CN110262238A - 一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 - Google Patents
一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 Download PDFInfo
- Publication number
- CN110262238A CN110262238A CN201910556038.XA CN201910556038A CN110262238A CN 110262238 A CN110262238 A CN 110262238A CN 201910556038 A CN201910556038 A CN 201910556038A CN 110262238 A CN110262238 A CN 110262238A
- Authority
- CN
- China
- Prior art keywords
- learning
- control
- iteration
- output
- feedforward
- 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
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 53
- 230000006835 compression Effects 0.000 title claims abstract description 23
- 238000007906 compression Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 43
- 238000011217 control strategy Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 description 8
- 239000003507 refrigerant Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009920 food preservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种学习前馈控制器及蒸汽压缩制冷控制系统。其中,学习前馈控制器的学习前馈控制策略为:t表示时间,j表示迭代循环次数,j为大于或等于1的正整数;表示第j次迭代的学习前馈项;表示第j‑1次迭代的学习前馈项;γ是学习增益,0<γ<1;表示第j‑1次迭代的被控系统输出与期望输出之间的误差对应的学习前馈项中误差反馈值。其能够综合提高前馈控制器的性能和鲁棒稳定性,而且该前馈控制器还能应用于蒸汽压缩制冷控制系统中,以提高制冷系统温度控制的实时性。
Description
技术领域
本公开属于蒸汽压缩制冷控制领域,尤其涉及一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
制冷系统是为了达到并保持某种产品或空间低于周围环境的温度而产生的冷却过程。它在食品保鲜、化工及工艺工业、制造工艺、金属冷处理、药品制造、制冰等多方面应用。随着现代技术的迅速发展,蒸汽压缩制冷系统成为目前商用和住宅空间制冷最常用的手段,导致能源消耗的快速增长,对能源的负面影响和经济平衡的影响。
近年来,关于蒸汽压缩制冷系统控制的线性技术得到了广泛的研究,这类方法均是基于模型的控制方法。然而,与制冷系统控制相关的许多挑战来自于部件本身和传热过程的基本特征,这些特性导致高热惯性、死时间、变量之间的高耦合和强非线性。因此,制冷系统是具有非线性的复杂系统,很难获得该过程的准确模型。首先,为了得到性能良好的控制器,需要一个精确的物理系统模型,这意味着需要费时、复杂的建模和识别过程。并且,因为制冷系统过程不确定性及参数变化的使得获得精确的制冷过程模型有时甚至是不可能的。另外,单纯采用反馈控制不能同时保证系统性能和鲁棒性。高性能反馈控制器一般不具有鲁棒稳定性和良好的性能。系统运行过程条件的微小变化会降低性能,甚至可能破坏系统的稳定,并且具有较大鲁棒性的反馈控制器往往性能不佳。
发明人发现,在基于模型的反馈控制器用于控制复杂的单级制冷过程中,模型的不精确将导致控制性能欠佳,这些问题可以利用前馈控制来解决,然而,针对制冷系统而言,传统前馈控制方法采用系统误差信息进行补偿和调控会带来控制时效性的影响。
发明内容
为解决基于模型的反馈控制器的建模中忽略的耦合和不确定性,本公开的第一个方面提供一种学习前馈控制器,其能够综合提高前馈控制器的性能和鲁棒稳定性,而且该前馈控制器还能应用于蒸汽压缩制冷控制系统中,以提高制冷系统温度控制的实时性。
为了实现上述目的,本公开采用如下技术方案:
一种学习前馈控制器,其学习前馈控制策略为:
其中,t表示时间,j表示迭代循环次数,j为大于或等于1的正整数;表示第j次迭代的学习前馈项;表示第j-1次迭代的学习前馈项;γ是学习增益,0<γ<1;表示第j-1次迭代的被控系统输出与期望输出之间的误差对应的学习前馈项中误差反馈值。
进一步地,所述学习前馈控制器为参考输入和期望输出之间映射的函数估计器,所述函数估计器由B样条神经网络实现,B样条神经网络由具有自适应权值的单隐层网络组成。
其中,B样条神经网络具有较短的学习评估时间和计算优势。
进一步地,函数估计器的表达式为:
其中,是第j次迭代的B样条权值,μi是第i个B样条的隶属度函数,i=1,2,...,N;N为大于或等于1的正整数。
其中,B样条网络权值随误差的变化而变化,直至使网络的平方和误差最小。当学习前馈控制的估计不完全时,产生的跟踪误差可以用反馈分量进行补偿。
本公开的第二个方面提供一种蒸汽压缩制冷控制系统,其将学习前馈控制与反馈控制相结合,提高了制冷系统温度控制的实时性。
为了实现上述目的,本公开采用如下技术方案:
一种蒸汽压缩制冷控制系统,包括上述所述的学习前馈控制器。
进一步地,所述蒸汽压缩制冷控制系统中的被控系统为单循环制冷系统,所述单循环制冷系统的被控变量为压缩机转速和阀门开启角度这两个变量。
进一步地,所述蒸汽压缩制冷控制系统还包括反馈控制器,其用于输出前一次迭代控制过程中单循环制冷系统输出温度与期望温度之间的误差对应的压缩机转速和阀门开启角度这两个变量的误差反馈值。
进一步地,所述学习前馈控制器和反馈控制器均与存储器相连,所述存储器用于存储学习前馈控制器和反馈控制器的输出量。
本公开的第三方面,提供了一种蒸汽压缩制冷控制系统的控制方法。
一种蒸汽压缩制冷控制系统的控制方法,包括:
步骤1:计算前一次迭代控制过程中单循环制冷系统输出温度与期望温度之间的误差分别对应的压缩机转速和阀门开启角度这两个变量的误差;
步骤2:根据前一次迭代控制过程中压缩机转速与相应学习增益相乘后,再与前一次迭代输出的压缩机转速叠加,得到当前控制过程中压缩机转速;
步骤3:根据前一次迭代控制过程中阀门开启角度与相应学习增益相乘后,再与前一次迭代输出的阀门开启角度叠加,得到当前控制过程中阀门开启角度;
步骤4:由当前控制过程中压缩机转速以及阀门开启角度,得到单循环制冷系统当前输出温度,并与期望温度比较,若存在误差,则返回步骤1;否则,控制结束。
本公开的有益效果是:
为解决建模中忽略的耦合和不确定性,综合提高性能和鲁棒稳定性,提高制冷系统温度控制的实时性,本公开的学习前馈控制器由反馈控制和前馈控制构成,使用的反馈组件不需要精确的过程模型,利用反馈控制信号构造前馈控制,随着系统周期迭代,实现制冷系统的温度精准控制。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例的学习前馈控制原理图。
图2是本公开实施例的单级循环制冷系统结构示意图。
图3(a)是本公开实施例的单级循环制冷系统蒸发器二次流量出口温度的期望输出。
图3(b)是本公开实施例的单级循环制冷系统过热程度限定值的温度期望输出。
图4(a)是本公开实施例的单级循环制冷系统的干扰信号为蒸发器二次通量入口温度示意图。
图4(b)是本公开实施例的单级循环制冷系统的干扰信号为蒸发器二次通量入口压力示意图。
图5(a)是本公开实施例的离散反馈控制与学习前馈控制系统的蒸发器二次流量出口温度输出对比图。
图5(b)是本公开实施例的离散反馈控制与学习前馈控制系统的过热程度限定值输出对比图。
图6是本公开实施例的学习前馈控制系统与离散反馈控制系统的定量比较结果。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在图1中,j表示迭代循环次数,yj分别表示第j次迭代的学习前馈项和系统输出,yd为期望输出。本实施例采用以下学习前馈控制方法构建前馈控制量:
其中,γ是学习增益,0<γ<1。与传统前馈控制方法不同,该前馈控制方法采用反馈信号构造前馈控制量。
理想情况下,前馈控制部分的输出uff应为使得系统输出y跟踪期望yd对应的系统输入。此时,系统的误差信号为0,系统的反馈信号ufb也为0。当前馈控制不完善,则会出现系统输出误差。
由此,ufb可以看做uff中误差的度量。在反馈控制的基础上,学习前馈控制用于补偿系统可重复干扰及噪声,使得系统控制自由度增加。该方法在提高反馈控制性能的同时,能够实现系统温度跟踪期望的制冷温度。该控制系统的优点:
1)将学习前馈控制与反馈控制相结合,应用于蒸汽压缩系统的控制,具有简单易行的特点。
2)控制系统设计不需要模型辨识,收敛性分析保证了所提策略的收敛性。
3)利用基准测试系统的仿真验证了算法的有效性,与传统控制方法相比,系统性能系数提高了35%。
下面以学习前馈控制器应用到单级循环制冷系统为例:
单级循环制冷系统简化示意图如图2所示,系统由电子节流阀、压缩机、蒸发器、冷凝器组成,其中,是蒸发器二次通量质量流,是冷凝器二次通量质量流,Te_sec.in是蒸发器二次通量入口温度,Tc_sec.in是冷凝器二次通量入口温度。在这个热力制冷循环中,制冷剂作为循环流体以蒸汽的形式进入压缩机。在恒定熵的压缩下,过热的蒸汽通过冷凝器,在冷凝器中,热量首先与二次流交换,然后蒸汽凝结成液体。通过膨胀阀,液体制冷剂在低压和低温下蒸发,热量被蒸发器吸收。系统的主要控制目标是实现预期制冷温度,即蒸发器二次流量出口温度(Tsec,evap,out)。此外,为保证较高的性能系数(COP),引入一个关于过热程度限定值(TSH)。因此,控制系统的设计方案是通过控制两个操纵变量(压缩机转速N和阀门开启角度Av),使这两个被控变量尽可能高效地跟踪它们的期望温度。
学习前馈控制器的具体设计中,学习前馈控制组件可看做一个能够创建参考输入和期望输出之间映射的函数估计器。B样条神经网络(BSN)具有较短的学习评估时间和计算优势,因此,本实施例采用B样条神经网络实现该函数估计,B样条神经网络由具有自适应权值的单隐层网络组成,如下式所示:
其中,是第j次迭代的B样条权值,μi是第i个B样条的隶属度函数,i=1,2,...,N;N为大于或等于1的正整数。
下面定义B-样条基函数:
设X是m+1个非递减数的集合,x0<=x2<=x3<=…<=xm,x称为节点,集合X称为节点向量。节点将区间[x0,xm]细分为节点区间。另外,定义基函数的次数p,第i个p次B-样条基函数,写为μi,p(u),则定义在[x0,xm]上的B样条基函数形式如下:
B样条神经网络在时刻t的输出是第j次迭代的学习前馈控制信号。B样条网络权值随误差的变化而变化,直至使网络的平方和误差最小。当学习前馈控制的估计不完全时,产生的跟踪误差可以用反馈分量进行补偿。
反馈控制器可以理解为学习前馈控制的误差量测,因此,利用反馈控制信号构建学习前馈控制策略,样条权值更新规则如下:
其中,表示B样条函数的隶属度函数,可由B样条基函数形式表示;
γ为权值更新参数,为正数。
由此,可以得到学习前馈控制策略为:
上述式子又可以整理为如下滤波器形式:
其中,H(z,z-1)为学习前馈估计器。
n阶B样条函数的隶属度函数是n-1阶分段的多项式函数。为使得函数估计更为准确,使用二阶加宽型B样条神经网络来获得具有有界时间导数的连续控制信号。
对于学习前馈控制策略的收敛性分析如下:
首先假设被控对象P的传递函数是线性的,被控对象可以是具有不确定性的非线性系统,但利用近线性化可以得到系统的线性模型。为说明学习前馈控制方法可以实现系统输出随着迭代会不断接近参考值,下面给出如下收敛性定理及证明。
定理:
如图1所示的线性系统,在反馈控制下重复执行给定的任务。引入学习前馈控制借助系统过程运行信息来优化系统性能。存在正实数γ以及学习前馈估计器H(z,z-1)可以使得学习系统收敛,
其中是的傅里叶表示;R(jω)是r(t)的傅里叶表示;P(jω)是p(t)的傅里叶表示。r(t)表示期望输出,p(t)表示系统模型。
收敛速率为:
其中G(jω)是闭环传递函数,令C(jω)表示反馈控制器,
G(jω)=C(jω)P(jω)/(1+C(jω))P(jω) (7)
从频域角度分析可以将(4)式整理为
其中是的傅里叶表示。
证明:由图1可知,反馈控制信号可以表示为:
Ufb(jω)=-G(jω)Uff(jω)+G(jω)R(jω)/P(jω) (9)
将(9)式带入(8)式可得:
上式不断迭代又可整理为:
已知G(jω)具有低通滤波特性,因此,可以得到结论,存在合适的γ及H(jω)可以使得等式(5)成立。
下面将利用基准测试系统对所提方法进行验证。基准测试系统提供了一个如图2所示的单级循环制冷系统,系统采用R404a制冷剂。搭建制冷系统标准仿真系统,引入表1所示的干扰。被控系统蒸发器二次流量出口温度(Tsec,evap,out)、过热程度限定值(TSH)的期望输出分别如图3(a)和图3(b)所示,被控系统的干扰信号为蒸发器二次通量入口温度,如图4(a),被控系统的干扰信号为蒸发器二次通量入口压力,如图4(b)所示。基准测试系统中提供了一种常用的离散反馈控制系统。
表1干扰向量
仿真系统的采样时间是1s,仿真时长1200s,给定学习前馈控制方法中的B样条神经网络分段函数宽度为m=9,为使控制变量更快收敛,给定算法的学习增益为γ=0.1,记本实施例提出的学习前馈控制方法为C1,基准测试系统提供的离散反馈控制器为C2。
图5(a)给出离散反馈控制与学习前馈控制系统的蒸发器二次流量出口温度输出对比图。图5(b)给出离散反馈控制与学习前馈控制系统的过热程度限定值输出对比图。可知学习前馈控制系统对蒸发器二次流出口温度和过热程度的跟踪性能优于离散反馈控制系统,特别是对扰动的跟踪性能。为对控制效果进行定量分析,采用以下八项表现指标及一项综合指标作进一步的比较评估,评估的结果如表2所示。
表2所示的8个性能指标进一步验证了BSN LFFC的控制效果,学习前馈控制方法的控制效果显著优越于离散反馈控制,前者较后者的综合指标J提高了35%。
其中,ei(t)表示第i次迭代控制的误差;IAEi表示第i次迭代控制绝对误差积分;IAVUi表示第i次迭代控制变化的绝对误差积分;ITAEi表示第i次迭代控制绝对误差时间积分;RIAEi表示第i次迭代控制绝对误差积分比率;RITAEi表示第i次迭代控制绝对误差时间积分比率;RIAVUi表示第i次迭代控制变化的绝对误差积分比率;tck,tsk分别用于定义积分区间,其中tck<tsk,k=1,2,3,4;wi表示各个指标的权重系数;J(C2,C1)表示学习前馈控制系统与离散反馈控制系统比较的综合指标。
表2学习前馈控制系统与离散反馈控制系统的定量比较
学习前馈控制系统与离散反馈控制系统的定量比较结果,如图6所示,由此可看出:本实施例所提供的学习前馈控制方法收敛速度更快。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种学习前馈控制器,其特征在于,所述前馈控制器的学习前馈控制策略为:
其中,t表示时间,j表示迭代循环次数,j为大于或等于1的正整数;表示第j次迭代的学习前馈项;表示第j-1次迭代的学习前馈项;γ是学习增益,0<γ<1;表示第j-1次迭代的被控系统输出与期望输出之间的误差对应的学习前馈项中误差反馈值。
2.如权利要求1所述的一种学习前馈控制器,其特征在于,所述学习前馈控制器为参考输入和期望输出之间映射的函数估计器,所述函数估计器由B样条神经网络实现,B样条神经网络由具有自适应权值的单隐层网络组成。
3.如权利要求2所述的一种学习前馈控制器,其特征在于,函数估计器的表达式为:
其中,是第j次迭代的B样条权值,μi是第i个B样条的隶属度函数,i=1,2,...,N;N为大于或等于1的正整数。
4.一种蒸汽压缩制冷控制系统,其特征在于,包括如权利要求1-3中任一项所述的学习前馈控制器。
5.如权利要求4所述的一种蒸汽压缩制冷控制系统,其特征在于,所述蒸汽压缩制冷控制系统中的被控系统为单循环制冷系统,所述单循环制冷系统的被控变量为压缩机转速和阀门开启角度这两个变量。
6.如权利要求5所述的一种蒸汽压缩制冷控制系统,其特征在于,所述蒸汽压缩制冷控制系统还包括反馈控制器,其用于输出前一次迭代控制过程中单循环制冷系统输出温度与期望温度之间的误差对应的压缩机转速和阀门开启角度这两个变量的误差反馈值。
7.如权利要求6所述的一种蒸汽压缩制冷控制系统,其特征在于,所述学习前馈控制器和反馈控制器均与存储器相连,所述存储器用于存储学习前馈控制器和反馈控制器的输出量。
8.一种如权利要求4-7中任一项所述的蒸汽压缩制冷控制系统的控制方法,其特征在于,包括:
步骤1:计算前一次迭代控制过程中单循环制冷系统输出温度与期望温度之间的误差分别对应的压缩机转速和阀门开启角度这两个变量的误差;
步骤2:根据前一次迭代控制过程中压缩机转速与相应学习增益相乘后,再与前一次迭代输出的压缩机转速叠加,得到当前控制过程中压缩机转速;
步骤3:根据前一次迭代控制过程中阀门开启角度与相应学习增益相乘后,再与前一次迭代输出的阀门开启角度叠加,得到当前控制过程中阀门开启角度;
步骤4:由当前控制过程中压缩机转速以及阀门开启角度,得到单循环制冷系统当前输出温度,并与期望温度比较,若存在误差,则返回步骤1;否则,控制结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556038.XA CN110262238A (zh) | 2019-06-25 | 2019-06-25 | 一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556038.XA CN110262238A (zh) | 2019-06-25 | 2019-06-25 | 一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262238A true CN110262238A (zh) | 2019-09-20 |
Family
ID=67921520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910556038.XA Pending CN110262238A (zh) | 2019-06-25 | 2019-06-25 | 一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262238A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258212A (zh) * | 2020-01-17 | 2020-06-09 | 山东大学 | 一种基于分数阶的迭代学习制冷控制系统及方法 |
CN112240998A (zh) * | 2020-09-29 | 2021-01-19 | 北京环境特性研究所 | 船载角反射器控制方法和装置 |
CN114440494A (zh) * | 2022-02-17 | 2022-05-06 | 广东芬尼克兹节能设备有限公司 | 一种压缩机频率调节方法、装置、计算机设备及存储介质 |
TWI785608B (zh) * | 2021-05-12 | 2022-12-01 | 復盛股份有限公司 | 流體機械及其控制方法 |
-
2019
- 2019-06-25 CN CN201910556038.XA patent/CN110262238A/zh active Pending
Non-Patent Citations (1)
Title |
---|
YANG ZHAO等: "Learning Feedforward Control of a One-Stage Refrigeration System", 《IEEE ACCESS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258212A (zh) * | 2020-01-17 | 2020-06-09 | 山东大学 | 一种基于分数阶的迭代学习制冷控制系统及方法 |
CN111258212B (zh) * | 2020-01-17 | 2021-07-06 | 山东大学 | 一种基于分数阶的迭代学习制冷控制系统及方法 |
CN112240998A (zh) * | 2020-09-29 | 2021-01-19 | 北京环境特性研究所 | 船载角反射器控制方法和装置 |
CN112240998B (zh) * | 2020-09-29 | 2024-01-19 | 北京环境特性研究所 | 船载角反射器控制方法和装置 |
TWI785608B (zh) * | 2021-05-12 | 2022-12-01 | 復盛股份有限公司 | 流體機械及其控制方法 |
CN114440494A (zh) * | 2022-02-17 | 2022-05-06 | 广东芬尼克兹节能设备有限公司 | 一种压缩机频率调节方法、装置、计算机设备及存储介质 |
CN114440494B (zh) * | 2022-02-17 | 2023-11-24 | 广东芬尼克兹节能设备有限公司 | 一种压缩机频率调节方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262238A (zh) | 一种学习前馈控制器、蒸汽压缩制冷控制系统及控制方法 | |
Homod et al. | Gradient auto-tuned Takagi–Sugeno Fuzzy Forward control of a HVAC system using predicted mean vote index | |
Li et al. | Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network | |
US9625196B2 (en) | System and method for controlling of vapor compression system | |
Guo et al. | A neural network assisted cascade control system for air handling unit | |
Bejarano et al. | Multivariable analysis and H∞ control of a one-stage refrigeration cycle | |
Schwingshackl et al. | LoLiMoT based MPC for air handling units in HVAC systems | |
JP6574227B2 (ja) | 複数の単一変数極値探索コントローラを使用した多変数最適化を伴うhvacシステム | |
CN106500857A (zh) | 一种温度传感器温度响应滞后补偿方法 | |
CN111258212B (zh) | 一种基于分数阶的迭代学习制冷控制系统及方法 | |
Yang et al. | Simultaneous control of indoor air temperature and humidity for a chilled water based air conditioning system using neural networks | |
Kim et al. | Disturbance observer-based robust control against model uncertainty and disturbance for a variable speed refrigeration system | |
CN108614435A (zh) | 非线性无模型预测控制方法 | |
CN110703718A (zh) | 一种基于信号补偿的工业过程控制方法 | |
Beghi et al. | On-line, auto-tuning control of Electronic Expansion Valves | |
CN106530118A (zh) | 多区互联电力系统负荷频率的约束gpc优化控制方法 | |
CN104898426A (zh) | 基于梯度下降法和广义预测控制的室温回路控制方法 | |
CN104536294A (zh) | 基于连续搅拌反应釜的多目标分层预测控制方法 | |
Chen et al. | Design of self-tuning SISO partial-form model-free adaptive controller for vapor-compression refrigeration system | |
Saleh et al. | Flow control methods in refrigeration systems: A | |
Yin et al. | Energy efficient predictive control for vapor compression refrigeration cycle systems | |
Cheng et al. | Nonlinear observer design for two-phase flow heat exchangers of air conditioning systems | |
Liavoli et al. | Sub-optimal observer-based controller design using the state dependent riccati equation approach for air-handling unit | |
Göltz et al. | Design and comparison of model-based controllers for an automotive air conditioning system in an electric vehicle | |
Schwingshackl et al. | Model extension for model based MIMO control in HVAC systems |
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: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |