CN110231772B - 一种获取过程模型的方法、装置及设备 - Google Patents

一种获取过程模型的方法、装置及设备 Download PDF

Info

Publication number
CN110231772B
CN110231772B CN201910662010.4A CN201910662010A CN110231772B CN 110231772 B CN110231772 B CN 110231772B CN 201910662010 A CN201910662010 A CN 201910662010A CN 110231772 B CN110231772 B CN 110231772B
Authority
CN
China
Prior art keywords
process model
model
obtaining
trend curve
target
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
CN201910662010.4A
Other languages
English (en)
Other versions
CN110231772A (zh
Inventor
李军
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.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910662010.4A priority Critical patent/CN110231772B/zh
Publication of CN110231772A publication Critical patent/CN110231772A/zh
Application granted granted Critical
Publication of CN110231772B publication Critical patent/CN110231772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种获取过程模型的方法、装置及设备，其中方法包括：根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；利用惯性组合滤波器近似所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型，解决了现有利用Z‑N法则得到的过程模型误差较大的技术问题。

Description

一种获取过程模型的方法、装置及设备
技术领域
本申请涉及自动控制技术领域，尤其涉及一种获取过程模型的方法、装置及设备。
背景技术
获取过程模型对于依赖模型的控制具有重要的意义，例如Smith预估控制。在工程技术中获取过程模型是根据PID控制器参数的整定法则，简称Z-N法则。
用Z-N法则获取过程模型虽然具有一定的准确度，但是在计算量较大系统中，存在增益上的累计误差问题，导致得到的过程模型存在较大误差。
发明内容
有鉴于此，本申请提供了一种获取过程模型的方法、装置及设备，解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
本申请第一方面提供了一种获取过程模型的方法，包括：
根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；
利用惯性组合滤波器近似所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型。
优选地，所述方法还包括：
调节所述目标过程模型中的整数阶次，以减小所述过程对象和所述目标过程模型的模型误差。
优选地，所述整数阶次的调整范围为[2,16]。
优选地，所述根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型具体包括：
获取过程对象在单位阶跃输入时的过程响应趋势曲线；
获取所述过程响应趋势曲线上切线斜率最大的位置点；
绘制经所述位置点的切线，得到所述过程对象的过程模型，所述切线终止于所述过程响应趋势曲线的终值处。
优选地，所述过程模型为：
Figure BDA0002138874800000021
其中，Z-N:M(s)为过程模型的传递函数，K为过程增益，K＝PS-END，PS-END为过程响应趋势曲线的终值，τ为过程延迟时间，T为过程时间常数，T＝TET-TST，TET为过程响应趋势曲线的截止时间，TST为过程响应趋势曲线的起始时间。
优选地，所述惯性组合滤波器为：
Figure BDA0002138874800000022
其中，ICF(s)为惯性组合滤波器的传递函数，n为整数阶次；
则所述目标过程模型为：
Figure BDA0002138874800000023
本申请第二方面提供了一种获取过程模型的装置，包括：
第一获得单元，被配置为根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；
第二获得单元，被配置为利用惯性组合滤波器近似所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型。
优选地，还包括：
误差调节单元，被配置为调节所述目标过程模型中的整数阶次，以减小所述过程对象和所述目标过程模型的模型误差。
本申请第三方面提供了一种获取过程模型的设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的获取过程模型的方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的获取过程模型的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种获取过程模型的方法，包括：根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；利用惯性组合滤波器近似所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型。本申请中，申请人在利用Z-N法则获取过程模型的过程中发现，在一些计算量较大的系统中得到的过程模型存在较大的误差，究其原因发现是因为滑动窗滤波器存在增益上的误差累积导致的，故申请人通过惯性组合滤波器近似过程模型中的滑动窗滤波器，因为惯性组合滤波器优良的数据处理特性，数据处理时的增益误差不会累计，使得在计算量较大系统中，也可以得到较为准确的过程模型，从而解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
附图说明
图1为本申请实施例中一种获取过程模型的方法的第一实施例的流程示意图；
图2为本申请实施例中一种获取过程模型的方法的第二实施例的流程示意图；
图3为本申请实施例二中获取的过程响应趋势曲线；
图4为本申请应用例中获取的过程响应趋势曲线；
图5为本申请实施例中一种获取过程模型的装置的结构示意图。
具体实施方式
本申请实施例提供了一种获取过程模型的方法、装置及设备，解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例中一种获取过程模型的方法的第一实施例的流程示意图，包括：
步骤101、根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到过程对象的过程模型。
步骤102、利用惯性组合滤波器近似过程模型中的滑动窗滤波器，得到过程对象的新过程模型，并将新过程模型作为过程对象的目标过程模型。
本实施例中，申请人在利用Z-N法则获取过程模型的过程中发现，在一些计算量较大的系统中得到的过程模型存在较大的误差，究其原因发现是因为滑动窗滤波器存在增益上的误差累积导致的，故申请人通过惯性组合滤波器近似过程模型中的滑动窗滤波器，因为惯性组合滤波器优良的数据处理特性，数据处理时的增益误差不会累计，使得在计算量较大系统中，也可以得到较为准确的过程模型，从而解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
以上为本申请实施例提供的一种获取过程模型的方法的第一实施例，以下为本申请实施例提供的一种获取过程模型的方法的第二实施例。
请参阅图2，本申请实施例中一种获取过程模型的方法的第二实施例的流程示意图，包括：
步骤201、获取过程对象在单位阶跃输入时的过程响应趋势曲线。
本实施例中，获取过程对象在单位阶跃输入时的过程响应趋势曲线如图3所示。
步骤202、获取过程响应趋势曲线上切线斜率最大的位置点。
本实施例中，获取过程响应曲线上切线斜率最大的位置点，如图3中的P点所示。
步骤203、绘制经位置点的切线，得到过程对象的过程模型，其中，切线终止于过程响应趋势曲线的终值处。
本实施例中，如图3所示，过程响应趋势曲线的终值为图3中的PS-END所示，该切线起始于x轴、截止于过程响应的终值PS-END在y轴的水平线，该切线的起始点在x轴的时间为起始时间(Starting time,ST)，截止点在x轴的时间为截止时间(End time,ET)。
需要说明的是，过程模型为：
Figure BDA0002138874800000051
其中，Z-N:M(s)为过程模型的传递函数，K为过程增益，K＝PS-END，PS-END为过程响应趋势曲线的终值，τ为过程延迟时间，T为过程时间常数，T＝TET-TST，TET为过程响应趋势曲线的截止时间，TST为过程响应趋势曲线的起始时间。
步骤204、利用惯性组合滤波器近似过程模型中的滑动窗滤波器，得到过程对象的新过程模型，并将新过程模型作为过程对象的目标过程模型。
需要说明的是，惯性组合滤波器为：
Figure BDA0002138874800000052
其中，ICF(s)为惯性组合滤波器的传递函数，n为整数阶次；
则目标过程模型为：
Figure BDA0002138874800000053
步骤205、调节目标过程模型中的整数阶次，以减小过程对象和目标过程模型的模型误差。
需要说明的是，整数阶次n没有上限，整数阶次n越大，惯性组合滤波器与滑动窗滤波器的近似度也越高。实际将整数阶次n用于调整新型模型与过程对象的近似度，一般整数阶次的调整范围为[2,16]。
本实施例中，申请人在利用Z-N法则获取过程模型的过程中发现，在一些计算量较大的系统中得到的过程模型存在较大的误差，究其原因发现是因为滑动窗滤波器存在增益上的误差累积导致的，故申请人通过惯性组合滤波器近似过程模型中的滑动窗滤波器，因为惯性组合滤波器优良的数据处理特性，数据处理时的增益误差不会累计，使得在计算量较大系统中，也可以得到较为准确的过程模型，从而解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
为了便于说明，本申请实施例还提供了一种获取过程模型的应用例。
首先确定本应用例中过程对象的表达式为
Figure BDA0002138874800000061
其中，P(s)为过程对象的传递函数。
根据过程对象在单位阶跃输入时的过程输出，得到上述过程对象的Z-N模型的表达式为
Figure BDA0002138874800000062
其中，Z-N:M(s)为过程对象的Z-N模型的传递函数。
根据过程对象的Z-N模型的传递函数，利用惯性组合滤波器近似Z-N模型中的滑动窗滤波器，得到本应用例中过程对象的新过程模型的表达式为
Figure BDA0002138874800000063
其中，NM(s)为本应用例中过程对象的新过程模型的传递函数，ICF(s)为新过程模型中的惯性组合滤波器的传递函数，n为整数阶次，单位为无量纲。
通过调整整数阶次n，减小新过程模型与过程对象之间的模型误差。
其中模型误差采用均方差来计算，表达式为
Figure BDA0002138874800000064
其中，ME为模型误差，单位为无量纲，TME为计算模型误差的时间长度，单位为s。PS(t)为本应用例中过程对象在单位阶跃输入的过程输出，PS-NM(t)为过程对象的新过程模型在单位阶跃输入的过程输出。在本应用例中，设置TME＝1600s，整数阶次n的调整范围设置为2-16。如果本应用例中过程对象的新过程模型与本应用例中过程对象之间没有误差，则模型误差ME为0。其中在整数阶次n＝6时，得到模型误差ME最小。因此在本应用例中，最终确定整数阶次n＝6。
在本应用例中，过程对象在单位阶跃输入的过程输出、Z-N模型在单位阶跃输入的过程输出、简化模型在单位阶跃输入的过程输出、新型模型在单位阶跃输入的过程输出，如图4所示。
在图4中：PS(t)为过程对象在单位阶跃输入的过程输出，PS-Z-N:M(t)为过程对象的Z-N模型在单位阶跃输入的过程输出，PS-NM(t)为过程对象的新过程模型在单位阶跃输入的过程输出，PS-SM(t)为过程对象的简化模型在单位阶跃输入的过程输出。
由图4可知，在t>226s时，PS-NM(t)与PS(t)基本重合，表明了本应用例中过程对象的新过程模型与过程对象之间的误差较小。
以上为本申请实施例提供的一种获取过程模型的方法的应用例，以下为本申请实施例提供的一种获取过程模型的装置的实施例。
请参阅图5，本申请实施例中一种用于卫星网络的通信装置的结构示意图，包括：
第一获得单元501，被配置为根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到过程对象的过程模型；
第二获得单元502，被配置为利用惯性组合滤波器近似过程模型中的滑动窗滤波器，得到过程对象的新过程模型，并将新过程模型作为过程对象的目标过程模型。
进一步地，还包括：
误差调节单元503，被配置为调节目标过程模型中的整数阶次，以减小过程对象和目标过程模型的模型误差。
本实施例中，申请人在利用Z-N法则获取过程模型的过程中发现，在一些计算量较大的系统中得到的过程模型存在较大的误差，究其原因发现是因为滑动窗滤波器存在增益上的误差累积导致的，故申请人通过惯性组合滤波器近似过程模型中的滑动窗滤波器，因为惯性组合滤波器优良的数据处理特性，数据处理时的增益误差不会累计，使得在计算量较大系统中，也可以得到较为准确的过程模型，从而解决了现有利用Z-N法则得到的过程模型误差较大的技术问题。
本申请实施例还提供了一种获取过程模型的设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的获取过程模型的方法。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述的获取过程模型的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的待安装电网网络，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种获取过程模型的方法，其特征在于，包括：
根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；
利用惯性组合滤波器作为所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型；
调节所述目标过程模型中的整数阶次，以减小所述过程对象和所述目标过程模型的模型误差；
所述惯性组合滤波器为：
Figure 492509DEST_PATH_IMAGE001
；
其中，ICF(s)为惯性组合滤波器的传递函数，n为整数阶次，T为惯性组合滤波器的时间常数；
则所述目标过程模型为：
Figure 827675DEST_PATH_IMAGE002
；
其中，
Figure 618914DEST_PATH_IMAGE003
为过程增益，τ为过程延迟时间。
2.根据权利要求1所述的获取过程模型的方法，其特征在于，所述整数阶次的调整范围为[2,16]。
3.根据权利要求1所述的获取过程模型的方法，其特征在于，所述根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型具体包括：
获取过程对象在单位阶跃输入时的过程响应趋势曲线；
获取所述过程响应趋势曲线上切线斜率最大的位置点；
绘制经所述位置点的切线，得到所述过程对象的过程模型，其中，所述切线终止于所述过程响应趋势曲线的终值处。
4.根据权利要求1所述的获取过程模型的方法，其特征在于，所述过程模型为：
Figure 757116DEST_PATH_IMAGE004
；
其中，
Figure 255093DEST_PATH_IMAGE005
为过程模型的传递函数，
Figure 89057DEST_PATH_IMAGE003
为过程增益，
Figure 39695DEST_PATH_IMAGE006
，
Figure 984518DEST_PATH_IMAGE007
为过程响应趋势曲线的终值，τ为过程延迟时间，T为过程时间常数，
Figure 399318DEST_PATH_IMAGE008
，T ET为过程响应趋势曲线的截止时间，T ST为过程响应趋势曲线的起始时间。
5.一种获取过程模型的装置，其特征在于，包括：
第一获得单元，被配置为根据过程对象在单位阶跃响应输入的过程响应趋势曲线，得到所述过程对象的过程模型；
第二获得单元，被配置为利用惯性组合滤波器作为所述过程模型中的滑动窗滤波器，得到所述过程对象的新过程模型，并将所述新过程模型作为所述过程对象的目标过程模型；
误差调节单元，被配置为调节所述目标过程模型中的整数阶次，以减小所述过程对象和所述目标过程模型的模型误差；
所述惯性组合滤波器为：
Figure 341867DEST_PATH_IMAGE001
；
其中，ICF(s)为惯性组合滤波器的传递函数，n为整数阶次，T为惯性组合滤波器的时间常数；
则所述目标过程模型为：
Figure 842118DEST_PATH_IMAGE002
；
其中，
Figure 325052DEST_PATH_IMAGE003
为过程增益，τ为过程延迟时间。
6.一种获取过程模型的设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至4中任一项所述的获取过程模型的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1至4中任一项所述的获取过程模型的方法。
CN201910662010.4A 2019-07-22 2019-07-22 一种获取过程模型的方法、装置及设备 Active CN110231772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910662010.4A CN110231772B (zh) 2019-07-22 2019-07-22 一种获取过程模型的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910662010.4A CN110231772B (zh) 2019-07-22 2019-07-22 一种获取过程模型的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110231772A CN110231772A (zh) 2019-09-13
CN110231772B true CN110231772B (zh) 2022-07-15

Family

ID=67855770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910662010.4A Active CN110231772B (zh) 2019-07-22 2019-07-22 一种获取过程模型的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110231772B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139291B (zh) * 2021-04-23 2022-09-16 广东电网有限责任公司电力科学研究院 一种获取被控过程最优滑动窗滤波模型的方法及装置
CN113485094B (zh) * 2021-08-02 2022-06-21 中北大学 一种获取过程最优zn模型的方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8930001B2 (en) * 2011-09-19 2015-01-06 Yokogawa Electric Corporation Method of model identification for a process with unknown initial conditions in an industrial plant
CN103744286A (zh) * 2013-12-31 2014-04-23 广东电网公司电力科学研究院 一种火力发电系统的控制器的设计方法和装置
CN106017474B (zh) * 2016-06-17 2018-02-27 北京航空航天大学 一种消除单点gps高次位置误差的双频组合滤波器及滤波方法
CN105929683B (zh) * 2016-06-23 2019-01-18 东南大学 一种微分可调pid控制器参数工程整定模型及方法
CN107270894B (zh) * 2017-06-02 2020-11-06 南京理工大学 基于维数约简的gnss/sins深组合导航系统
JP6979330B2 (ja) * 2017-10-30 2021-12-15 株式会社日立産機システム フィードバック制御方法、及びモータ制御装置
CN108958029A (zh) * 2018-06-25 2018-12-07 中国神华能源股份有限公司 用于参数整定方法和系统
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和系统
CN109001975B (zh) * 2018-08-02 2021-06-15 杭州电子科技大学 一种工业加热炉多模型分数阶控制方法
CN109495086A (zh) * 2018-11-08 2019-03-19 广东电网有限责任公司 一种惯性组合滤波方法、装置及设备
CN109143843A (zh) * 2018-11-08 2019-01-04 广东电网有限责任公司 一种微分信号提取方法、装置及设备
CN109856978B (zh) * 2019-03-26 2022-02-15 广东电网有限责任公司 一种获取被控对象模型的方法及装置

Also Published As

Publication number Publication date
CN110231772A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN109856978B (zh) 一种获取被控对象模型的方法及装置
US20160105595A1 (en) Auto-Iris Control Method
CN110231772B (zh) 一种获取过程模型的方法、装置及设备
JP6703013B2 (ja) 支払い閾値取得方法及び装置
EP3524810B1 (en) Method and apparatus for controlling variable pitch of wind-driven generator set under extreme turbulent wind conditions
US11356386B2 (en) Method and apparatus for setting link priority
CN110289994B (zh) 一种集群容量调整方法及装置
CN111522324B (zh) 半导体温控装置的测试方法、装置、电子设备及存储介质
CN109284062B (zh) 一种触摸数据处理方法、装置、终端和介质
CN111064776A (zh) 区块链中区块的生成方法、设备及存储介质
EP4096187A1 (en) Method and apparatus for managing internet of things device
US11025357B1 (en) Robust sensor timestamp management
CN110798527B (zh) 一种节点数据部署方法、装置、系统及介质
CN110109970B (zh) 一种数据查询处理方法及装置
CN109445279B (zh) 参数调整方法及电子设备
KR102278353B1 (ko) 서보 시스템의 자동 공진 검출 및 억제 장치 및 그 방법
CN109375896B (zh) 一种类似积分方法及装置
CN114245127B (zh) 一种云桌面编码器的参数调整方法、装置、设备及介质
US9606887B2 (en) Persisting large volumes of data in an efficient unobtrusive manner
CN111104383B (zh) 一种检测事件日志突发漂移变化的方法及装置
CN110926277B (zh) 火箭备保起飞的判定方法及装置
CN110622116A (zh) 坐标平滑方法、触控芯片及电子终端
CN114296496A (zh) 一种温度控制方法及装置
CN110109395B (zh) 一种过程的频率带宽的获取方法、装置、设备和存储介质
CN110673977B (zh) 一种数据恢复的优化方法、装置、设备及介质

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