CN108803340A - 一种化工批次过程鲁棒复合迭代学习控制方法 - Google Patents

一种化工批次过程鲁棒复合迭代学习控制方法 Download PDF

Info

Publication number
CN108803340A
CN108803340A CN201810685861.6A CN201810685861A CN108803340A CN 108803340 A CN108803340 A CN 108803340A CN 201810685861 A CN201810685861 A CN 201810685861A CN 108803340 A CN108803340 A CN 108803340A
Authority
CN
China
Prior art keywords
batch
stage
phase
state
kth
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
Application number
CN201810685861.6A
Other languages
English (en)
Inventor
侯平智
徐峥
胡晓敏
王立敏
张日东
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.)
Hangzhou Dianzi University
Original Assignee
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810685861.6A priority Critical patent/CN108803340A/zh
Publication of CN108803340A publication Critical patent/CN108803340A/zh
Pending legal-status Critical Current

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

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

本发明公开了一种化工批次过程鲁棒复合迭代学习控制方法。本发明首先建立系统批次过程的状态切换模型；其次，设计迭代学习控制量，并定义状态误差和输出误差；然后，给出扩展的线性动态模型，使系统的实际输出能够更快速地跟踪给定的设定点；最后，根据系统中相邻阶段的状态切换模型，得到最优的迭代学习更新率和控制量。不同于传统方法，本发明结合了反馈控制与迭代学习控制的复合控制，增强了批次过程的抗干扰能力，使系统的状态切换过程具有更好的控制性能。

Description

一种化工批次过程鲁棒复合迭代学习控制方法
技术领域
本发明属于自动化技术领域，涉及一种化工批次过程鲁棒复合迭代学习控制方法。
背景技术
在工业控制过程中，批次生产技术能够快速、高效地实现商品的批量生产，但是，批次生产过程的控制是一个动态的控制过程，系统长时间的运行会产生不确定性，而且会降低批次过程的控制精度。近几十年来，迭代学习控制方法已经被广泛应用于批次过程中，但是扰动和时间延迟对迭代学习控制的性能影响很大，扰动会减慢系统的收敛速度，而时间延迟会影响系统的稳定性。因此，为了有效地抑制外界环境对系统的干扰、加快系统的收敛速度，引入一种反馈控制和迭代学习控制相结合的复合控制方法是有必要的。
发明内容
本发明的目的是改善多阶段批次过程中迭代学习控制系统的收敛速度和稳定性，提出了一种化工批次过程鲁棒复合迭代学习控制方法。
本发明首先建立系统批次过程的状态切换模型；其次，设计迭代学习控制量，并定义状态误差和输出误差；然后，给出扩展的线性动态模型，使系统的实际输出能够更快速地跟踪给定的设定点；最后，根据系统中相邻阶段的状态切换模型，得到最优的迭代学习更新率和控制量。不同于传统方法，该方法结合了反馈控制与迭代学习控制的复合控制，增强了批次过程的抗干扰能力，使系统的状态切换过程具有更好的控制性能。
本发明的方法步骤包括：
步骤1、设计系统批次过程的状态切换模型，具体步骤是：
1.1建立批次过程的系统状态模型，可描述如下：
其中，t是系统的离散时间，k是系统的批次索引；d(t)是时间延迟函数；Cρ(t,k)分别表示ρ(t,k)阶段下对应过程的系统矩阵，ρ(t,k)表示第k批次t时刻系统所处于的过程阶段；x(t,k+1)、x(t+1,k+1)和x(t-d(t),k+1)分别表示第k+1批次t时刻、t+1时刻和t-d(t)时刻系统的过程状态；u(t,k+1)表示在k+1批次t时刻系统的过程输入；y(t,k+1)表示在第k+1批次t时刻系统的过程输出；ωρ(t,k)(t,k+1)表示第k+1批次第ρ(t,k)阶段t时刻系统状态的外部干扰；x(0,k+1)表示第k+1批次系统的初始状态，其初始值设置为x0,k+1。
1.2多阶段批次过程第i阶段的系统状态模型可表示为：
其中，i＝1,2,…,q是自然数；xi(t,k+1)、xi(t+1,k+1)和xi(t-d(t),k+1)分别表示第k+1批次第i阶段t时刻、t+1时刻和t-d(t)时刻系统的过程状态。Ci表示第i阶段下对应过程的系统矩阵；ui(t,k+1)表示第k+1批次第i阶段t时刻系统的过程输入；yi(t,k+1)表示第k+1批次第i阶段t时刻系统的过程输出；ωi(t,k+1)表示第k+1批次第i阶段t时刻系统状态的外部干扰。
1.3建立两个相邻阶段之间的状态切换模型，可描述如下：
其中，为第k+1批次第i阶段的切换时间；Ji是第i阶段的状态转移矩阵；分别表示第k+1批次第i阶段和第i+1阶段在时刻系统的过程状态。
1.4设定切换时间：
其中，min表示取最小值；Gi(x(t,k+1))<0表示系统状态过程的切换条件函数；为系统第k+1批次第i-1阶段的切换时间；为系统第k+1批次初始阶段的切换时间。
1.5建立系统整个运行阶段的切换序列模型：
其中，q为批次过程的最后阶段；是连接第k0批次第1阶段结束和第k0批次第2阶段开始的点，是连接第k0批次第q阶段结束和第k1批次第1阶段开始的点；(T1 1,k1),ρ(T1 1,k1)是连接第k1批次第1阶段结束和第k1批次第2阶段开始的点，(T1 q,k2),ρ(T1 q,k2)是连接第k1批次第q阶段结束和第k2批次第1阶段开始的点；是连接第kk-1批次第q阶段结束和第kk批次第1阶段开始的点，是连接第kk批次第q阶段结束和第kk+1批次第1阶段开始的点。
步骤2、设计批次过程的鲁棒复合迭代学习控制器，具体步骤是：
2.1首先设计迭代学习控制量，如下：
其中，ui(t,k)、ui(t,k+1)分别表示第k和k+1批次第i阶段t时刻的控制量输入，ui(t,0)表示初始控制量输入；ri(t,k+1)表示第k+1批次第i阶段t时刻的更新律。
2.2定义状态误差与输出误差如下：
其中，表示第k+1批次第i阶段t时刻系统过程的状态误差，ei(t,k+1)表示第k+1批次第i阶段t时刻系统过程的输出误差；表示第i阶段延迟后的过程输出。
2.3根据步骤1.1、步骤2.1和步骤2.2可以得到系统第i个阶段的状态切换模型：
其中，和分别表示第k+1批次第i阶段t+1时刻和t-d(t)时刻系统的状态误差；ei(t+1,k+1)和ei(t+1,k)分别表示第k+1批次和第k批次第i阶段t+1时刻系统的输出误差；表示第k+1批次第i阶段t时刻系统状态切换的外部干扰。
2.4根据步骤2.3对系统的干扰分析如下；
当系统为重复干扰时：
当系统为非重复干扰时：
2.5设计系统批次过程第i阶段扩展状态，形式如下：
其中，和分别表示第k+1批次第i阶段t和t+1时刻的扩展状态。
2.6由步骤2.3和步骤2.5可得到新的状态切换模型，表示如下：
其中
其中，表示第k批次第i阶段t+1时刻系统的状态误差；表示第k批次第i阶段t+1时刻系统的扩展状态；Fi(t,k)表示第k批次第i阶段t时刻的参数矩阵；Ai、Bi、Di、Hi表示第i阶段对应过程的系统矩阵；Ei、Ei、Ii表示具有不同维数的单位矩阵。
2.7根据步骤2.6可得到迭代学习更新律，形式如下：
其中，分别表示第i阶段不同状态的增益系数。
2.8结合步骤2-1到步骤2-7可以得到化工批次过程最优控制律ui(t,k+1)并作用于被控对象。
本发明的有益效果：本发明的技术方案是通过模型建立、控制器设计、算法设计、优化等手段，提出一种化工批次过程鲁棒复合迭代学习控制方法，利用该方法设计了一种新型复合控制器，有效的弥补了传统迭代学习控制方法在多阶段批次过程生产中收敛速度和稳定性的不足，满足了实际工业过程的需求
具体实施方式
以注塑成型为例：
步骤1、设计注塑成型过程的状态切换模型，具体步骤是：
1.1建立注塑成型过程的系统状态模型，可描述如下：
其中，t是注塑成型的离散时间，k是注塑成型的批次索引；d(t)是时间延迟函数；Cρ(t,k)表示注塑成型过程中对应工艺阶段的系统矩阵，ρ(t,k)表示第k批次t时刻注塑成型过程所处于的工艺阶段；x(t,k+1)、x(t+1,k+1)和x(t-d(t),k+1)分别表示第k+1批次t、t+1和t-d(t)时刻注塑成型过程的系统状态；u(t,k+1)表示第k+1批次t时刻注塑成型过程的阀门开度；y(t,k+1)表示第k+1批次t时刻注塑成型过程的喷嘴压力；ωρ(t,k)(t,k+1)表示第k+1批次t时刻注塑成型过程工作状态的外部干扰；x(0,k+1)表示第k+1批次系统的初始状态，其初始值设置为x0,k+1。
1.2注塑成型过程第i阶段的系统状态模型可表示为：
其中，i＝1,2,…,q是自然数，i表示注塑成型过程的工艺阶段；xi(t,k+1)、xi(t+1,k+1)和xi(t-d(t),k+1)分别表示第k+1批次第i阶段t、t+1和t-d(t)时刻注塑成型过程的系统状态。Ci表示注塑成型过程第i阶段的系统矩阵；ui(t,k+1)表示第k+1批次第i阶段t时刻注塑成型过程的阀门开度；yi(t,k+1)表示第k+1批次第i阶段t时刻注塑成型过程的碰嘴压力；ωi(t,k+1)表示第k+1批次第i阶段t时刻注塑成型过程工作状态的外部干扰。
1.3建立注塑成型过程两个相邻阶段之间的状态切换模型，可描述如下：
其中，为第k+1批次第i阶段的切换时间；Ji是第i阶段的状态转移函数；分别表示第k+1批次第i阶段和第i+1阶段时刻注塑成型过程的系统状态。
1.4设定切换时间：
其中，min表示取最小值；Gi(x(t,k+1))<0表示注塑成型过程的状态切换条件；为注塑成型过程第k+1批次第i-1阶段的切换时间；为注塑成型过程第k+1批次初始阶段的切换时间。
1.5建立注塑成型过程整个生产阶段的切换序列模型：
其中，q为注塑成型过程的最后阶段；是连接第k0批次第1阶段结束和第k0批次第2阶段开始的点，是连接第k0批次第q阶段结束和第k1批次第1阶段开始的点；(T1 1,k1),ρ(T1 1,k1)是连接第k1批次第1阶段结束和第k1批次第2阶段开始的点，(T1 q,k2),ρ(T1 q,k2)是连接第k1批次第q阶段结束和第k2批次第1阶段开始的点；是连接第kk-1批次第q阶段结束和第kk批次第1阶段开始的点，是连接第kk批次第q阶段结束和第kk+1批次第1阶段开始的点。
步骤2、设计注塑成型过程的鲁棒复合迭代学习控制器，具体实施步骤是：
2.1首先设计注塑成型过程比例阀的阀门开度，如下：
其中，ui(t,k)、ui(t,k+1)分别表示注塑成型过程第k、k+1批次第i阶段t时刻比例阀的阀门开度，ui(t,0)表示比例阀的阀门开度初始值；ri(t,k+1)表示第k+1批次第i阶段t时刻的迭代更新率。
2.2定义注塑成型过程的状态误差和输出误差如下：
其中，表示注塑成型过程第k+1批次第i阶段t时刻的状态误差，ei(t,k+1)为注塑成型过程第k+1批次第i阶段t时刻的喷嘴压力误差；是第i阶段延迟后的喷嘴压力。
2.3根据步骤1.1、步骤2.1和步骤2.2可以得到注塑成型过程第i阶段的状态切换模型：
其中，和分别表示注塑成型过程第k+1批次第i阶段t+1时刻和t-d(t)时刻的状态误差；ei(t+1,k+1)和ei(t+1,k)分别表示为注塑成型过程第k+1批次和第k批次第i阶段t+1时刻的喷嘴误差；表示第k+1批次第i阶段t时刻注塑成型过程状态切换的外部干扰。
2.4根据步骤2.3对注塑成型过程的干扰分析如下；
当注塑成型过程为重复干扰时：
当注塑成型过程为非重复干扰时：
2.5设计注塑成型过程第i阶段的扩展状态，形式如下：
其中，和表示注塑成型过程第k+1批次第i阶段t和t+1时刻的展开状态。
2.6由步骤2.3和步骤2.5可得到注塑成型过程新的状态切换模型，表示如下：
其中，
其中，表示注塑成型过程第k批次第i阶段t+1时刻的状态误差；表示注塑成型过程第k批次第i阶段t+1时刻的展开状态；Fi(t,k)表示第k批次第i阶段t时刻的参数矩阵；Ai、Bi、Di、Hi表示第i阶段对应过程的系统矩阵；Ei、Ei、Ii表示具有不同维数的单位矩阵。
2.7根据步骤2.6可得到迭代学习更新率，形式如下：
其中，分别表示注塑成型过程第i阶段不同状态的增益系数。
2.8结合步骤2-1到步骤2-7可以得到化工批次过程比例阀的阀门开度ui(t,k+1)，再将其作用于注塑成型过程。

Claims (1)

1.一种化工批次过程鲁棒复合迭代学习控制方法，其特征在于该方法具体是：
步骤1、设计系统批次过程的状态切换模型，具体步骤是：
1.1建立批次过程的系统状态模型：
其中，t是系统的离散时间，k是系统的批次索引；d(t)是时间延迟函数；Cρ(t,k)分别表示ρ(t,k)阶段下对应过程的系统矩阵，ρ(t,k)表示第k批次t时刻系统所处于的过程阶段；x(t,k+1)、x(t+1,k+1)和x(t-d(t),k+1)分别表示第k+1批次t时刻、t+1时刻和t-d(t)时刻系统的过程状态；u(t,k+1)表示在k+1批次t时刻系统的过程输入；y(t,k+1)表示在第k+1批次t时刻系统的过程输出；ωρ(t,k)(t,k+1)表示第k+1批次第ρ(t,k)阶段t时刻系统状态的外部干扰；x(0,k+1)表示第k+1批次系统的初始状态，其初始值设置为x0,k+1；
1.2多阶段批次过程第i阶段的系统状态模型表示为：
其中，i＝1,2,…,q是自然数；xi(t,k+1)、xi(t+1,k+1)和xi(t-d(t),k+1)分别表示第k+1批次第i阶段t时刻、t+1时刻和t-d(t)时刻系统的过程状态；Ci表示第i阶段下对应过程的系统矩阵；ui(t,k+1)表示第k+1批次第i阶段t时刻系统的过程输入；yi(t,k+1)表示第k+1批次第i阶段t时刻系统的过程输出；ωi(t,k+1)表示第k+1批次第i阶段t时刻系统状态的外部干扰；
1.3建立两个相邻阶段之间的状态切换模型：
其中，为第k+1批次第i阶段的切换时间；Ji是第i阶段的状态转移矩阵；分别表示第k+1批次第i阶段和第i+1阶段在时刻系统的过程状态；
1.4设定切换时间：
其中，min表示取最小值；Gi(x(t,k+1))<0表示系统状态过程的切换条件函数；为系统第k+1批次第i-1阶段的切换时间；为系统第k+1批次初始阶段的切换时间；
1.5建立系统整个运行阶段的切换序列模型：
其中，q为批次过程的最后阶段；是连接第k0批次第1阶段结束和第k0批次第2阶段开始的点，是连接第k0批次第q阶段结束和第k1批次第1阶段开始的点；(T1 1,k1),ρ(T1 1,k1)是连接第k1批次第1阶段结束和第k1批次第2阶段开始的点，(T1 q,k2),ρ(T1 q,k2)是连接第k1批次第q阶段结束和第k2批次第1阶段开始的点；是连接第kk-1批次第q阶段结束和第kk批次第1阶段开始的点，是连接第kk批次第q阶段结束和第kk+1批次第1阶段开始的点；
步骤2、设计批次过程的鲁棒复合迭代学习控制器，具体步骤是：
2.1设计迭代学习控制量：
其中，ui(t,k)、ui(t,k+1)分别表示第k和k+1批次第i阶段t时刻的控制量输入，ui(t,0)表示初始控制量输入；ri(t,k+1)表示第k+1批次第i阶段t时刻的更新律；
2.2定义状态误差与输出误差如下：
其中，表示第k+1批次第i阶段t时刻系统过程的状态误差，ei(t,k+1)表示第k+1批次第i阶段t时刻系统过程的输出误差；表示第i阶段延迟后的过程输出；
2.3根据步骤1.1、步骤2.1和步骤2.2得到系统第i个阶段的状态切换模型：
其中，和分别表示第k+1批次第i阶段t+1时刻和t-d(t)时刻系统的状态误差；ei(t+1,k+1)和ei(t+1,k)分别表示第k+1批次和第k批次第i阶段t+1时刻系统的输出误差；表示第k+1批次第i阶段t时刻系统状态切换的外部干扰；
2.4根据步骤2.3对系统的干扰分析如下；
当系统为重复干扰时：
当系统为非重复干扰时：
2.5设计系统批次过程第i阶段扩展状态：
其中，和分别表示第k+1批次第i阶段t和t+1时刻的扩展状态；
2.6由步骤2.3和步骤2.5得到新的状态切换模型：
其中
其中，表示第k批次第i阶段t+1时刻系统的状态误差；表示第k批次第i阶段t+1时刻系统的扩展状态；Fi(t,k)表示第k批次第i阶段t时刻的参数矩阵；Ai、Bi、Di、Hi表示第i阶段对应过程的系统矩阵；Ei、Ei、Ii表示具有不同维数的单位矩阵；
2.7根据步骤2.6得到迭代学习更新律，形式如下：
其中，分别表示第i阶段不同状态的增益系数；
2.8结合步骤2-1到步骤2-7得到化工批次过程最优控制律ui(t,k+1)并作用于被控对象。
CN201810685861.6A 2018-06-28 2018-06-28 一种化工批次过程鲁棒复合迭代学习控制方法 Pending CN108803340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810685861.6A CN108803340A (zh) 2018-06-28 2018-06-28 一种化工批次过程鲁棒复合迭代学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810685861.6A CN108803340A (zh) 2018-06-28 2018-06-28 一种化工批次过程鲁棒复合迭代学习控制方法

Publications (1)

Publication Number Publication Date
CN108803340A true CN108803340A (zh) 2018-11-13

Family

ID=64071393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810685861.6A Pending CN108803340A (zh) 2018-06-28 2018-06-28 一种化工批次过程鲁棒复合迭代学习控制方法

Country Status (1)

Country Link
CN (1) CN108803340A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911868A (zh) * 2016-06-15 2016-08-31 南京工业大学 多批次间歇反应器二维迭代学习反馈控制方法
CN107168293A (zh) * 2017-06-23 2017-09-15 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
CN107765549A (zh) * 2017-10-12 2018-03-06 杭州电子科技大学 一种批次工业过程的新型迭代学习控制方法
CN107831662A (zh) * 2017-11-13 2018-03-23 辽宁石油化工大学 针对存在执行器故障的间歇过程随机2d控制器设计方法
CN107942667A (zh) * 2017-11-29 2018-04-20 辽宁石油化工大学 基于时变时滞和干扰的注塑过程混杂2d跟踪控制方法
CN107976942A (zh) * 2017-11-22 2018-05-01 海南师范大学 无穷时域优化的间歇过程2d约束容错控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911868A (zh) * 2016-06-15 2016-08-31 南京工业大学 多批次间歇反应器二维迭代学习反馈控制方法
CN107168293A (zh) * 2017-06-23 2017-09-15 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
CN107765549A (zh) * 2017-10-12 2018-03-06 杭州电子科技大学 一种批次工业过程的新型迭代学习控制方法
CN107831662A (zh) * 2017-11-13 2018-03-23 辽宁石油化工大学 针对存在执行器故障的间歇过程随机2d控制器设计方法
CN107976942A (zh) * 2017-11-22 2018-05-01 海南师范大学 无穷时域优化的间歇过程2d约束容错控制方法
CN107942667A (zh) * 2017-11-29 2018-04-20 辽宁石油化工大学 基于时变时滞和干扰的注塑过程混杂2d跟踪控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIMIN WANG ET AL.: "Delay-Range-Dependent-Based Hybrid Iterative Learning Fault Tolerant Guaranteed Cost Control for Multiphase Batch Processes", 《INDUSTRIAL AND ENGINEERING CHEMISTRY RESEARCH》 *
LIMIN WANG ET AL.: "Iterative learning fault-tolerant control for injection molding processes against actuator faults", 《JOURNAL OF PROCESS CONTROL》 *

Similar Documents

Publication Publication Date Title
CN107942667B (zh) 基于时变时滞和干扰的注塑过程混杂2d跟踪控制方法
CN107168293B (zh) 一种批次化工过程的模型预测跟踪控制方法
CN103713521B (zh) 一种针对注塑过程区间时滞的2d控制器设计方法
CN107544255B (zh) 一种批次注塑过程的状态补偿模型控制方法
CN108107723B (zh) 非线性间歇过程的2d最优模糊控制器设计方法
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
CN106325072B (zh) 一种直线伺服系统机械残余振动控制方法
CN103901773B (zh) 一种针对输入时滞的2d混杂控制器设计方法
CN107765549A (zh) 一种批次工业过程的新型迭代学习控制方法
CN110764414A (zh) 针对多种干扰的多阶段批次异步切换过程的鲁棒预测控制方法
CN109557810A (zh) 一种基于新型二自由度内模pid的加热炉温度控制方法
CN109254531A (zh) 具有时滞和干扰的多阶段间歇过程的最优成本控制方法
CN110579970A (zh) 一种2d滚动优化下间歇过程终端约束预测控制方法
CN105353618B (zh) 一种批次注塑过程的约束跟踪控制方法
CN108803340A (zh) 一种化工批次过程鲁棒复合迭代学习控制方法
CN112213946A (zh) 针对时变轨迹注塑成型异步切换过程的鲁棒预测控制方法
CN108803314B (zh) 一种化工间歇过程的新型复合跟踪控制方法
CN108829058B (zh) 一种化工批次过程模糊迭代学习控制方法
CN108803315B (zh) 一种化工间歇过程的智能跟踪控制方法
CN108803338A (zh) 一种化工多阶段批次过程迭代学习控制方法
CN108873699B (zh) 一种化工时变工业过程混合控制方法
CN108628173A (zh) 一种化工批次时滞过程鲁棒迭代学习控制方法
CN111061155A (zh) 一种基于遗传算法优化的间歇过程2d模型预测控制方法
CN110058527A (zh) 一种工业过程无穷时域优化先进控制方法
CN115327904A (zh) 二维间歇过程非策略无模型输出反馈最优跟踪控制方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181113