CN111339636B - 工艺环境控制方法及系统 - Google Patents

工艺环境控制方法及系统 Download PDF

Info

Publication number
CN111339636B
CN111339636B CN202010071147.5A CN202010071147A CN111339636B CN 111339636 B CN111339636 B CN 111339636B CN 202010071147 A CN202010071147 A CN 202010071147A CN 111339636 B CN111339636 B CN 111339636B
Authority
CN
China
Prior art keywords
moment
model
process environment
time
environment state
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
CN202010071147.5A
Other languages
English (en)
Other versions
CN111339636A (zh
Inventor
刘建涛
张立超
刘耀琴
肖托
陈洪
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.)
Beijing Naura Microelectronics Equipment Co Ltd
Original Assignee
Beijing Naura Microelectronics Equipment 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 Beijing Naura Microelectronics Equipment Co Ltd filed Critical Beijing Naura Microelectronics Equipment Co Ltd
Priority to CN202010071147.5A priority Critical patent/CN111339636B/zh
Publication of CN111339636A publication Critical patent/CN111339636A/zh
Application granted granted Critical
Publication of CN111339636B publication Critical patent/CN111339636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明提供一种工艺环境控制方法及系统，该方法包括以下步骤：S1、依据时间序列依次获取工艺环境状态参量截止至k‑1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻；S2、基于历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数；S3、将模型参数输入模型，以得到工艺环境状态参量在k时刻的当前输入值，并发送至被控对象；S4、将k‑1时刻替换为k时刻，并返回步骤S1。本发明提供的工艺环境控制方法及系统的技术方案，不仅可以提高工艺环境状态参量的控制精度，而且解决了处理的数据量大，占用内存大，无法在线估计参数等的问题。

Description

工艺环境控制方法及系统
技术领域
本发明涉及半导体制造领域，具体地，涉及一种工艺环境控制方法及系统。
背景技术
目前，半导体制造中经常采用热处理工艺进行薄膜介质制备，该工艺是对腔室中的工艺介质进行热处理的过程，在进行热处理工艺的过程中，通过控制诸如腔室温度、腔室压力及物料供应流量等的工艺环境状态参量，来满足介质生产的环境条件。如何使这些工艺环境状态参量快速达到目标值或收敛到参量指标是改进工艺生产环境的重要参考课题。
目前对诸如热处理设备的工艺环境的研究大多集中在参量建模或在线估计上，即，基于诸如腔室中的环境温度、腔室压力等的环境状态参量建立状态模型，并依据误差指标寻找最优控制参量，但是，传统方法中对于模型的输入选择大多是根据主观确定，这会影响模型的精度和建模效率。虽然可以通过实验获取足够量的数据来提高模型精度，但是这又存在处理的数据量大，占用内存大，无法在线估计参数等的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种工艺环境控制方法及系统，其不仅可以提高工艺环境状态参量的控制精度，而且解决了处理的数据量大，占用内存大，无法在线估计参数等的问题。
为实现本发明的目的而提供一种工艺环境控制方法，所述方法包括以下步骤：
S1、依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻；
S2、基于所述历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数；
S3、将所述模型参数输入所述模型，以得到所述工艺环境状态参量在k时刻的当前输入值，并发送至被控对象；
S4、将所述k-1时刻替换为k时刻，并返回所述步骤S1。
可选的，所述模型为多输入多输出的自回归移动平均模型。
可选的，所述模型满足以下函数公式：
其中，i,j＝1,2,…,N，N为所述历史输入值和所述历史输出值各自的采样个数，且N大于1；
u(k-d)为所述工艺环境状态参量在k时刻的当前输入值，d为采样时延；
yi(k)为所述模型参数；
Ai(Z-1)、Aj(Z-1)和Bi(Z-1)均为多项式矩阵。
可选的，所述步骤S2进一步包括以下步骤：
S21、基于所述历史数据向量，并利用下述θ(k)、K(k)和P(k)的公式采用所述递推最小二乘法递推计算获得θ(k)；
其中，θ(k)和θ(k-1)分别为在k时刻和k-1时刻，所述递推最小二乘法待求得的未知数据与实际数据之间误差的平方和的最小值；K(k)为增益矩阵；P(k)为逆矩阵；y(k)为所述历史输出值；为截止至k-d时刻的所述历史数据向量的矩阵转置；/>为截止至k-d时刻的所述历史数据向量；
S22、将θ(k)和代入公式/>以计算获得y(k)；
其中，为截止至k-1时刻的所述历史数据向量；y(k)为所述模型参数。
可选的，在所述步骤S1之前，还包括以下步骤：
S0，设置θ(0)和P(0)的初始值；
其中，使θ(0)＝0，P(0)＝αI，α为指定大小的正数；I为单位矩阵。
可选的，所述工艺环境状态参量包括腔室温度、腔室压力或者输送至腔室内的气体流量。
作为另一个技术方案，本发明还提供一种工艺环境控制系统，包括：
获取模块，用于依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻；
计算模块，用于基于所述历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数；
控制模块，用于将所述模型参数输入所述模型，以得到所述工艺环境状态参量在k时刻的当前输入值，并发送至被控对象，然后将所述k-1时刻替换为k时刻，并向所述获取模块发送控制信号。
可选的，所述模型满足以下函数公式：
其中，i,j＝1,2,…,N，N为所述历史输入值和所述历史输出值各自的采样个数，且N大于1；
u(k-d)为所述工艺环境状态参量在k时刻的当前输入值，d为采样时延；
yi(k)为所述模型参数；
Ai(Z-1)、Aj(Z-1)和Bi(Z-1)均为多项式矩阵。
可选的，所述计算模块还用于基于所述历史数据向量，并利用下述θ(k)、K(k)和P(k)的公式采用所述递推最小二乘法递推计算获得θ(k)；
其中，θ(k)和θ(k-1)分别为在k时刻和k-1时刻，所述递推最小二乘法待求得的未知数据与实际数据之间误差的平方和的最小值；K(k)为增益矩阵；P(k)为逆矩阵；y(k)为所述历史输出值；为截止至k-d时刻的所述历史数据向量的矩阵转置；/>为截止至k-d时刻的所述历史数据向量；
所述计算模块还用于将θ(k)和代入公式/>以计算获得y(k)；
其中，为截止至k-1时刻的所述历史数据向量；y(k)为所述模型参数。
可选的，所述工艺环境状态参量包括腔室温度、腔室压力或者物料供应流量。
本发明具有以下有益效果：
本发明提供的工艺环境控制方法及系统的技术方案中，基于工艺环境状态参量的输入值和输出值在时序上的相关性，采用递推最小二乘法不断递推计算，以获得预先建立的模型在k时刻的模型参数，并通过将该模型参数输入模型，得到工艺环境状态参量的当前输入值，且发送至被控对象。由此不仅实现了工艺环境状态参量的在线调节，而且可以充分利用工艺环境状态参量的在线数据，提高工艺环境状态参量的优化精度，同时可以减小数据处理量和占用内存，从而具有较高的工程实用意义。
附图说明
图1为本发明实施例提供的工艺环境控制方法的流程框图；
图2为本发明实施例提供的工艺环境控制系统的原理框图；
图3为本发明实施例中当前输入值的曲线图；
图4为本发明实施例中目标输出值与实际输出值的曲线对比图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明提供的工艺环境控制方法及系统进行详细描述。
如图1所示，为本发明实施例提供的工艺环境控制方法的流程框图。该工艺环境控制方法包括：
步骤S1、依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻。
上述工艺环境状态参量的输入值和输出值，是由控制器在历史时刻运行产生的数据，该控制器用于控制被控对象，具体地，通过预先建立的模型进行计算得到工艺环境状态参量的当前输入值，并发送至上述被控对象。该被控对象为工艺环境状态参量的执行元件，例如用于调节腔室温度的温控器。
k-1时刻即为当前时刻k的前一时刻，而工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，即为k时刻以前(即，0至k-1时刻之间)所有的输入值和输出值。
可选的，工艺环境状态参量为腔室温度、腔室压力或者物料供应流量等等。
工艺环境状态参量截止至k-1时刻的历史数据向量为：
其中，N为采样个数，且N大于1。y表示工艺环境状态参量，例如腔室温度。
在进行工艺的过程中，上述工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值均可以通过控制器在线实时获得。
步骤S2、基于上述历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数。
上述递推最小二乘法是一种根据控制器在历史时刻运行产生的数据估计当前时刻真实输出的方法，即，根据在k时刻之前的设定个数的历史输入值和历史输出值估计工艺环境状态参量在k时刻的当前输入值。
可选的，预先建立的模型可以为多输入多输出的自回归移动平均(Multi-inputMulti-output Autoregressive Moving Average，以下简称M-ARMAX)模型。该M-ARMAX模型的算法结构简单，可以减小数据处理量和占用内存，从而具有较高的工程实用意义。
具体地，上述M-ARMAX模型满足以下函数公式：
其中，i,j＝1,2,…,N，N为上述历史输入值和历史输出值各自的采样个数，且N大于1；
u(k-d)为工艺环境状态参量在k时刻的当前输入值，d为采样时延；
yi(k)为模型参数，该参数可以表示基于在k-1时刻的历史输出值对在k时刻的输出值的预报；
Ai(Z-1)、Aj(Z-1)和Bi(Z-1)均为多项式矩阵。
在本实施例中，上述步骤S2包括：
步骤S21、基于历史数据向量，并利用下述θ(k)、K(k)和P(k)的公式采用递推最小二乘法递推计算获得θ(k)；
其中，θ(k)和θ(k-1)分别为在k时刻和k-1时刻，采用递推最小二乘法待求得的未知数据与实际数据之间误差的平方和的最小值(估值)，容易理解，θ(k-1)是k-1时刻获得的，其在计算θ(k)时是已知的。K(k)为增益矩阵；P(k)为逆矩阵；y(k)为历史输出值；为截止至k-d时刻的历史数据向量的矩阵转置；/>为截止至k-d时刻的历史数据向量。
对于上述M-ARMAX模型来说，上述θ(k)即为递推最小二乘法的参数向量。
具体地，基于历史数据向量，并采用最小二乘法计算可得分别在k时刻和k-1时刻的参数向量的估值：
考虑到则可以通过递推计算可以得到公式：
取最终可以递推计算获得上述θ(k)、K(k)和P(k)的公式。需要说明的是，在实际应用中，上述θ(k)、K(k)和P(k)的公式采用递推最小二乘法递推计算获得θ(k)，以及公式/>的推导均可以采用常用的矩阵递推计算方法来实现。
S22、将θ(k)和代入公式/>以计算获得y(k)。
其中，为截止至k-1的历史数据向量；y(k)为模型参数。
S3、将模型参数输入上述模型，以得到工艺环境状态参量的当前输入值，并发送至被控对象；
S4、将k-1时刻替换为k时刻，并返回上述步骤S1。
可选的，在上述步骤S1之前，还包括以下步骤：
S0，设置θ(0)和P(0)的初始值；
其中，使θ(0)＝0，P(0)＝αI，α为指定大小的正数；I为单位矩阵。
可选的，在上述步骤S3之后，且在上述步骤S4之前，还包括：
判断在k时刻的被控对象的实际输出值与目标值的差值是否在设定范围内；若是，则流程结束；若否，则进行上述步骤S4。
请一并参阅图3和图4，以预先建立的模型满足以下函数公式为例：
y(k)＝1.7y(k-1)+0.7y(k-2)+u(k-4)+2u(k-5)
其中，y(k)为在k时刻的模型参数；y(k-1)和y(k-2)分别为在k-1时刻和k-2时刻的模型参数，其对于y(k)均是已知的；u(k-4)和u(k-5)分别为工艺环境状态参量在k时刻和k-1时刻的当前输入值，且采样时延为4。
采用本发明实施例提供的工艺环境控制方法获得的工艺环境状态参量的当前输入值u(k)与k时刻的曲线如图3所示，在此基础上，已知：被控对象的目标输出值(幅值)yr(k)为10，该最大目标值yr(k)与时刻k的曲线如图4中的虚线所示，则依据上述模型所采用的函数公式，可以计算获得被控对象的实际输出值y(k)，该实际输出值y(k)与时刻k的曲线如图4中的实线所示。
通过两条曲线的对比可知，采用本发明实施例提供的工艺环境控制方法获得的实际输出值y(k)接近目标输出值yr(k)，具有较高的控制精度。
本发明实施例提供的工艺环境控制方法，其基于工艺环境状态参量的输入值和输出值在时序上的相关性，采用递推最小二乘法不断递推计算，以获得预先建立的模型在k时刻的模型参数，并通过将该模型参数输入模型，得到工艺环境状态参量的当前输入值，且发送至被控对象。由此不仅实现了工艺环境状态参量的在线调节，而且可以充分利用工艺环境状态参量的在线数据，提高工艺环境状态参量的优化精度，同时可以减小数据处理量和占用内存，从而具有较高的工程实用意义。
作为另一个技术方案，本发明实施例还提供了一种工艺环境控制系统，如图2所示，工艺环境控制系统包括：获取模块1、计算模块2和控制模块3。
其中，获取模块1用于依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻。计算模块2用于基于历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数。控制模块3用于将模型参数输入模型，以得到工艺环境状态参量在k时刻的当前输入值，并发送至被控对象，然后将k-1时刻替换为k时刻，并向获取模块发送控制信号，根据该控制信号，获取模块1重新依据时间序列依次获取工艺环境状态参量截止至k时刻的历史输入值和历史输出值，以构建历史数据向量。
上述工艺环境状态参量的输入值和输出值，是由控制器在历史时刻运行产生的数据，该控制器用于控制被控对象，具体地，通过预先建立的模型进行计算得到工艺环境状态参量的当前输入值，并发送至上述被控对象。该被控对象为工艺环境状态参量的执行元件，例如用于调节腔室温度的温控器。
k-1时刻即为当前时刻k的前一时刻，而工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，即为k时刻以前(即，0至k-1时刻之间)所有的输入值和输出值。
可选的，工艺环境状态参量为腔室温度、腔室压力或者物料供应流量等等。
在进行工艺的过程中，上述工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值均可以通过控制器在线实时获得。
可选的，预先建立的模型可以为多输入多输出的自回归移动平均(Multi-inputMulti-output Autoregressive Moving Average，以下简称M-ARMAX)模型。该M-ARMAX模型的算法结构简单，可以减小数据处理量和占用内存，从而具有较高的工程实用意义。
具体地，上述M-ARMAX模型满足以下函数公式：
其中，i,j＝1,2,…,N，N为上述历史输入值和历史输出值各自的采样个数，且N大于1；
u(k-d)为工艺环境状态参量在k时刻的当前输入值，d为采样时延；
yi(k)为模型参数，该参数可以表示基于在k-1时刻的历史输出值对在k时刻的输出值的预报；
Ai(Z-1)、Aj(Z-1)和Bi(Z-1)均为多项式矩阵。
在本实施例中，计算模块2还用于基于历史数据向量，并利用下述θ(k)、K(k)和P(k)的公式采用递推最小二乘法递推计算获得θ(k)；
其中，θ(k)和θ(k-1)分别为在k时刻和k-1时刻，递推最小二乘法待求得的未知数据与实际数据之间误差的平方和的最小值；K(k)为增益矩阵；P(k)为逆矩阵；y(k)为历史输出值；为截止至k-d时刻的所述历史数据向量的矩阵转置；/>为截止至k-d时刻的所述历史数据向量；
所述计算模块还用于将θ(k)和代入公式/>以计算获得y(k)；
其中，为所述历史数据向量；y(k)为所述模型参数。
本发明实施例提供的工艺环境控制系统，其基于工艺环境状态参量的输入值和输出值在时序上的相关性，采用递推最小二乘法不断递推计算，以获得预先建立的模型在k时刻的模型参数，并通过将该模型参数输入模型，得到工艺环境状态参量的当前输入值，且发送至被控对象。由此不仅实现了工艺环境状态参量的在线调节，而且可以充分利用工艺环境状态参量的在线数据，提高工艺环境状态参量的优化精度，同时可以减小数据处理量和占用内存，从而具有较高的工程实用意义。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (5)

1.一种工艺环境控制方法，其特征在于，所述方法包括以下步骤：
S1、依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻；
S2、基于所述历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数；
S3、将所述模型参数输入所述模型，以得到所述工艺环境状态参量在k时刻的当前输入值，并发送至被控对象；
S4、将所述k-1时刻替换为k时刻，并返回所述步骤S1；
所述预先建立的模型满足以下函数公式：
y(k)＝1.7y(k-1)+0.7y(k-2)+u(k-4)+2u(k-5)
其中，y(k)为在k时刻的模型参数；y(k-1)和y(k-2)分别为在k-1时刻和k-2时刻的模型参数；u(k-4)和u(k-5)分别为所述工艺环境状态参量在k时刻和k-1时刻的当前输入值，且采样时延为4。
2.根据权利要求1所述的工艺环境控制方法，其特征在于，所述模型为多输入多输出的自回归移动平均模型。
3.根据权利要求1所述的工艺环境控制方法，其特征在于，所述工艺环境状态参量包括腔室温度、腔室压力或者输送至腔室内的气体流量。
4.一种工艺环境控制系统，其特征在于，包括：
获取模块，用于依据时间序列依次获取工艺环境状态参量截止至k-1时刻的历史输入值和历史输出值，以构建历史数据向量；其中，k为当前时刻；
计算模块，用于基于所述历史数据向量，采用递推最小二乘法计算获得预先建立的模型在k时刻的模型参数；
控制模块，用于将所述模型参数输入所述模型，以得到所述工艺环境状态参量在k时刻的当前输入值，并发送至被控对象，然后将所述k-1时刻替换为k时刻，并向所述获取模块发送控制信号；
所述预先建立的模型满足以下函数公式：
y(k)＝1.7y(k-1)+0.7y(k-2)+u(k-4)+2u(k-5)
其中，y(k)为在k时刻的模型参数；y(k-1)和y(k-2)分别为在k-1时刻和k-2时刻的模型参数；u(k-4)和u(k-5)分别为所述工艺环境状态参量在k时刻和k-1时刻的当前输入值，且采样时延为4。
5.根据权利要求4所述的工艺环境控制系统，其特征在于，所述工艺环境状态参量包括腔室温度、腔室压力或者物料供应流量。
CN202010071147.5A 2020-01-21 2020-01-21 工艺环境控制方法及系统 Active CN111339636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010071147.5A CN111339636B (zh) 2020-01-21 2020-01-21 工艺环境控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071147.5A CN111339636B (zh) 2020-01-21 2020-01-21 工艺环境控制方法及系统

Publications (2)

Publication Number Publication Date
CN111339636A CN111339636A (zh) 2020-06-26
CN111339636B true CN111339636B (zh) 2024-05-17

Family

ID=71181422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071147.5A Active CN111339636B (zh) 2020-01-21 2020-01-21 工艺环境控制方法及系统

Country Status (1)

Country Link
CN (1) CN111339636B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102466412A (zh) * 2010-11-17 2012-05-23 中国科学院空间科学与应用研究中心 一种多温区炉综合控制系统及方法
CN102540891A (zh) * 2012-01-17 2012-07-04 中冶南方工程技术有限公司 基于递推增广最小二乘法的结晶器armax模型辨识方法
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN106227699A (zh) * 2016-07-04 2016-12-14 东北大学 一种高炉炉喉十字测温装置中心带温度预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0625832D0 (en) * 2006-12-22 2007-02-07 Ricardo Uk Ltd Real-time in cycle engine model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102466412A (zh) * 2010-11-17 2012-05-23 中国科学院空间科学与应用研究中心 一种多温区炉综合控制系统及方法
CN102540891A (zh) * 2012-01-17 2012-07-04 中冶南方工程技术有限公司 基于递推增广最小二乘法的结晶器armax模型辨识方法
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN106227699A (zh) * 2016-07-04 2016-12-14 东北大学 一种高炉炉喉十字测温装置中心带温度预测方法及系统

Also Published As

Publication number Publication date
CN111339636A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
GÜVENÇ et al. Performance analysis of biogeography-based optimization for automatic voltage regulator system
CN108134114B (zh) 一种质子交换膜燃料电池温度控制方法
Khan et al. Design and implementation of an optimal fuzzy logic controller using genetic algorithm
CN105807607B (zh) 一种遗传算法优化预测模糊pid焦化炉温度控制方法
CN107392352B (zh) 一种基于融合极限学习机的电池未来温度预测方法及系统
CN109612289A (zh) 基于预测控制的模糊pid电阻炉温度控制方法
JP2013069094A (ja) 制御方法および制御装置
Wen et al. Characterizing the gap between actor-critic and policy gradient
CN111339636B (zh) 工艺环境控制方法及系统
Sanatizadeh et al. The design of a coprime‐factorized predictive functional controller for unstable fractional order systems
CN111143968A (zh) 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法
CN105955350B (zh) 遗传算法优化加热炉温度的分数阶预测函数控制方法
CN110516198B (zh) 一种分布式非线性卡尔曼滤波方法
CN111505942A (zh) 一种分数阶互联系统的分散式自适应控制器的设计方法
Elmetennani et al. Bilinear approximate model-based robust lyapunov control for parabolic distributed collectors
CN112114517A (zh) 3d打印温度控制算法
Rhouma et al. Practical application of model predictive control to fractional thermal system
Ge et al. Research on modeling of PEMFC based on fractional order subspace identification
Rsetam et al. Robust state feedback control of electric heating furnace using a new disturbance observer
CN111274752B (zh) 一种基于两级开环和二元函数的功率放大器行为建模方法
CN110045616B (zh) 一种搅拌反应罐的鲁棒预测控制方法
Zhang et al. Robust adaptive control of Hammerstein nonlinear systems and its application to typical CSTR problems
Guojun et al. A real-time updated model predictive control strategy for batch processes based on state estimation
CN110531715B (zh) Lpcvd工艺生产环境的控制方法及系统
Konwar A review on sliding mode control: An approach for robust control process

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