;《万方学位论文数据库》;20151229;第32-35页 *
概率神经网络在高功率微波探测数据处理中的应用;彭凯，等;《强激光与粒子束》;20140831;第26卷(第8期);第1-5页 *
碳纤维增强树脂基复合材料微波固化技术;文友谊，等;《航空制造技术》;20151231;第61-64页 *

Also Published As

Publication number Publication date
CN108563121A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108563121B (zh) 基于历史数据的微波加热温度场智能监控方法
Lu et al. The prediction of the building precision in the laser engineered net shaping process using advanced networks
CN109287021B (zh) 一种基于在线学习的微波加热温度场智能监控方法
Yang et al. Intelligent demand forecasting of smelting process using data-driven and mechanism model
CN101962708B (zh) 大型板材真空退火炉多温区均温性控制系统及其控制方法
CN112327625A (zh) 基于机器学习的不确定系统模型预测控制参数整定方法
Tiwari et al. Fractional order PID (FOPID) controller based temperature control of bioreactor
CN106054616B (zh) 模糊逻辑优化pid控制器参数的钛带卷连续酸洗活套高度控制方法
CN107071953A (zh) 基于加热模式互补的微波加热温度均匀性主动控制方法
CN117225901A (zh) 一种电池极片辊压成型工艺
Zheng et al. Dynamic rolling force prediction of reversible cold rolling mill based on bp neural network with improved pso
Xu et al. A spatiotemporal fuzzy control approach for complex distributed parameter system with application to thermal processes
Zhang et al. Rolling force prediction in heavy plate rolling based on uniform differential neural network
Su et al. Designing MIMO controller by neuro-traveling particle swarm optimizer approach
CN115221944A (zh) 一种基于cnn神经网络模型控制大型铸件热处理的方法
Hosen et al. Control of polystyrene batch reactor using fuzzy logic controller
Zhang et al. Application of RBF neural network PID controller in the rectification column temperature control system
Wicaksono et al. A microclimate closed house control design for broiler strain
He et al. Optimization control of the color-coating production process for model uncertainty
He et al. Automated tuning of MPC for VAV system based on LSTM
Rath et al. Application of machine learning in rolling mills: Case Studies
Fu et al. Research and Application of Precision Fertilizer Application Algorithm Based on PSO Optimized Fuzzy PID Control
SINGH SOME STUDIES ON ARTIFICIAL INTELLIGENCE BASED FRACTIONAL ORDER PID CONTROLLER
Xiong et al. Prediction of mechanical properties of aluminium alloy strip using the extreme learning machine model optimized by the gray wolf algorithm
CN203217277U (zh) 槽式反应器基于在线支持向量机的非线性模型预测控制器

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