CN109143872A - 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 - Google Patents

一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 Download PDF

Info

Publication number
CN109143872A
CN109143872A CN201811372927.2A CN201811372927A CN109143872A CN 109143872 A CN109143872 A CN 109143872A CN 201811372927 A CN201811372927 A CN 201811372927A CN 109143872 A CN109143872 A CN 109143872A
Authority
CN
China
Prior art keywords
stirred tank
gdhp
tank reactor
network
continuous stirred
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
CN201811372927.2A
Other languages
English (en)
Inventor
易军
吴凌
刘佳
陈雪梅
张卫
黄家华
施建阳
钱龙
张绍春
王霞
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.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
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 Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201811372927.2A priority Critical patent/CN109143872A/zh
Publication of CN109143872A publication Critical patent/CN109143872A/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
    • G05B13/0265—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
    • G05B13/042—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)
  • 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)

Abstract

本发明公开了一种基于事件触发GDHP的连续搅拌反应釜过程控制方法，以保证反应釜生产过程稳定高效。包括：步骤1：确定影响化工生产过程的主要因素，并将其作为控制信号；步骤2：根据反应物料平衡等式，运用机理法进行建模，得到连续搅拌反应釜化工生产过程的数学模型；步骤3：设定系统状态的控制目标值、事件触发阈值，当触发误差超过触发阈值，更新评价网络和执行网络权值，并通过执行网络和评价网络获得控制信号和性能指标函数及其对系统状态的偏导，建立事件触发GDHP控制方法；步骤4：将控制信号和当前时刻系统状态作为连续搅拌反应釜模型输入，从而得到系统输出；步骤5：计算控制误差，若小于期望误差，则结束，否则返回步骤3。

Description

一种基于事件触发GDHP的连续搅拌反应釜过程控制方法
技术领域
本发明涉及连续搅拌反应釜过程控制技术，特别是涉及一种基于事件触发GDHP的连续搅拌反应釜过程控制方法。
背景技术
连续搅拌反应釜(Continuous Stirred Tank Reactor，CSTR)是石油、化工行业最常见的工业设备之一，在药剂合成、发酵工程和添加剂制备中的应用非常广泛。
CSTR往往表现出强烈的强非线性、大时滞性和强耦合性，这些特性导致传统控制方法的控制效果不是很理想，从而给现场控制带来了极大的困难。
现有的控制技术多为PID单回路控制或简单串级控制，控制系统自动化程度不高且过多的依赖专家经验调节控制参数，具有较大的滞后性，控制精度较低，控制系统的稳定性也难以保证，难以达到实时精确控制。
发明内容
本发明的目的在于克服现有技术中，连续搅拌反应釜过程控制技术中存在的控制精度低，时滞大，控制系统不稳定等问题，提供一种基于事件触发GDHP的连续搅拌反应釜过程控制方法，以保证反应釜生产过程稳定高效。
本发明的目的是这样实现的：
一种基于事件触发GDHP的连续搅拌反应釜过程控制方法，包括如下步骤：
步骤1：分析连续搅拌反应釜的化工生产过程，确定影响化工生产过程的主要因素，并将其作为控制信号，用u表示；
步骤2：分析连续搅拌反应釜化工生产过程的动态特性，根据反应物料平衡等式，运用机理法进行建模，得到连续搅拌反应釜化工生产过程的数学模型；
步骤3：设定系统状态的控制目标值x1、x2指系统的两个状态，设定事件触发阈值eT，当触发误差超过触发阈值时，运用RBF神经网络更新事件触发GDHP控制方法中评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)和性能指标函数J(k+1)及其对系统状态的偏导建立事件触发GDHP控制方法，k为时间；
步骤4：将步骤3所得控制信号u(k)和当前时刻系统状态x(k)-[x1，x2]作为连续搅拌反应釜模型输入，从而得到系统输出x(k+1)；
步骤5：计算控制误差E(k)，计算公式为：
式中，函数U(k)为效用函数，若控制误差E(k)小于期望误差，则结束训练，否则返回步骤3。
优选地，步骤1中，确定影响化工生产过程的主要因素为冷却剂温度。
优选地，步骤2中，建模过程中，假定反应釜中的化学反应是一级不可逆放热反应。
优选地，步骤3中，事件触发GDHP控制方法包括以下步骤：
步骤3-1：计算当前时刻的触发误差e＝||x(k)-xj||，其中，x(k)为当前时刻的系统状态，xj为零阶保持器中保留的上一次触发时刻更新过后的系统状态；
步骤3-2：计算当前状态的事件触发阈值eT，判断是否触发，如触发则执行步骤3-3至步骤3-5，否则执行步骤4；
步骤3-3：根据控制误差E(k)，采用RBF神经网络更新评价网络和执行网络权值；
步骤3-4：计算控制信号u(k)；
步骤3-5：计算评价网络输出λ(k+1)和J(k+1)。
由于采用了上述技术方案，本发明具有如下有益效果：
在连续搅拌反应釜过程控制中，本发明方法控制精度高，收敛速度快，能够提高控制系统稳定性和控制精度，降低控制系统响应时间，保证反应釜生产效果。
本发明方法采用智能算法用于反应釜过程控制，具有较高的控制精度，能够极大地较少计算量和通信量，从而减少冷却器的损耗，能够降低控制系统响应时间，能够实时自动调整控制参数，提高控制系统稳定性，真正达到实时控制的目的。
附图说明
图1本发明原理框图；
图2连续搅拌反应釜模型示意图；
图3反应物浓度示意图；
图4反应釜温度示意图；
图5冷却剂温度示意图；
图6累计触发数目示意图；
图7事件触发GDHP控制结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图1-7以及具体的实施方式，对上述技术方案进行详细的说明。
一种基于事件触发GDHP的连续搅拌反应釜过程控制方法，发明原理框图如图1所示。本发明基于事件触发机制与全局启发式动态规划(GDHP)相结合，具体包括以下步骤：
步骤1：分析连续搅拌反应釜化工过程，选取冷却剂温度为控制信号u，即控制变量。
步骤2：假定反应釜中的化学反应是一级不可逆放热反应，根据反应物料平衡等式，运用机理法进行建模，得到连续搅拌反应釜化工生产过程的数学模型。
步骤3：设定理想控制目标值x1x2为系统的两个状态，可以自行选定，运用RBF神经网络更新事件触发GDHP控制方法中评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)和性能指标函数J(k+1)及其对系统状态的偏导建立事件触发GDHP的天然气吸收塔脱硫过程控制方法，k为时间，其控制结构如图7所示：零阶保持器保留着上一次触发时刻的系统状态和控制量，执行网络输入输出分别为系统状态x(k)和控制信号u(k)；系统模型输入为系统状态x(k)和控制信号u(k)，输出为系统下一时刻状态x(k+1)；评价网络输入为x(k+1)和u(k+1)，输出为性能指标函数J(k+1)及其对系统状态的偏导评价网络和执行网络的训练分别以控制误差E(k)和函数λ(k)+J(k)最小化为目标，虚线表示网络权值调整路径。
在本实施例中，控制误差计算公式为：
式中，函数U(k)为效用函数。
在本实施例中，执行网络和评价网络的训练过程如下：
(1)执行网络训练：
执行网络由RBF神经网络设计，设置为执行网络输入矢量，m1为执行网络输入变量个数，a＝[1，2，…n1]，n1为执行网络训练次数。
为第n1次训练隐层M与输出I之间的权值矢量，u(l)＝[ua1(l)，ua2(l)，…，uap(l)]为第n1次训练执行网络的实际输出。其中，l表示每次训练的迭代次数。
(2)评价网络训练：
评价网络同样由RBF神经网络设计完成，其训练过程与执行网络相同。设置为评价网络输入矢量，m2表示评价网络输入变量个数，c＝[1，2，…n1]，n1为评价网络训练次数。
为第n1次训练隐层M与输出I之间的权值矢量，J(l)为第n1次训练评价网络的实际输出。
作为进一步说明，执行网络和评价网络的训练过程相似且同时进行，具体包括以下过程：
①初始化，设迭代次数n1初值为0，赋给WMI(0)一个(0，1)区间的随机值；
②输入Xa/Xc；
③对输入Xa/Xc，前向计算RBF神经网络每层神经元的输入信号和输出信号；
④根据控制误差计算公式计算控制误差E(k)；
⑤判断控制误差E(k)是否满足控制要求，如不满足，则进入⑥，如满足，则进入⑨；
⑥判断迭代次数n1+1是否大于最大迭代次数，如大于，则进入⑨，否则，进入⑦；
⑦对输入Xa/Xc反向计算每层神经元的局部梯度δ；
⑧计算权值修正量ΔW，并修正权值，计算公式为：ΔWij＝η·δij·Aj，Wij(n1+1)＝Wij(n1)+ΔWij(n1)式中，η为学习效率；令n1＝n1+1，跳转至③；
⑨训练完成。
(3)计算执行网络输出：
执行网络隐含层输出为：
其中，为期望的控制目标，作为执行网络隐含层神经元的中心，b1为Xat与之间的偏差。
执行网络输出层输出为：u(k)＝Wa*Aj，即为所求控制信号，其中，Wa为执行网络权值。
(4)计算评价网络输出：
评价网络隐含层输出为：
其中，表示评价网络隐含层神经元的中心，根据训练经验设定，b2为Xcs与之间的偏差。
评价网络输出层输出为：
J(k+1)＝Wc*Cj
其中，Wc为评价网络权值。
步骤4：将步骤3所得控制信号u(k)和当前时刻系统状态x(k)＝[x1，x2]作为吸收塔脱硫过程模型输入，从而得到系统输出x(k+1)。
步骤5：计算控制误差E(k)，若小于期望误差，结束训练，否则返回步骤3。
本发明提供的基于事件触发机制和GDHP的连续搅拌反应釜过程控制方法。图3-6为连续搅拌反应釜模型测试结果示意图；首先，分析反应釜化工生产过程，建立反应釜过程模型，为天然气脱硫过程控制方法的研究奠定基础。然后，以建立的模型为被控对象进行实验研究，引入事件触发机制，设置事件触发阈值，当触发误差大于触发阈值时，采用GDHP方法对反应釜过程进行控制并采用RBF神经网络更新优化GDHP评价网络和执行网络权值，建立基于事件触发GDHP的连续搅拌反应釜过程控制方法。该方法摆脱了长期以来对专家经验的过度依赖，解决了现有反应釜生产过程控制技术存在的控制精度低，时滞大，控制系统不稳定等问题，真正达到了生产过程实时精确控制的目的，也为解决类似工业控制问题提供了一种新的思路，体现了人工智能算法在工业中的强大功能。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于事件触发GDHP的连续搅拌反应釜过程控制方法，其特征在于，包括如下步骤：
步骤1：分析连续搅拌反应釜的化工生产过程，确定影响化工生产过程的主要因素，并将其作为控制信号，用u表示；
步骤2：分析连续搅拌反应釜化工生产过程的动态特性，根据反应物料平衡等式，运用机理法进行建模，得到连续搅拌反应釜化工生产过程的数学模型；
步骤3：设定系统状态的控制目标值x1、x2指系统的两个状态，设定事件触发阈值eT，当触发误差超过触发阈值时，运用RBF神经网络更新事件触发GDHP控制方法中评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)和性能指标函数J(k+1)及其对系统状态的偏导建立事件触发GDHP控制方法，k为时间；
步骤4：将步骤3所得控制信号u(k)和当前时刻系统状态x(k)＝[x1，x2]作为连续搅拌反应釜模型输入，从而得到系统输出x(k+1)；
步骤5：计算控制误差E(k)，计算公式为：
式中，k为时间，函数U(k)为效用函数，若控制误差E(k)小于期望误差，则结束训练，否则返回步骤3。
2.根据权利要求1所述的基于事件触发GDHP的连续搅拌反应釜过程控制方法，其特征在于：步骤1中，确定影响化工生产过程的主要因素为冷却剂温度。
3.根据权利要求1所述的基于事件触发GDHP的连续搅拌反应釜过程控制方法，其特征在于：步骤2中，建模过程中，假定反应釜中的化学反应是一级不可逆放热反应。
4.根据权利要求1所述的基于事件触发GDHP的连续搅拌反应釜过程控制方法，其特征在于，步骤3中，事件触发GDHP控制方法包括以下步骤：
步骤3-1：计算当前时刻的触发误差e＝||x(k)-xj||，其中，x(k)为当前时刻的系统状态，xj为零阶保持器中保留的上一次触发时刻更新过后的系统状态；
步骤3-2：计算当前状态的事件触发阈值eT，判断是否触发，如触发则执行步骤3-3至步骤3-5，否则执行步骤4；
步骤3-3：根据控制误差E(k)，采用RBF神经网络更新评价网络和执行网络权值；
步骤3-4：计算控制信号u(k)；
步骤3-5：计算评价网络输出λ(k+1)和J(k+1)。
CN201811372927.2A 2018-11-19 2018-11-19 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 Pending CN109143872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811372927.2A CN109143872A (zh) 2018-11-19 2018-11-19 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811372927.2A CN109143872A (zh) 2018-11-19 2018-11-19 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法

Publications (1)

Publication Number Publication Date
CN109143872A true CN109143872A (zh) 2019-01-04

Family

ID=64806108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811372927.2A Pending CN109143872A (zh) 2018-11-19 2018-11-19 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法

Country Status (1)

Country Link
CN (1) CN109143872A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062273A (zh) * 2018-08-15 2018-12-21 北京交通大学 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统
CN109870986A (zh) * 2019-02-28 2019-06-11 天津大学 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法
CN111459023A (zh) * 2020-04-29 2020-07-28 青岛科技大学 一种事件驱动的自学习控制技术
CN114089795A (zh) * 2021-11-22 2022-02-25 江苏科技大学 一种基于事件触发的模糊神经网络温度控制系统及方法
CN114296489A (zh) * 2021-12-04 2022-04-08 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114996927A (zh) * 2022-05-27 2022-09-02 中南大学 一种基于局部约束的串级csth性能评估与诊断方法
CN115562009A (zh) * 2022-09-23 2023-01-03 苏州大学 基于事件触发的连续搅拌釜反应器一致性控制方法及系统
CN117055512A (zh) * 2023-10-10 2023-11-14 安徽中科维德数字科技有限公司 一种连续搅拌反应釜的智能模型控制系统及其控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104950670A (zh) * 2015-06-10 2015-09-30 浙江大学 一种连续搅拌釜式反应器的一体化多模型控制方法
CN106126784A (zh) * 2016-06-16 2016-11-16 上海电机学院 一种连续搅拌反应釜的优化模型
CN107703760A (zh) * 2017-11-13 2018-02-16 重庆科技学院 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法
CN107831666A (zh) * 2017-11-13 2018-03-23 重庆科技学院 基于rbf与addhp的天然气吸收塔脱硫过程控制方法
US20180212541A1 (en) * 2017-01-26 2018-07-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for approximate dynamic programming vector controllers for operation of ipm motors in linear and over modulation regions
CN108594659A (zh) * 2018-05-02 2018-09-28 北京化工大学 一种基于ltr的smc控制方法在cstr系统中的应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104950670A (zh) * 2015-06-10 2015-09-30 浙江大学 一种连续搅拌釜式反应器的一体化多模型控制方法
CN106126784A (zh) * 2016-06-16 2016-11-16 上海电机学院 一种连续搅拌反应釜的优化模型
US20180212541A1 (en) * 2017-01-26 2018-07-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for approximate dynamic programming vector controllers for operation of ipm motors in linear and over modulation regions
CN107703760A (zh) * 2017-11-13 2018-02-16 重庆科技学院 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法
CN107831666A (zh) * 2017-11-13 2018-03-23 重庆科技学院 基于rbf与addhp的天然气吸收塔脱硫过程控制方法
CN108594659A (zh) * 2018-05-02 2018-09-28 北京化工大学 一种基于ltr的smc控制方法在cstr系统中的应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LU DONG: "Adaptive Event-Triggered Control Based on Heuristic Dynamic Programming for Nonlinear Discrete-Time Systems", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
MICHAEL A. HENSON: "Input-Output Linearization of General Nonlinear Processes", 《AICHE JOURNAL》 *
陈宗海: "基于复杂过程简化模型的DHP学习控制", 《控制与决策》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062273B (zh) * 2018-08-15 2021-11-02 北京交通大学 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统
CN109062273A (zh) * 2018-08-15 2018-12-21 北京交通大学 基于事件触发pid控制的列车速度曲线跟踪控制方法和系统
CN109870986A (zh) * 2019-02-28 2019-06-11 天津大学 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法
CN109870986B (zh) * 2019-02-28 2021-09-28 天津大学 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法
CN111459023A (zh) * 2020-04-29 2020-07-28 青岛科技大学 一种事件驱动的自学习控制技术
CN111459023B (zh) * 2020-04-29 2022-04-08 青岛科技大学 一种事件驱动的自学习控制方法
CN114089795B (zh) * 2021-11-22 2022-08-16 江苏科技大学 一种基于事件触发的模糊神经网络温度控制系统及方法
CN114089795A (zh) * 2021-11-22 2022-02-25 江苏科技大学 一种基于事件触发的模糊神经网络温度控制系统及方法
CN114296489A (zh) * 2021-12-04 2022-04-08 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114296489B (zh) * 2021-12-04 2022-09-20 北京工业大学 基于事件触发的rbf-pid城市固废焚烧过程炉膛温度控制方法
CN114996927A (zh) * 2022-05-27 2022-09-02 中南大学 一种基于局部约束的串级csth性能评估与诊断方法
CN115562009A (zh) * 2022-09-23 2023-01-03 苏州大学 基于事件触发的连续搅拌釜反应器一致性控制方法及系统
CN115562009B (zh) * 2022-09-23 2023-08-25 苏州大学 基于事件触发的连续搅拌釜反应器一致性控制方法及系统
CN117055512A (zh) * 2023-10-10 2023-11-14 安徽中科维德数字科技有限公司 一种连续搅拌反应釜的智能模型控制系统及其控制方法

Similar Documents

Publication Publication Date Title
CN109143872A (zh) 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法
CN107798199B (zh) 一种水电机组参数闭环辨识方法
CN112085277B (zh) 一种基于机器学习的scr脱硝系统预测模型优化方法
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN110129832B (zh) 一种铝电解过程槽电压的多目标优化方法
Zhang et al. An iterative multi-objective particle swarm optimization-based control vector parameterization for state constrained chemical and biochemical engineering problems
CN107203811A (zh) 一种基于改进qpso算法的rbf神经网络优化方法
CN108826354B (zh) 一种基于强化学习的火电燃烧优化方法
CN106682735A (zh) 基于pid调节的bp神经网络算法
CN102393645A (zh) 一种高速电液比例调速系统的控制方法
CN107703760B (zh) 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法
CN105676637A (zh) 基于预测函数控制的分子量输出pdf控制方法
CN106896724A (zh) 用于太阳跟踪器的跟踪系统及跟踪方法
CN113885328A (zh) 一种基于积分强化学习的核电功率跟踪控制方法
CN105955032A (zh) 基于蝙蝠算法优化极限学习机的逆变器控制方法
Lin et al. PID control strategy for UAV flight control system based on improved genetic algorithm optimization
CN105824239A (zh) 带注视差异约束的平滑追踪眼动自适应跟踪控制器及方法
CN115966267A (zh) 一种基于lstm-pid的溶菌酶发酵温度控制方法
Hu et al. Application of fuzzy neural network in ship course control
CN107831666B (zh) 基于rbf与addhp的天然气吸收塔脱硫过程控制方法
Ao et al. The application of DQN in thermal process control
CN107885084B (zh) 基于rbf与adhdp的天然气吸收塔脱硫过程控制方法
CN107908108B (zh) 基于ukf与gdhp的天然气吸收塔脱硫过程控制方法
CN107966512A (zh) 基于bp人工神经网络的大黄鱼中生物胺预测方法
CN107885083B (zh) 基于ukf与adhdp的天然气吸收塔脱硫过程控制方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190104

RJ01 Rejection of invention patent application after publication