CN108954376A - 用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置 - Google Patents

用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置 Download PDF

Info

Publication number
CN108954376A
CN108954376A CN201810895496.1A CN201810895496A CN108954376A CN 108954376 A CN108954376 A CN 108954376A CN 201810895496 A CN201810895496 A CN 201810895496A CN 108954376 A CN108954376 A CN 108954376A
Authority
CN
China
Prior art keywords
model
interference
state variable
influence
setting
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.)
Granted
Application number
CN201810895496.1A
Other languages
English (en)
Other versions
CN108954376B (zh
Inventor
马丁·文
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.)
Aix Processing Co Ltd
Original Assignee
Aix Processing Co Ltd
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 Aix Processing Co Ltd filed Critical Aix Processing Co Ltd
Publication of CN108954376A publication Critical patent/CN108954376A/zh
Application granted granted Critical
Publication of CN108954376B publication Critical patent/CN108954376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置，包括如下步骤：获取1系统的状态变量(st)、创建2干扰模型(SM)，该模型描述了基于干扰的系统变化(vt)对系统的状态变量(st)的影响；创建3过程模型(PM)，该模型描述了设置动作(at)对述系统的状态变量(st)的影响；以及，通过考虑过程模型(PM)、干扰模型(SM)和预定控制目标来实施设置动作(at)，以控制(4)系统内的过程。

Description

用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方 法及其装置
技术领域：
本发明涉及一种用来控制系统内的过程的方法，优选为一种热力过程，特别是锅炉或炉膛(furnace)的燃烧过程的方法及其装置。
背景技术：
系统的状态变量(state variables)采用这种方法记录，优选通过测量系统的过程变量(process variables)来记录。此外，例如，通过使用基于计算机的神经网络来创建一种过程模型(process model)，该模型描述了设置动作(setting actions)对系统的状态变量的影响。通过执行设置动作并考虑(considering)过程模型和控制目标来实现对系统内的过程的控制。
按照这种已知方法，通过神经网络内的过程模型来预测那些难以测量或测量成本昂贵的过程变量。为了考虑过程的变化情况，循环执行三个步骤，即一种过程分析，以确定过程模型起始点、神经网络训练(training)和将过程模型应用于变量预测。这种过程分析在时间和人员方面是十分昂贵的。
美国US 5,259,064A专利文件披露了一种方法，按照这种方法，神经网络被持续进行训练(trained)以用来预测，或者，使用两个相同结构的神经网络，一个用于预测，另一个用于训练。
美国US 5,943,660A披露了一种方法，该方法从实际状态开始并使用设置动作的线性方法来实现优化目标，其中，两个线性化系数均通过神经网络来测定。
欧洲专利EP 0 609 999A1披露了一种方法，按照这种方法，为了系统内预期(可能持续修正)的过程变量，一方面，通过第一神经网络来测定获得系统内当前过程变量所需要的动作的控制信号，另一方面，通过第二神经网络测定必要动作的控制信号，第二神经网络与第一神经网络相同。
从欧洲专利EP 1 364 163B1中，已知一种用于控制热力过程的方法，特别是燃烧过程，按照这种方法，测量系统的状态，与优化目标比对，并执行系统的适当动作(suitableactions)来实施控制，其中，创建一种独立于优化目标的过程模型，该模型描述了这些动作对系统状态的影响。此外，态势评估(situation assessment)通过采用独立于过程模型的质量函数来按照优化目标对系统的状态进行评估。
从欧洲专利EP 1 396 770B1中，已知一种用于控制热力过程的方法，按照这种方法，测量系统内的过程数值，基于经训练的实际过程模型，在神经网络中计算预测情况，与优化目标比对，并在系统内实施适当动作以控制该过程，其中，同时自动分析该过程，建立至少一个新的过程模型，对其进行训练并根据预测结果与实际过程模型进行比对。
发明内容
本发明的目的是提高已知方法的准确性。
按照本发明，其目的是通过控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法来实现，包括如下步骤：
-获取系统的状态变量(st)；
-创建一种干扰模型(SM)(interference model)，该模型描述了基于干扰的系统变化(vt)
(system changes)对系统的状态变量(st)的影响；
-创建一种过程模型(PM),该模型描述了设置动作(at)对系统的状态变量(st)的影响；以及
-通过考虑过程模型(PM)、干扰模型(SM)和预定控制目标来实施设置动作(at)以控制系统内的过程。
按照现有技术的已知方法，使用一种过程模型，该模型描述了设置动作对系统的状态变量的影响，与此同时，基于干扰的系统变化对系统的状态变量的影响。
本发明基于这样的发现，即创建一个干扰模型，该模型描述了基于干扰的系统变化对系统的状态变量的影响，以及创建另一个过程模型，该模型描述了设置动作对系统的状态变量的影响，与过程模型比对，显著提高本发明方法的控制系统内过程的准确性，特别是锅炉或炉膛的燃烧过程，该模型描述了设置动作对系统的状态变量的影响，与此同时，描述了基于干扰的系统变化对系统的状态变量的影响。
特别是，当创建根据本发明的干扰模型时，在短期基于干扰的系统变化对系统的状态变量的影响和长期基于干扰的系统变化对系统的状态变量的影响之间做出区别。
短期基于干扰的变化和长期基于干扰的变化之间的区别取决于系统内的过程。例如，在动力装置的燃烧过程中，短期基于干扰的系统变化会发生数小时。短期基于干扰的变化和长期基于干扰的变化之间的区别优选通过考虑系统内被控过程的持续时间来做出。
在控制系统内的过程期间，本发明提出干扰模型的考虑(consideration)具有如下优点，即根据所创建的干扰模型，如果基于干扰的系统变化对系统的状态变量的影响很可能受到时间限制和/或基于干扰的系统变化对系统的状态变量的影响在预定范围内时，则无需执行设置动作。
本发明提出在控制系统内的过程期间考虑应用过程模型、干扰模型和预定控制目标会显著提高控制系统内过程方法的准确性。
根据本发明的另一种方式，状态变量(st)的获取通过系统的传感器或人工和/或自动试样评定来进行。优选采用传感器来获取状态变量(st)，因为这样可以持续进行。然而，如果不能通过传感器来直接获取状态变量(st)，人工和/或自动采集的试样必须进行分析并提供给本发明方法。
根据本发明优选的另一种实施方式，在创建干扰模型(SM)期间，考虑过去的基于干扰的系统变化(vt)以整合到时序背景(temporal context)中。在创建干扰模型(SM)期间，对过去基于干扰的系统变化的考虑会持续改进干扰模型(SM)。
在本发明再一个优选实施方式中，因为基于干扰的系统变化(vt)对系统的状态变量(st)的影响，持续适用干扰模型(SM)。通过基于干扰的系统变化对系统的状态变量的影响而持续适用干扰模型，本发明方法始终适于最新干扰模型(SM)以控制系统内部的过程。
在创建干扰模型期间，结合对过去的基于干扰的系统变化，可以始终适最新干扰模型，该模型被按过去的基于干扰的系统变化所优化。
根据本发明方法另一种方式，通过系统试运行和/或专家知识(expertknowledge)来创建干扰模型(SM)。通过考虑基于干扰的系统变化(vt)对系统的状态变量(st)的影响和/或通过考虑过去基于干扰的系统变化(vt)整合于时序背景中，最初通过系统试运行和/或通过专家知识创建的干扰模型可被持续适用。
在本发明系统的再一个实施方式中，通过计算机神经网络创建干扰模型(SM)，且特别是，持续适用(训练)该干扰模型。
特别是，该神经网络通过已知进化策略(evolutionary strategies)、遗传算法、遗传编程或进化编程来训练，优选在自动选择和/或优化过程情况下。
根据本发明的特别优选实施方式，创建多个彼此独立的干扰模型(SM),并在控制系统内的过程期间，考虑干扰模型(SM)，该模型能始终最精确地描述基于干扰的系统变化(vt)。优选地，为另外的干扰模型(SM)创建多个基于计算机的神经网络。在控制系统内的过程期间，考虑干扰模型(SM)，该模型提供当前背景的最佳结果。根据当前的过程情况，将干扰模型(SM)彼此比对并在控制期间选用一个干扰模型(SM)。
在本发明的特别优选方式中，创建每一个干扰模型(SM)以预测某一组基于干扰的系统变化(vt)。用干扰模型(SM)将基于干扰的系统变化(vt)分为各组(集群)，而每个干扰模型(SM)特别用于预测某一组基于干扰的系统变化(vt)。在控制系统内的过程期间，考虑干扰模型(SM)，该模型提供当前基于干扰的系统变化(vt)的最佳结果。
如果在控制系统内的过程期间发生基于干扰的系统变化(vt)，而这些变化又未被一组其中一个干扰模型(SM)所覆盖，创建该新组基于干扰系统变化(vt)的新的干扰模型(SM)，随后，通过测量手段和实施设置动作(at)来对其改进(训练)。
有利的是，分别向每个干扰模型(SM)组(集群)中的每个干扰模型(SM)分配一个唯一标识(遗传密码)，以便简化对各组(集群)基于干扰的系统变化(vt)的各个干扰模型(SM)的区别。
此外，可以确定和/或调整各组(集群)基于干扰的系统变化的各个干扰模型(SM)的质量。
根据本发明再一个优选实施方式，干扰模型(SM)考虑了基于干扰的系统变化(vt)对系统的状态变量(st)的多个假定未来影响。干扰模型则会预测基于干扰的系统变化(vt)对系统的状态变量(st)的未来预期影响，并会在系统内的过程的当前情况期间考虑这些影响。
按照本发明方法另一种方式，在创建过程模型(PM)期间，考虑设置动作(at)对系统的状态变量(st)的过去影响，以整合到时序背景中。为此，在创建过程模型(PM)期间，考虑设置动作(at)对系统的状态变量(st)的影响(从过去影响中已知)，以便根据过去影响持续改进过程模型(PM)。
在再一个发明实施方式中，根据设置动作(at)对系统的状态变量(st)的影响，持续适用过程模型(PM)。于是，过程模型(PM)得以持续改进。特别是，通过考虑设置动作(at)对系统的状态变量(st)的过去影响，创建改进的且始终最新的过程模型(PM)。
根据本发明另一个实施方式，通过系统试运行(至少示范性实施(exemplaryexecution)可能的设置动作(at))和/或通过专家知识，来创建过程模型(PM)。随后，在创建过程模型(PM)期间，由于设置动作(at)对系统的状态变量(st)的影响和/或考虑设置动作(at)对系统的状态变量(st)的过去影响，可以持续适用如此创建的过程模型。
根据本发明的有利实施方式，通过基于计算机的神经网络创建过程模型，且该过程模型优选持续适用(训练)。
特别是，该神经网络通过已知的进化策略、遗传算法、遗传编程或进化编程来训练，优选在自动选择和/或优化过程情况下。
按照本发明的特别优选实施方式，创建多个彼此独立的过程模型(PM)，且在控制系统内的过程期间，考虑过程模型(PM)，该模型会随时最精确地描述设置动作(at)对系统的状态变量(st)的影响。
特别是，采用不同的基于计算机的神经网络来实施多个彼此独立的过程模型(PM)。为此，在用本发明方法控制系统期间，可以考虑过程模型(PM)，该模型最精确地映射(map)设置动作(at)对系统的状态变量(st)的当前影响。
按照本发明方法的再一个实施方式，过程模型(PM)考虑了设置动作(at)对系统的状态变量(st)的多个假定的未来影响。为此，过程模型(PM)考虑了设置动作(at)对系统的状态变量(st)的假定影响的预测。
因此，过程模型(PM)可考虑设置动作(at)对系统的状态变量(st)的过去影响，持续考虑设置动作(at)对系统的状态变量(st)的影响，以及进而创建并同时考虑设置动作(at)对系统的状态变量(st)的未来假定影响的预测。
本发明进一步涉及一种用来实施其中一项上述方法的装置，包括连接到所述系统上的采用传感器控制用来获取状态变量(st)的系统、用来实施设置动作(at)的执行机构(actuators)和控制装置，优选一种计算装置。例如，本发明方法可以通过软件在计算装置上来实施。
本发明并不限于热力过程，例如锅炉或炉膛的燃烧过程，而是可以用在许多过程控制器上，例如，控制研磨装置的研磨过程。
下面，参照图1所示实施方式对本发明方法进行详细说明。
附图说明
图1是用来控制系统内的过程的发明方法顺序图
附图中：
1--获取状态变量(st)
2--创建干扰模型(SM)
3--创建过程模型(PM)
4--控制系统内的过程
具体实施方式
图1示出了用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的发明方法顺序。
在第一个步骤中，获取1系统的状态变量(st)。状态变量(st)用系统传感器或人工和/或自动试样评定来实现该获取1。
在本发明方法实施期间，创建干扰模型(SM)，该模型描述了基于干扰的系统变化(vt)对系统的状态变量(st)的影响。例如，干扰模型(SM)采用系统试运行和/或专家知识来创建。在实施本发明方法期间，可以考虑在创建干扰模型(SM)期间将过去的基于干扰的系统变化(vt)整合到时序背景中。此外，因为基于干扰的系统变化(vt)对系统的状态变量(st)的影响，可以持续适用干扰模型(SM)。
例如，通过基于计算机的神经网络创建2干扰模型(SM)，以及特别是，持续适用该模型。
特别是，创建2优选的多个彼此独立的干扰模型(SM)，以及在控制4系统内的过程期间，考虑干扰模型(SM)，该模型会最精确地映射当前基于干扰的系统变化(vt)。
为了提高本发明方法的准确性，干扰模型(SM)可以考虑基于干扰的系统变化(vt)对系统的状态变量(st)的未来预期影响。
在本发明方法的再一个步骤中，创建过程模型(PM)，该模型描述了设置动作(at)对系统的状态变量(st)的影响。
例如，通过系统试运行(至少示范性实施可能的设置动作(at))和/或通过专家知识来创建3过程模型(PM)。在创建过程模型(PM)期间，优选考虑设置动作(at)对系统的状态变量(st)的过去影响以整合到时序背景中。此外，由于设置动作(at)对系统的状态变量(st)的影响，优选持续适用过程模型(PM)。
有利的是，通过基于计算机的神经网络创建3过程模型(PM)，且特别是，持续适用该模型。
特别是，创建3优选的多个彼此独立的过程模型(PM)，且在控制系统内的过程期间，考虑过程模型(PM)，该模型目前最精确地映射了设置动作(at)对系统的状态变量(st)的影响。
为了进一步改进本发明方法，过程模型(PM)考虑设置动作(at)对系统的状态变量(st)的未来预期影响。
根据本发明方法，通过考虑过程模型(PM)、干扰模型(SM)和预定控制目标来实施设置动作(at)，从而控制4系统内的过程。

Claims (10)

1.控制(4)系统内的过程，特别是锅炉或炉膛的燃烧过程的方法，包括如下步骤：
-获取(1)所述系统的状态变量(st)；
-创建(2)干扰模型(SM)，该模型描述了基于干扰的系统变化(vt)对所述系统的所述状态变量(st)的影响；
-创建(3)过程模型(PM)，该模型描述了设置动作(at)对所述系统的所述状态变量(st)的影响；以及
-通过考虑所述过程模型(PM)、所述干扰模型(SM)和预定控制目标来实施设置动作(at)，以控制(4)所述系统内的所述过程。
2.根据权利要求1所述的方法，其中，所述状态变量(st)通过所述系统的传感器或人工和/或自动试样评定来获取(1)。
3.根据权利要求1或2所述的方法，其中，在创建(2)所述干扰模型(SM)期间，考虑过去基于干扰的系统变化(vt)以整合到时序背景内和/或其中在创建(3)所述过程模型(PM)期间，考虑设置动作(at)对所述系统的所述状态变量(st)的过去影响以整合到时序背景内。
4.根据权利要求1至3其中一项所述的方法，其中，通过基于干扰的系统变化(vt)对所述系统的所述状态变量(st)的影响而持续适用所述干扰模型(SM)和/或其中通过设置动作(at)对所述系统的所述状态变量(st)的影响而持续适用所述过程模型(PM)。
5.根据权利要求1至4其中一项所述的方法，其中，通过所述系统试运行和/或专家知识来创建(2,3)所述干扰模型(SM)和/或所述过程模型(PM)。
6.根据权利要求1至5其中一项所述的方法，其中，通过基于计算机的神经网络来创建(2,3)所述干扰模型(SM)和/或所述过程模型(PM)，以及特别是，持续适用所述模型。
7.根据权利要求1至6其中一项所述的方法，其中，创建(2)多个彼此独立的干扰模型(SM)，且在控制(4)所述系统内的所述过程期间，考虑所述干扰模型(SM)，该模型随时最精确地描述所述基于干扰的系统变化(vt)。
8.根据权利要求1至7其中一项所述的方法，其中，创建(3)多个彼此独立的过程模型(PM)，且在控制(4)所述系统内的所述过程期间，考虑所述过程模型(PM)，该模型随时最精确地描述设置动作(at)对所述系统的所述状态变量(st)的影响。
9.根据权利要求1至8其中一项所述的方法，其中，所述干扰模型(SM)考虑了基于干扰的系统变化(vt)对所述系统的所述状态变量(st)的多个假定未来影响和/或其中所述过程模型(PM)考虑设置动作(at)对所述系统的所述状态变量(st)的多个假定未来影响。
10.用来执行根据权利要求1至9其中一项所述方法的装置，包括连接到所述系统上的用传感器控制以获取状态变量(st)的系统、实施设置动作(at)的执行机构和控制装置，优选一种计算装置。
CN201810895496.1A 2017-10-20 2018-08-08 用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置 Active CN108954376B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP17020484.6 2017-10-20
EP17020484.6A EP3474090A1 (de) 2017-10-20 2017-10-20 Verfahren zur regelung eines prozesses innerhalb eines systems, insbesondere eines verbrennungsprozesses in einem kessel oder ofen

Publications (2)

Publication Number Publication Date
CN108954376A true CN108954376A (zh) 2018-12-07
CN108954376B CN108954376B (zh) 2022-08-02

Family

ID=60161912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810895496.1A Active CN108954376B (zh) 2017-10-20 2018-08-08 用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置

Country Status (2)

Country Link
EP (1) EP3474090A1 (zh)
CN (1) CN108954376B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
JPH10318503A (ja) * 1997-05-16 1998-12-04 Kobe Steel Ltd 流動床式焼却炉の制御方法及びその装置
JP2008076012A (ja) * 2006-09-25 2008-04-03 Kobe Steel Ltd 焼却炉の制御方法及び装置、並びにプログラム
CN101266462A (zh) * 2006-08-02 2008-09-17 艾默生过程管理电力和水力解决方案有限公司 利用免疫学概念的过程控制和优化技术
CN101581454A (zh) * 2009-06-09 2009-11-18 南通大学 采用基于特征模型的预测函数控制器的工业锅炉燃烧控制系统
CN104776446A (zh) * 2015-04-14 2015-07-15 东南大学 一种锅炉燃烧优化控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5259064A (en) 1991-01-25 1993-11-02 Ricoh Company, Ltd. Signal processing apparatus having at least one neural network having pulse density signals as inputs and outputs
US5388186A (en) 1993-02-01 1995-02-07 At&T Corp. Differential process controller using artificial neural networks
US5943660A (en) 1995-06-28 1999-08-24 Board Of Regents The University Of Texas System Method for feedback linearization of neural networks and neural network incorporating same
BR0207733A (pt) 2001-03-02 2004-03-23 Powitec Intelligent Tech Gmbh Processo para a regulação de um processo termodinâmico, especialmente de um processo de combustão
DE50210420D1 (de) 2002-08-16 2007-08-16 Powitec Intelligent Tech Gmbh Verfahren zur Regelung eines thermodynamischen Prozesses
US9760067B2 (en) * 2009-09-10 2017-09-12 Honeywell International Inc. System and method for predicting future disturbances in model predictive control applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
JPH10318503A (ja) * 1997-05-16 1998-12-04 Kobe Steel Ltd 流動床式焼却炉の制御方法及びその装置
CN101266462A (zh) * 2006-08-02 2008-09-17 艾默生过程管理电力和水力解决方案有限公司 利用免疫学概念的过程控制和优化技术
JP2008076012A (ja) * 2006-09-25 2008-04-03 Kobe Steel Ltd 焼却炉の制御方法及び装置、並びにプログラム
CN101581454A (zh) * 2009-06-09 2009-11-18 南通大学 采用基于特征模型的预测函数控制器的工业锅炉燃烧控制系统
CN104776446A (zh) * 2015-04-14 2015-07-15 东南大学 一种锅炉燃烧优化控制方法

Also Published As

Publication number Publication date
CN108954376B (zh) 2022-08-02
EP3474090A1 (de) 2019-04-24

Similar Documents

Publication Publication Date Title
KR920003499B1 (ko) 지식처리를 응용한 계산기 제어 시스템
CN111414977B (zh) 机床主轴热误差建模的加权集成温度敏感点组合选取方法
EP3872432B1 (en) Method, apparatus and electronic device for constructing reinforcement learning model
EP3380790A1 (en) Electronic oven with infrared evaluative control
CZ20032262A3 (cs) Způsob regulace termodynamického procesu, zejména procesu spalování, a zařízení k provádění tohoto způsobu
CN108628263A (zh) 控制系统、控制装置、计算机可读存储介质以及控制方法
CN111337258B (zh) 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法
JP2007024047A (ja) タービンエンジンの排気ガス温度のトレンドをみるためのシステム及び方法
CN110501972A (zh) 热位移校正装置
CN108345270A (zh) 控制装置、控制程序及控制系统
JP2019021186A (ja) データ処理装置、制御システム、データ処理方法及びプログラム
CN110361042A (zh) 一种温湿度监测装置自动计量检定方法及系统
CN108400743B (zh) 控制装置、控制方法以及计算机存储介质
CN112987590B (zh) 基于环境规律智能分析的智慧家庭控制方法及系统
US8019446B2 (en) Control loop for regulating a combustion process
JP2008276323A (ja) 制御パラメータを探索するためのプログラム
CN108954376A (zh) 用来控制系统内的过程，特别是锅炉或炉膛的燃烧过程的方法及其装置
CN116822115A (zh) 一种基于数字孪生技术的智慧园区的环境管理方法及系统
US20050137995A1 (en) Method for regulating a thermodynamic process by means of neural networks
CN109696829A (zh) 用来控制系统内的过程的方法和装置，特别是研磨装置内的研磨过程
KR20050059064A (ko) 신경망에 의해 열역학적 프로세스를 조절하는 방법
JP2015018470A (ja) 調節計およびデータ収集方法
CN115669617A (zh) 一种智能物联驱动的大蚕饲养环境控制系统
US20220220904A1 (en) Method for controlling a gas turbine
US20200326668A1 (en) Method for controlling a process within a system, particularly a combustion process in a boiler or furnace

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