CN111888788A - 一种适于中药提取浓缩的循环神经网络控制方法和系统 - Google Patents
一种适于中药提取浓缩的循环神经网络控制方法和系统 Download PDFInfo
- Publication number
- CN111888788A CN111888788A CN202010542428.4A CN202010542428A CN111888788A CN 111888788 A CN111888788 A CN 111888788A CN 202010542428 A CN202010542428 A CN 202010542428A CN 111888788 A CN111888788 A CN 111888788A
- Authority
- CN
- China
- Prior art keywords
- steam
- temperature
- effect
- effect heater
- liquid medicine
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D1/00—Evaporating
- B01D1/26—Multiple-effect evaporating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D1/00—Evaporating
- B01D1/30—Accessories for evaporators ; Constructional details thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D11/00—Solvent extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种适于中药提取浓缩的循环神经网络控制方法和系统,根据中药提取浓缩的温度、压力等参数控制系统的大惯量、大滞后和强干扰特性,将改进的循环神经网络控制系统来取代人工与传统的PID控制系统,可以有效的提高中药药液有效成分的提取浓度,改善产品的控制效果,降低各重要参数的超调量,缩短参数达到理想状态的时间,减小干扰改变控制参数的变化幅度,实现中药提取浓缩生产环节的自动化集成控制,提高中药生产过程产品质量的稳定性,并且在浓缩工艺的过程中也使用了循环神经网络自动控制系统药液温度,相比传统人工调节方法,不仅减少了劳动力的消耗,还增加了浓缩环节的安全性与产品生产的质量。
Description
技术领域
本申请涉及神经网络、中药提取领域,具体涉及一种适于中药提取浓缩的循环神经网络控制方法和系统。
背景技术
在中药生产提取浓缩控制系统的工艺过程中,实际上是压力,温度,液位,浓度,蒸汽流量等相关参数复杂作用的化学反应的过程.而且反应进行的过程中,很容易受到外界的因素影响,例如反应器内压力,温度,流量等因素的突变,都会破坏反应的动态平衡.如果操作处理不当,就会造成反应过程的震荡,最终影响药液的质量。
在中药提取的工艺过程控制中,提取反应中的温度参数是控制提取进行的关键,提取罐内的药液以及输入蒸汽的温度参数,影响着提取罐内的压力,而药液温度又关系到挥发油的提取率及药液析出的速率。所以控制的关键是根据工艺参数设定值来调整蒸汽控制阀门门的开度大小,来维持罐内温度、压力的基本稳定,使药液保持微沸,防止过度沸腾或温度不足的情况出现。
当前,很多国内大型中药生产厂家一般采用常规的PID控制技术与人工经验相结合,通过调整控制蒸汽控制阀门门的开度大小来控制参数的稳定,由于中药提取过程实质是一个复杂的传热传质过程,系统具有复杂繁琐、干扰较强以及带有滞后控制的特点,故采用PID控制技术与人工经验结合的方法,会很难精确的控制提取温度,导致产品质量不稳定、提取效率低、原料消耗和能耗偏大等不良的结果,并且人工的错误操作同样会带来不必要的原料及能量损失。
中药生产浓缩过程是一个非常复杂的工业工艺过程,在浓缩过程中必须保证液位、压力、温度及药液浓度等按既定要求稳定变化或者维持恒定,而蒸汽和真空的突然变化又会给整个系统带来极大的扰动,如何维持整个系统的稳定,保证药液浓度的一致性。纵观整个浓缩工艺过程,在目前国内大多数重要生产厂家的生产流水线中,能使多效浓缩期更加智能化的科研成果非常少,温度并没有成为浓缩系统全自动控制的控制参量而仅仅被作为在线监测的参考数据,现场操作人员为改变根据现场温度测量仪表指示的温度值,只会单一的开关蒸汽进汽阀门,或调节蒸汽控制阀门的开度。在这种单一的操作模式下,系统进行自动控制时会出现很多弊端:
1.在中药制药过程中有人工参与会带来相当大的药品污染风险,这是不符合制药卫生标准的,对传统中药的出口会有很大影响;2.当设备内部药液达到沸腾或微沸状态时,液面上下浮动明显,靠人工观察会出现很大误差,同理对于压力、温度、pH值等模拟量的测量也很难达到精度要求;3.在现场进行人工观测需要耗费相当大的人力资源,操作人员过度疲劳;4.对于蒸汽控制阀门的操作,需要经验丰富的操作人员来控制,而不同的现场操作人员对调节阀开度的掌握很难达到一致,导致浓缩器出液时的浓缩液的浓度质量无法得到保证;5.靠人工来控制抽真空管路,无法保证两个蒸发室抽真空阀门的开关速率,会引起两个蒸发室分别工作时的相互干扰,直接导致药液质量的严重下降;6.现场设备的历史运行记录在人工操作的情况下无法得到记录,对药品浓缩经验总结,以及事故责任无法做出准确显示。
发明内容
针对现有控制方法及系统的复杂、大惯性以及大滞后的特性,本申请的目的是提供一种适于中药提取浓缩的循环神经网络控制方法和系统,以取代传统控制方法和系统,以有效改善控制平直,降低输出参数的超调量,缩短各参数达到稳态的控制时间,减小输出参数的变化幅度。
为了实现上述任务,本申请采用以下技术方案:
一种适于中药提取的循环神经网络控制方法,该方法在进行中药提取时,所采用的中药提取系统包括多功能提取罐,将原料与相应比例的纯净水混合配比后,投入到多功能提取罐中,控制打开罐侧夹套的蒸汽控制阀门,向提取罐夹套中通入蒸汽加热,当混合液沸腾时即视为达到提取工艺温度时,关闭蒸汽阀门,用循环神经网络控制调节保温;
所述循环神经网络包括输入层、隐含层、输出层,其中输入层连接隐含层,隐含层包括两个门控系统分别为重置门rt与更新门zt,以及候选隐变量和隐变量ht与ft,隐含层的输出分为两个分支,均与输出层连接;其中:
输入层:输入层将xt为当前时刻总输入变量,xt=[Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)],其中Ta(t)为提取罐内药液的实时温度,Tb(t)为通入提取罐夹套内蒸汽的实时温度,Qa(t)为通入提取罐夹套内蒸汽的实时温度,Fa(t)为提取罐夹套蒸汽控制阀门的实时开度,Pa(t)为提取罐内的实时压力;
隐含层:隐含层包括重置门重置门rt与更新门zt,其中重置门rt=δ(wr,[ht-1,xt]),更新门zt=δ(wz,[ht-1,xt]);δ为狄拉克函数,控制rt与zt的值在[0,1]之间;wr与wz分别为输入层到重置门与更新门的权重系数,侯选隐变量隐变量隐变量[]表示两个向量相连,*表示矩阵的按元素相乘,tanh为激活函数,隐变量ht为当前时刻提取罐内药液温度误差,其中温度误差计算为ETt=1/2(Ta(t+1)-Ti)2;Ta(t+1)为循环神经网络输出的提取罐内药液的预测温度,Ti为提取罐内药液理想温度给定值;隐变量ft为当前时刻的蒸汽阀门开度变化系数,为隐含层候选隐变量;其中ht会随着网络序列作为下一序列的网络隐变量输入,ft不向前传播;
输出层:输出层的作用是对隐含层得到的两个隐变量ht与ft进行计算预测控制下一时刻的提取罐药液预测温度Ta(t+1)以及蒸汽控制阀门预测开度Fa(t+1),其中预测输出的Ta(t+1)是关于ht的函数,Ta(t+1)=σ(wo1,ht);预测输出的Fa(t+1)是关于ft的函数,Fa(t+1)=σ(wo2,ft),σ是sigmoid函数;
通过预先采集的样本数据对循环神经网络训练后得到的权重系数wr,wz,wo1,wo2输入至网络中;将t时采集的参数Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)作为网络模型输入量xt进入输入层后,通过隐含层以及输出层的计算预测出Fa(t+1)以及Ta(t+1),即下一时刻的提取罐蒸汽控制阀开度以及提取罐药液温度;
根据输出的Ta(t+1)作为参考,以Fa(t+1)作为控制参数,根据Fa(t+1)的大小,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fa(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变提取罐内中药药液的温度。
进一步地,所述方法还包括:
如果|Ti-Ta(t+1)|>Te,则表明当前网络模型出现偏差,保留t-1时刻的参数值,对网络模型重新开始训练;Te是设定的温度控制阈值。
一种适于中药提取的循环神经网络控制系统,包括:
控制器,用于建立循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻的夹套管道蒸汽阀门开度Fa(t+1)以及药液温度Ta(t+1),并生成控制信号对夹套管道蒸汽阀门开度进行调节;与此同时,利用预测的药液温度和提取罐内药液理想温度给定值的差值进行阈值判断,超出设定阈值时,保留t-1时刻的参数值,对网络模型重新训练,直至预测的药液温度和液理想温度给定值的差值控制在温度控制阈值Te范围内;
提取罐底部测量温度传感器,设置于提取罐底部,用于采集提取罐内药液实时温度Ta(t);
提取罐夹套蒸汽管道温度传感器,设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时温度Tb(t);
提取罐气压传感器,设置于提取罐内,用于采集提取罐内的实时气压Pa(t);
提取罐夹套蒸汽管道流量计,设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时流量Qa(t);
提取罐夹套蒸汽管道控制阀门,设置于提取罐夹套管道上,一方面用于输出提取罐夹套蒸汽控制阀门的实时开度Fa(t),另一方面用于对夹套管道蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fa(t+1)控制其开度。
一种适于中药浓缩的循环神经网络控制方法,该方法在进行中药浓缩时,所采用的中药浓缩系统包括一效蒸发器、二效蒸发器、一效加热器、二效加热器、冷凝冷却器和储水罐;
通过将一效蒸发器、二效蒸发器内抽负真空,将提取工艺过来的药液按照配比分别吸入到两个蒸发器内,关闭进料阀,提取液通过一效蒸发器、二效蒸发器的下管道流入一效加热器、二效加热器后,开启蒸汽阀门加热一效加热器升温;二效加热器则由一效蒸发器产生的蒸汽加热,具体为:
二效蒸发是一个动态循环过程,一效加热器内的药液在负压条件下被通入的蒸汽加热沸腾后,通过上部管道高速喷入一效蒸发器,从而使药液在一效加热器和一效蒸发器内形成回流,并且从一效蒸发器内蒸发出水蒸气;水蒸气通过一效蒸发器顶部的管道进入二效加热器内再次加热药液;当药液加热到一定温度后用循环神经网络控制一效加热器的蒸汽控制阀门的开度;
所述循环神经网络采用和中药提取的循环神经网络控制方法中相同的循环神经网络结构,不同之处为:
隐含层中温度误差计算为ETt=1/2(To(t+1)-Tc(t))2,To(t+1)为神经网络输出的一效加热器内的药液预测温度,Tc(t)为一效加热器内的药液温度;
输出层中预测输出的To(t+1)是关于ht的函数,To(t+1)=σ(wo1,ht);预测输出的Fc(t+1)是关于ft的函数,Fc(t+1)=σ(wo2,ft),其中σ是sigmoid函数;
通过预先采集的样本数据对循环神经网络训练后得到的权重系数wr,wz,wo1,wo2输入至网络中;将t时刻采集的一效加热器的药液温度Tc(t),一效加热器通入一效蒸发器蒸汽的实时温度Td(t),二效加热器的药液温度Te(t),二效加热器通入二效蒸发器蒸汽的实时温度Tf(t),一效加热器通入一效蒸发器的蒸汽流量Qb(t),效加热器通入二效蒸发器的蒸汽流量Qc(t),一效加热器蒸汽控制阀门的实时开度Fc(t),实时温度差值ΔTc(t)=Tc(t)-Tci,作为网络模型输入量xt进入输入层后,通过隐含层以及输出层的计算预测出Fc(t+1)以及To(t+1),即下一时刻的一效加热器蒸汽控制阀门的预测开度以及一效加热器内的药液预测温度;
根据输出的To(t+1)作为参考,以Fc(t+1)作为控制参数,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fc(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变控制温度。
一种适于中药浓缩的循环神经网络控制系统,包括:
控制器,用于建立循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻一效加热器蒸汽控制阀门的预测开度Fc(t+1)以及一效加热器内的药液预测温度To(t+1),并生成控制信号对一效加热器蒸汽控制阀门进行调节;与此同时,利用一效加热器内的药液预测温度和一效加热器的药液理想温度给定值的差值进行阈值判断,超出设定阈值Tce时,保留t-1时刻的参数值,对网络模型重新训练,直至预测温度和药液理想温度给定值的差控制在温度控制阈值Tce范围内;
一效加热器底部测量温度传感器,设置于一效加热器底部,用于采集一效加热器内药液实时药液温度Tc(t)。
一效加热器连通一效蒸发器管道温度传感器,设置于一效加热器连通一效蒸发器管道内,用于采集一效加热器通往一效蒸发器的输入蒸汽的实时温度Td(t)。
二效加热器底部测量温度传感器,设置于二效加热器底部,用于采集二效加热器内药液实时温度Te(t)。
二效加热器连通二效蒸发器管道温度传感器,设置于二效加热器连通二效蒸发器管道内,采集二效加热器通往二效蒸发器的输入蒸汽的实时温度Tf(t)。
一效加热器连通一效蒸发器管道温度流量计,设置于一效加热器连通一效蒸发器管道内,用于采集采集一效加热器通往一效蒸发器的输入蒸汽的实时流量Qb(t)。
二效加热器连通二效蒸发器管道温度流量计,设置于二效加热器连通二效蒸发器管道内,用于采集采集二效加热器通往二效蒸发器的输入蒸汽的实时流量Qc(t)。
一效加热器蒸汽控制阀门,设置于一效加热器蒸管道上,一方面用于蒸汽控制阀门的实时开度Fc(t),另一方面用于对一效加热器蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fc(t+1)控制其开度。
与现有技术相比,本申请具有以下技术特点:
1.本申请根据中药提取浓缩的温度、压力等参数控制系统的大惯量、大滞后和强干扰特性,将改进的循环神经网络控制系统来取代人工与传统的PID控制系统,可以有效的提高中药药液有效成分的提取浓度,改善产品的控制效果,降低各重要参数的超调量,缩短参数达到理想状态的时间,减小干扰改变控制参数的变化幅度,实现中药提取浓缩生产环节的自动化集成控制,提高中药生产过程产品质量的稳定性。
2.利用本申请的方法,使药液温度的控制精确度可以控制在±1℃,远远高于传统PID控制药液温度误差±5℃的精度,而提取罐内的压力指数可以控制在±0.5Mpa;并且在浓缩环节通过循环神经网络控制方法自动调节系统药液温度,减少人工参与,节省人力支援,降低药品污染风险,提高浓缩器产出的浓缩液浓度质量;相比传统人工调节方法,不仅减少了劳动力的消耗,还增加了浓缩环节的安全性与产品生产的质量。
附图说明
图1为中药提取系统的构造示意图,其中,①为提取罐夹套管道为流量计A,②为提取罐夹套管道温度传感器B,③为提取罐夹套蒸汽管道控制阀门A,④为提取罐底部测量温度传感器A,⑤为气压传感器A。
图2为中药浓缩系统的构造示意图,其中,①为控制阀门B,②为温度传感器C,③为温度传感器D,④为流量计B,⑤为温度传感器F,⑥为流量计C,⑦为温度传感器E。
图3为本申请中提出的循环神经网络的结构示意图。
具体实施方式
中药提取主要包含提取工艺和浓缩工艺两大部分,下面将分别对这两部分工艺的循环神经网络控制方法进行说明。
一、中药提取工艺中参数控制的循环神经网络控制方法
图1展示出了中药提取系统的构造示意图。中药提取系统以多功能提取罐为主要提取设备,围绕多功能提取罐布设有气液分离器、油水分离器、过滤器、冷却器、热交换器等。该系统的多功能提取罐中,将原料与相应比例的纯净水混合配比后,投入到待煎煮反应的多功能提取罐中,控制打开罐侧夹套的蒸汽控制阀门,向提取罐夹套中通入蒸汽加热,在加热升温的反应过程中实时监控提取罐中药液的沸腾度,保证药液在一定的沸腾度的条件下反应进行。
当混合液沸腾时即视为达到提取工艺温度,关闭蒸汽阀门,用循环神经网络控制调节保温,从而使药材内部溶质扩散到溶剂溶液中,沸腾加热产生的挥发油经过管道进入热交换器与冷却器降温液化形成油水液,再利用油水分离器分离油水液,用油水分离器收集上层挥发油,下层芳香水回流至多功能提取罐中继续提取,循环煎煮提取药液实现动态循环反复的煎煮,使药材内的溶质全部溶解于溶剂中。
在药液加热至沸腾的升温阶段,要求蒸汽阀门的开度调整至最大,使药液快速接近沸腾,只有当药液达到沸腾后,再利用循环神经网络对系统进行控制。
考虑到实时控制系统的时间序列变化,温度和阀门控制变量会受到前n个时刻系统的输入变量因素影响,设计一种循环神经网络对系统进行调控。
以Tb(t),Pa(t),Qa(t)和Fa(t),Ta(t)为神经网络的输入变量,Ta(t+1),Fa(t+1)为相应的神经网络的输出变量,0℃<|Ti-Ta(t+1)|<Te,Fa(t)为控制目标,建立输入变量至输出变量的循环神经网络控制模型,以各个时间段现场实测相关数据和理想状态下相关数据进行控制模型的训练,将训练完成的控制模型投入运行,据以获得控制目标下的提取罐外夹套蒸汽控制阀门开度,来实现药液沸腾后,间接对提取罐内压力以及药液温度的控制,其中Ta(t)为提取罐内药液的实时温度,Ta(t+1)为提取罐内药液的预测温度,Tb(t)为通入提取罐夹套内蒸汽的实时温度,Qa(t)为通入提取罐夹套内蒸汽的实时温度,Fa(t)为提取罐夹套蒸汽控制阀门的实时开度,Fa(t+1)为提取罐夹套蒸汽控制阀门的预测开度,Pa(t)为提取罐内的实时压力,Ti为提取罐内药液理想温度给定值,Te是设定的温度控制阈值(理想温度给定值与实时温度的差值上限),根据控制阈值的大小设定来满足系统的控制需要。
所述循环神经网络的结构如图3所示,下面对该网络模型进行详细说明:
输入层:输入层是将影响系统控制变量的因素输入至系统中,在本申请中xt为当前时刻总输入变量,其中xt=[Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)],表示系统受提取罐内蒸汽温度,提取罐内压力,提取罐蒸汽流量,提取罐蒸汽控制阀开度以及提取罐内药液温度的影响。
隐含层:首先介绍两个门控制系统,重置门重置门rt与更新门zt,其中重置门rt=δ(wr,[ht-1,xt]),更新门zt=δ(wz,[ht-1,xt])。δ为狄拉克函数,控制rt与zt的值在[0,1]之间;wr与wz分别为输入层到重置门与更新门的权重系数,侯选隐变量隐变量隐变量[]表示两个向量相连,*表示矩阵的按元素相乘,tanh为激活函数,隐变量ht为当前时刻提取罐内药液温度误差,其中温度误差计算为ETt=1/2(Ta(t+1)-Ti)2;隐变量ft为当前时刻的蒸汽阀门开度变化系数,为隐含层候选隐变量。其中ht会随着网络序列作为下一序列的网络隐变量输入,ft不向前传播。由于rt与zt的值在[0,1]之间,即可充当开关门的作用,控制着前一时刻的隐变量是否保留至当前时刻的隐变量中。综上可知,隐含层的作用是对当前时刻的输入xt以及前一时刻的隐变量ht-1进行计算控制,得到当前时刻的隐变量ht与ft。
输出层:输出层的作用是对隐含层得到的两个隐变量ht与ft进行计算预测控制下一时刻的提取罐药液预测温度Ta(t+1)以及蒸汽控制阀门预测开度Fa(t+1),其中预测输出的Ta(t+1)是关于ht的函数,Ta(t+1)=σ(wo1,ht);预测输出的Fa(t+1)是关于ft的函数,Fa(t+1)=σ(wo2,ft),其中σ是sigmoid函数。
循环神经网络训练的目标值为(wr,wz,wo1,wo2),括号中的参数分别为输入层到重置门、输入层到更新门、隐含层候选隐变量、输出层计算Ta(t+1)与Fa(t+1)的权重系数。网络的参数更新使用随机梯度下降算法SGD进行网络更新。
对训练好的网络模型,通过输入相关变量就可以通过网络计算出每一时刻的夹套管道蒸汽阀门开度值Fa(t+1)并作为下一时刻的输入变量值,进行预测下一时间点的阀门开度值。同时在关键时间点上,网络预测对应时刻预测的提取罐内药液温度Ta(t+1)并与提取罐内药液理想温度给定值Ti进行阈值判断0<|Ti-Ta(t+1)|<Te,如果|Ti-Ta(t+1)|>Te。则表明当前网络模型出现偏差,保留t-1时刻的参数值,对网络模型重新开始训练,直至预测温度与实际检测温度误差控制在温度控制阈值Te范围内。
对上述网络模型的控制方法为:
步骤1,配置网络参数,包括提取罐内药液的实时温度Ta,通入提取罐夹套内蒸汽的实时温度Tb,通入提取罐夹套内的实时蒸汽流量Qa,提取罐蒸汽控制阀门的实时开度Fa,提取罐内的实时压力,提取罐内药液理想温度给定值Ti,控制阈值Te,通过预先采集的样本数据对网络训练后得到的权重系数wr,wz,wo1,wo2等参数输入至网络中。
步骤2,将t时刻传感器测量的参数Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)作为网络模型输入量xt进入输入层后,通过隐含层以及输出层的计算预测出Fa(t+1)以及Ta(t+1),即下一时刻的提取罐蒸汽控制阀开度以及提取罐药液温度。
步骤3,根据输出的Ta(t+1)作为参考,以Fa(t+1)作为控制参数,根据Fa(t+1)的大小,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fa(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变提取罐内中药药液的温度;如果|Ti-Ta(t+1)|>Te,则表明当前网络模型出现偏差,保留t-1时刻的参数值,对网络模型重新开始训练。
二、中药提取工艺中参数控制的循环神经网络控制系统
参见图1,所述控制系统包括控制器,用于建立所述的循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻的夹套管道蒸汽阀门开度Fa(t+1)以及药液温度Ta(t+1),并生成控制信号对夹套管道蒸汽阀门开度进行调节;与此同时,利用预测的药液温度和提取罐内药液理想温度给定值的差值进行阈值判断,超出设定阈值时,保留t-1时刻的参数值,对网络模型重新训练,直至预测的药液温度和液理想温度给定值的差值控制在温度控制阈值Te范围内。
提取罐底部测量温度传感器(温度传感器A),设置于提取罐底部,用于采集提取罐内药液实时温度Ta(t);
提取罐夹套蒸汽管道温度传感器(温度传感器B),设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时温度Tb(t);
提取罐气压传感器(气压传感器A),设置于提取罐内,用于采集提取罐内的实时气压Pa(t);
提取罐夹套蒸汽管道流量计(流量计A),设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时流量Qa(t);
提取罐夹套蒸汽管道控制阀门(控制阀门A),设置于提取罐夹套管道上,一方面用于输出提取罐夹套蒸汽控制阀门的实时开度Fa(t),另一方面用于对夹套管道蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fa(t+1)控制其开度。
三、中药浓缩工艺中浓缩温度控制的循环神经网络控制方法
在中药浓缩环节中采用双效蒸发器对中药提取液进行浓缩,实现提取液进一步提纯的目的。
参见图2,浓缩工段的大致工作过程如下:浓缩控制阶段,首先通过将一效蒸发器、二效蒸发器内抽负真空,将提取工艺过来的药液按照配比分别吸入到两个蒸发器内,关闭进料阀,提取液通过一效蒸发器、二效蒸发器的下管道流入一效加热器、二效加热器后,开启蒸汽阀门加热一效加热器升温;二效加热器则由一效蒸发器产生的蒸汽加热,具体为:
二效蒸发是一个动态循环过程,一效加热器内的药液在负压条件下被通入的蒸汽加热沸腾后,通过上部管道高速喷入一效蒸发器,从而使药液在一效加热器和一效蒸发器内形成回流,并且从一效蒸发器内蒸发出水蒸气。水蒸气通过一效蒸发器顶部的管道进入二效加热器内再次加热药液。由于蒸发而带有一效中的热能,可以继续给二效加热器提供加热的热量,从而充分利用热能达到节能的目的。整个浓缩过程,二效加热器是由一效蒸发器通入的水蒸气加热的,而二效蒸发器产生的水蒸气经冷凝冷却器冷却后,流入储水罐内并定时排放。本方案中,当药液加热到一定温度后用循环神经网络控制一效加热器的蒸汽控制阀门的开度。
以Tc(t),Td(t),Te(t),Tf(t),Qb(t),Qc(t)和Fc(t)为相应的循环神经网络的输入变量,To(t+1)、Fc(t+1)为相应的循环神经网络的输出变量,0℃<Tci-Tc(t+1)<Tce为控制目标,建立输入变量至输出变量的循环神经网络控制模型,以现场实测相关数据进行控制模型的训练,将训练完成的控制模型投入运行,据以获得控制目标下的蒸汽控制阀门开度,来实现对提取罐内药液温度的控制。其中Tc(t)为一效加热器内的药液温度,To(t+1)为一效加热器内的药液预测温度,Td(t)为一效加热器通入一效蒸发器蒸汽的实时温度,Te(t)为二效加热器内的药液温度,Tf(t)为二效加热器通入二效蒸发器蒸汽的实时温度,Qb(t)为一效加热器通入一效蒸发器蒸汽流量,Qc(t)为二效加热器通入二效蒸发器蒸汽的实时流量,Fc(t)为一效加热器蒸汽控制阀门的实时开度,Fc(t+1)为一效加热器蒸汽控制阀门的预测开度,Tci为一效加热器的药液理想温度给定值,Tce是设定的Tci-Tc(t+1)控制阈值(理想温度给定值与实时温度的差值上限),例如,Tce可以设定为1℃,根据控制阈值的大小设定来满足系统的控制需要。
本实施例中,中药浓缩工艺中浓缩温度控制的循环神经网络采用和第一部分相同的循环神经网络:
输入层:输入层是将影响系统控制变量的因素输入至系统中,在本申请中xt为当前时刻总输入变量,xt=[ΔTc(t),Td(t),Te(t),Tf(t),Qb(t),Qc(t),Fc(t)],其中ΔTc(t)=Tc(t)-Tci为实时温度差值。
隐含层:首先介绍两个门控制系统,重置门重置门rt与更新门zt,其中重置门rt=δ(wr,[ht-1,xt]),更新门zt=δ(wz,[ht-1,xt])。δ为狄拉克函数,控制rt与zt的值在[0,1]之间;wr与wz分别为输入层到重置门与更新门的权重系数,侯选隐变量隐变量隐变量[]表示两个向量相连,*表示矩阵的按元素相乘,tanh为激活函数,隐变量ht为当前时刻提取罐内药液温度误差,其中温度误差计算为ETt=1/2(To(t+1)-Tc(t))2;隐变量ft为当前时刻的蒸汽阀门开度变化系数,为隐含层候选隐变量。其中ht会随着网络序列作为下一序列的网络隐变量输入,ft不向前传播。由于rt与zt的值在[0,1]之间,即可充当开关门的作用,控制着前一时刻的隐变量是否保留至当前时刻的隐变量中。综上可知,隐含层的作用是对当前时刻的输入xt以及前一时刻的隐变量ht-1进行计算控制,得到当前时刻的隐变量ht与ft。
输出层:输出层的作用是对隐含层得到的两个隐变量ht与ft进行计算预测控制下一时刻的提取罐药液温度以及蒸汽控制阀门开度,其中预测输出的To(t+1)是关于ht的函数,To(t+1)=σ(wo1,ht);预测输出的Fc(t+1)是关于ft的函数,Fc(t+1)=σ(wo2,ft),其中σ是sigmoid函数。
循环神经网络训练的目标值为(wr,wz,wo1,wo2),括号中的参数分别为输入层到重置门、输入层到更新门、隐含层候选隐变量、输出层计算To(t+1)与Fc(t+1)的权重系数。网络的参数更新使用随机梯度下降算法SGD进行网络更新。对训练好的网络模型,通过输入相关变量就可以通过网络模型计算出每一时刻的阀门开度值Fc(t)并作为下一时刻的输入变量值,进行预测下一时间点的阀门开度值。
对上述网络模型的控制方法为:
步骤1,配置网络参数,一效加热器的药液温度Tc(t),一效加热器通入一效蒸发器蒸汽的实时温度Td(t),二效加热器的药液温度Te(t),二效加热器通入二效蒸发器蒸汽的实时温度Tf(t),一效加热器通入一效蒸发器的蒸汽流量Qb(t),效加热器通入二效蒸发器的蒸汽流量Qc(t),一效加热器蒸汽控制阀门的实时开度Fc(t),实时温度差值ΔTc(t)=Tc(t)-Tci,以及训练完成的权重系数wr,wz,wo1,wo2等参数输入至网络模型中。
步骤2,将t时刻传感器测量的参数Fc(t)、ΔTc(t)、Td(t)、Te(t)、Tf(t)、Qb(t)、Qc(t)设置为输入量xt,输入量进入输入层后,通过隐含层以及输出层的计算预测出Fc(t+1)以及To(t+1),即下一时刻的一效加热器蒸汽控制阀门的预测开度以及一效加热器内的药液预测温度。
步骤3,根据输出的To(t+1)作为参考,以Fc(t+1)作为控制参数,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fc(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变控制温度。
四、中药浓缩工艺中浓缩温度控制的循环神经网络控制系统
参见图2,所述控制系统包括控制器,用于建立所述的循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻一效加热器蒸汽控制阀门的预测开度Fc(t+1)以及一效加热器内的药液预测温度To(t+1),并生成控制信号对一效加热器蒸汽控制阀门进行调节;与此同时,利用一效加热器内的药液预测温度和一效加热器的药液理想温度给定值的差值进行阈值判断,超出设定阈值Tce时,保留t-1时刻的参数值,对网络模型重新训练,直至预测温度和药液理想温度给定值的差控制在温度控制阈值Tce范围内。
一效加热器底部测量温度传感器(温度传感器C),设置于一效加热器底部,用于采集一效加热器内药液实时药液温度Tc(t)。
一效加热器连通一效蒸发器管道温度传感器(温度传感器D),设置于一效加热器连通一效蒸发器管道内,用于采集一效加热器通往一效蒸发器的输入蒸汽的实时温度Td(t)。
二效加热器底部测量温度传感器(温度传感器E),设置于二效加热器底部,用于采集二效加热器内药液实时温度Te(t)。
二效加热器连通二效蒸发器管道温度传感器(温度传感器F),设置于二效加热器连通二效蒸发器管道内,采集二效加热器通往二效蒸发器的输入蒸汽的实时温度Tf(t)。
一效加热器连通一效蒸发器管道温度流量计(流量计B),设置于一效加热器连通一效蒸发器管道内,用于采集采集一效加热器通往一效蒸发器的输入蒸汽的实时流量Qb(t)。
二效加热器连通二效蒸发器管道温度流量计(流量计C),设置于二效加热器连通二效蒸发器管道内,用于采集采集二效加热器通往二效蒸发器的输入蒸汽的实时流量Qc(t)。
一效加热器蒸汽控制阀门(控制阀门B),设置于一效加热器蒸管道上,一方面用于蒸汽控制阀门的实时开度Fc(t),另一方面用于对一效加热器蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fc(t+1)控制其开度。
本方案在进行应用时,数据处理系统采用Microsoft公司开发的SQL Server2014数据库作为数据管理载体,将各传感器、控制阀门与数据处理系统通信连接,将测量的数据上传值数据库,建立上述的循环控制网络并进行训练,保存训练好的网络模型;在系统调用数据时,数据库向C#程序提供其所需数据。
本申请根据中药提取浓缩的温度、压力等参数控制系统的大惯量、大滞后和强干扰特性,将改进的循环神经网络控制系统来取代人工与传统的PID控制系统,可以有效的提高中药药液有效成分的提取浓度,改善产品的控制效果,降低各重要参数的超调量,缩短参数达到理想状态的时间,减小干扰改变控制参数的变化幅度,实现中药提取浓缩生产环节的自动化集成控制,提高中药生产过程产品质量的稳定性,在现有的技术条件下,药液温度的控制精确度可以控制在±1℃,远远高于传统PID控制药液温度误差±5℃的精度,而提取罐内的压力指数可以控制在±0.5Mpa。并且在浓缩工艺的过程中也使用了循环神经网络自动控制系统药液温度,相比传统人工调节方法,不仅减少了劳动力的消耗,还增加了浓缩环节的安全性与产品生产的质量。
Claims (5)
1.一种适于中药提取的循环神经网络控制方法,其特征在于,该方法在进行中药提取时,所采用的中药提取系统包括多功能提取罐,将原料与相应比例的纯净水混合配比后,投入到多功能提取罐中,控制打开罐侧夹套的蒸汽控制阀门,向提取罐夹套中通入蒸汽加热,当混合液沸腾时即视为达到提取工艺温度时,关闭蒸汽阀门,用循环神经网络控制调节保温;
所述循环神经网络包括输入层、隐含层、输出层,其中输入层连接隐含层,隐含层包括两个门控系统分别为重置门rt与更新门zt,以及候选隐变量和隐变量ht与ft,隐含层的输出分为两个分支,均与输出层连接;其中:
输入层:输入层将xt为当前时刻总输入变量,xt=[Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)],其中Ta(t)为提取罐内药液的实时温度,Tb(t)为通入提取罐夹套内蒸汽的实时温度,Qa(t)为通入提取罐夹套内蒸汽的实时温度,Fa(t)为提取罐夹套蒸汽控制阀门的实时开度,Pa(t)为提取罐内的实时压力;
隐含层:隐含层包括重置门重置门rt与更新门zt,其中重置门rt=δ(wr,[ht-1,xt]),更新门zt=δ(wz,[ht-1,xt]);δ为狄拉克函数,控制rt与zt的值在[0,1]之间;wr与wz分别为输入层到重置门与更新门的权重系数,侯选隐变量隐变量隐变量[]表示两个向量相连,*表示矩阵的按元素相乘,tanh为激活函数,隐变量ht为当前时刻提取罐内药液温度误差,其中温度误差计算为ETt=1/2(Ta(t+1)-Ti)2;Ta(t+1)为循环神经网络输出的提取罐内药液的预测温度,Ti为提取罐内药液理想温度给定值;隐变量ft为当前时刻的蒸汽阀门开度变化系数,为隐含层候选隐变量;其中ht会随着网络序列作为下一序列的网络隐变量输入,ft不向前传播;
输出层:输出层的作用是对隐含层得到的两个隐变量ht与ft进行计算预测控制下一时刻的提取罐药液预测温度Ta(t+1)以及蒸汽控制阀门预测开度Fa(t+1),其中预测输出的Ta(t+1)是关于ht的函数,Ta(t+1)=σ(wo1,ht);预测输出的Fa(t+1)是关于ft的函数,Fa(t+1)=σ(wo2,ft),σ是sigmoid函数;
通过预先采集的样本数据对循环神经网络训练后得到的权重系数wr,wz,wo1,wo2输入至网络中;将t时采集的参数Tb(t),Pa(t),Qa(t),Fa(t),Ta(t)作为网络模型输入量xt进入输入层后,通过隐含层以及输出层的计算预测出Fa(t+1)以及Ta(t+1),即下一时刻的提取罐蒸汽控制阀开度以及提取罐药液温度;
根据输出的Ta(t+1)作为参考,以Fa(t+1)作为控制参数,根据Fa(t+1)的大小,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fa(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变提取罐内中药药液的温度。
2.根据权利要求1所述的适于中药提取的循环神经网络控制方法,其特征在于,所述方法还包括:
如果|Ti-Ta(t+1)|>Te,则表明当前网络模型出现偏差,保留t-1时刻的参数值,对网络模型重新开始训练;Te是设定的温度控制阈值。
3.一种适于中药提取的循环神经网络控制系统,其特征在于,包括:
控制器,用于建立循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻的夹套管道蒸汽阀门开度Fa(t+1)以及药液温度Ta(t+1),并生成控制信号对夹套管道蒸汽阀门开度进行调节;与此同时,利用预测的药液温度和提取罐内药液理想温度给定值的差值进行阈值判断,超出设定阈值时,保留t-1时刻的参数值,对网络模型重新训练,直至预测的药液温度和液理想温度给定值的差值控制在温度控制阈值Te范围内;
提取罐底部测量温度传感器,设置于提取罐底部,用于采集提取罐内药液实时温度Ta(t);
提取罐夹套蒸汽管道温度传感器,设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时温度Tb(t);
提取罐气压传感器,设置于提取罐内,用于采集提取罐内的实时气压Pa(t);
提取罐夹套蒸汽管道流量计,设置于提取罐夹套蒸汽管道,用于采集提取罐输入蒸汽的实时流量Qa(t);
提取罐夹套蒸汽管道控制阀门,设置于提取罐夹套管道上,一方面用于输出提取罐夹套蒸汽控制阀门的实时开度Fa(t),另一方面用于对夹套管道蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fa(t+1)控制其开度。
4.一种适于中药浓缩的循环神经网络控制方法,其特征在于,该方法在进行中药浓缩时,所采用的中药浓缩系统包括一效蒸发器、二效蒸发器、一效加热器、二效加热器、冷凝冷却器和储水罐;
通过将一效蒸发器、二效蒸发器内抽负真空,将提取工艺过来的药液按照配比分别吸入到两个蒸发器内,关闭进料阀,提取液通过一效蒸发器、二效蒸发器的下管道流入一效加热器、二效加热器后,开启蒸汽阀门加热一效加热器升温;二效加热器则由一效蒸发器产生的蒸汽加热,具体为:
二效蒸发是一个动态循环过程,一效加热器内的药液在负压条件下被通入的蒸汽加热沸腾后,通过上部管道高速喷入一效蒸发器,从而使药液在一效加热器和一效蒸发器内形成回流,并且从一效蒸发器内蒸发出水蒸气;水蒸气通过一效蒸发器顶部的管道进入二效加热器内再次加热药液;当药液加热到一定温度后用循环神经网络控制一效加热器的蒸汽控制阀门的开度;
所述循环神经网络采用与权利要求1所述方法中相同的循环神经网络结构,不同之处为:
隐含层中温度误差计算为ETt=1/2(To(t+1)-Tc(t))2,To(t+1)为神经网络输出的一效加热器内的药液预测温度,Tc(t)为一效加热器内的药液温度;
输出层中预测输出的To(t+1)是关于ht的函数,To(t+1)=σ(wo1,ht);预测输出的Fc(t+1)是关于ft的函数,Fc(t+1)=σ(wo2,ft),其中σ是sigmoid函数;
通过预先采集的样本数据对循环神经网络训练后得到的权重系数wr,wz,wo1,wo2输入至网络中;将t时刻采集的一效加热器的药液温度Tc(t),一效加热器通入一效蒸发器蒸汽的实时温度Td(t),二效加热器的药液温度Te(t),二效加热器通入二效蒸发器蒸汽的实时温度Tf(t),一效加热器通入一效蒸发器的蒸汽流量Qb(t),效加热器通入二效蒸发器的蒸汽流量Qc(t),一效加热器蒸汽控制阀门的实时开度Fc(t),实时温度差值ΔTc(t)=Tc(t)-Tci,作为网络模型输入量xt进入输入层后,通过隐含层以及输出层的计算预测出Fc(t+1)以及To(t+1),即下一时刻的一效加热器蒸汽控制阀门的预测开度以及一效加热器内的药液预测温度;
根据输出的To(t+1)作为参考,以Fc(t+1)作为控制参数,使提取罐在t+1时刻的蒸汽阀门开度直接调整至Fc(t+1)的值,通过调整的蒸汽阀门开度直接调整蒸汽输入量,间接改变控制温度。
5.一种适于中药浓缩的循环神经网络控制系统,其特征在于,包括:
控制器,用于建立循环神经网络,并利用预先采集的样本数据对网络进行训练,保存训练好的网络模型;控制器用于接收各传感器采集的系统控制变量并输入训练好的网络模型中,输出下一时刻一效加热器蒸汽控制阀门的预测开度Fc(t+1)以及一效加热器内的药液预测温度To(t+1),并生成控制信号对一效加热器蒸汽控制阀门进行调节;与此同时,利用一效加热器内的药液预测温度和一效加热器的药液理想温度给定值的差值进行阈值判断,超出设定阈值Tce时,保留t-1时刻的参数值,对网络模型重新训练,直至预测温度和药液理想温度给定值的差控制在温度控制阈值Tce范围内;
一效加热器底部测量温度传感器,设置于一效加热器底部,用于采集一效加热器内药液实时药液温度Tc(t)。
一效加热器连通一效蒸发器管道温度传感器,设置于一效加热器连通一效蒸发器管道内,用于采集一效加热器通往一效蒸发器的输入蒸汽的实时温度Td(t)。
二效加热器底部测量温度传感器,设置于二效加热器底部,用于采集二效加热器内药液实时温度Te(t)。
二效加热器连通二效蒸发器管道温度传感器,设置于二效加热器连通二效蒸发器管道内,采集二效加热器通往二效蒸发器的输入蒸汽的实时温度Tf(t)。
一效加热器连通一效蒸发器管道温度流量计,设置于一效加热器连通一效蒸发器管道内,用于采集采集一效加热器通往一效蒸发器的输入蒸汽的实时流量Qb(t)。
二效加热器连通二效蒸发器管道温度流量计,设置于二效加热器连通二效蒸发器管道内,用于采集采集二效加热器通往二效蒸发器的输入蒸汽的实时流量Qc(t)。
一效加热器蒸汽控制阀门,设置于一效加热器蒸管道上,一方面用于蒸汽控制阀门的实时开度Fc(t),另一方面用于对一效加热器蒸汽输出的流量进行调节,接收控制器输出的控制信号,按照网络模型的预测输出Fc(t+1)控制其开度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542428.4A CN111888788B (zh) | 2020-06-15 | 2020-06-15 | 一种适于中药提取浓缩的循环神经网络控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542428.4A CN111888788B (zh) | 2020-06-15 | 2020-06-15 | 一种适于中药提取浓缩的循环神经网络控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111888788A true CN111888788A (zh) | 2020-11-06 |
CN111888788B CN111888788B (zh) | 2021-11-16 |
Family
ID=73207396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542428.4A Active CN111888788B (zh) | 2020-06-15 | 2020-06-15 | 一种适于中药提取浓缩的循环神经网络控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111888788B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241221A (zh) * | 2022-02-28 | 2022-03-25 | 湖南工商大学 | 一种基于神经网络预测算法的控制系统 |
CN115231525A (zh) * | 2022-07-29 | 2022-10-25 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109846A (zh) * | 2011-03-01 | 2011-06-29 | 南昌弘益科技有限公司 | 中药生产自动化智能控制方法 |
CN110647186A (zh) * | 2019-10-25 | 2020-01-03 | 北京和隆优化科技股份有限公司 | 一种基于模糊神经网络的氯乙烯精馏温度控制方法 |
CN110780654A (zh) * | 2019-11-15 | 2020-02-11 | 南昌木本医疗科技有限公司 | 一种用于植物提取的生产过程控制系统 |
-
2020
- 2020-06-15 CN CN202010542428.4A patent/CN111888788B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109846A (zh) * | 2011-03-01 | 2011-06-29 | 南昌弘益科技有限公司 | 中药生产自动化智能控制方法 |
CN110647186A (zh) * | 2019-10-25 | 2020-01-03 | 北京和隆优化科技股份有限公司 | 一种基于模糊神经网络的氯乙烯精馏温度控制方法 |
CN110780654A (zh) * | 2019-11-15 | 2020-02-11 | 南昌木本医疗科技有限公司 | 一种用于植物提取的生产过程控制系统 |
Non-Patent Citations (2)
Title |
---|
韦文祥等: "神经元网络软测量模型在中药浓缩工段的应用", 《化工自动化及仪表》 * |
齐岩磊等: "中药提取软测量系统的设计与实现", 《北京化工大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241221A (zh) * | 2022-02-28 | 2022-03-25 | 湖南工商大学 | 一种基于神经网络预测算法的控制系统 |
CN115231525A (zh) * | 2022-07-29 | 2022-10-25 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
CN115231525B (zh) * | 2022-07-29 | 2022-12-23 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111888788B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111888788B (zh) | 一种适于中药提取浓缩的循环神经网络控制方法和系统 | |
Alatiqi et al. | Process control in water desalination industry: an overview | |
CN107096252B (zh) | 精馏塔塔顶冷量自动控制的方法 | |
CN108513633A (zh) | 一种中草药提取液浓缩智能化控制系统 | |
CN102320575B (zh) | 低温蒸发过硫酸钠的方法 | |
CN105886304A (zh) | 白酒酿制蒸馏过程的自动化控制系统 | |
CN109858163A (zh) | 一种溴化锂吸收式制冷机的自抗扰前馈控制方法 | |
CN105566408A (zh) | 一种共晶体麦芽糖醇和山梨醇的制备方法及具有温度控制系统的反应釜 | |
CN101966396B (zh) | 一种蒸发装置 | |
CN209260098U (zh) | 生物反应器控制系统 | |
CN105879420B (zh) | 金青提取液浓缩过程温度和真空度稳定控制方法和设备 | |
CN106916050A (zh) | 用于低碳混合醇的分离系统及其使用方法 | |
CN108062990A (zh) | 一种放射性废液结晶干燥系统及其方法 | |
CN110143635B (zh) | 一种多级闪蒸海水淡化系统的优化运行方法及装置 | |
CN107320992A (zh) | 一种蒸馏装置及蒸馏控制方法 | |
CN205235415U (zh) | 热循环机械压缩蒸发装置 | |
US5223040A (en) | Batch process and apparatus for crystallizing syrup | |
CN103589810B (zh) | 一种煮糖用汽自动调节分配系统 | |
CN113007593B (zh) | 钢瓶回收装置、方法及其应用 | |
CN206666416U (zh) | 用于低碳混合醇的分离系统 | |
CN109896566B (zh) | 一种沼液浓缩系统及其成本优化控制方法 | |
CN106699698B (zh) | 一种生物增塑剂环氧脂肪酸甲酯生产装置及生产方法 | |
CN106518731B (zh) | 硫酸二甲酯精制产品自动化分离装置 | |
CN107937979A (zh) | 气相法晶体生长压力系统的模糊自适应控制方法 | |
CN208136127U (zh) | 一种1-4-氯苯基-4,4-二甲基-1-烯-3-戊酮的实用制备装置 |
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 |