CN112000008A - 一种基于神经网络的管道监测系统 - Google Patents
一种基于神经网络的管道监测系统 Download PDFInfo
- Publication number
- CN112000008A CN112000008A CN202010694963.1A CN202010694963A CN112000008A CN 112000008 A CN112000008 A CN 112000008A CN 202010694963 A CN202010694963 A CN 202010694963A CN 112000008 A CN112000008 A CN 112000008A
- Authority
- CN
- China
- Prior art keywords
- neural network
- standard
- standard device
- displacement
- pipe
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 215
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 239000000523 sample Substances 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 82
- 230000004060 metabolic process Effects 0.000 claims description 24
- 238000009434 installation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000007789 sealing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000012795 verification Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 27
- 238000000034 method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 238000013461 design Methods 0.000 description 10
- 239000002131 composite material Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 240000002627 Cordeauxia edulis Species 0.000 description 1
- 238000009825 accumulation Methods 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
- 230000001934 delay Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
- G05B13/0285—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 and fuzzy logic
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及液压管应用领域，公开了一种基于神经网络的管道监测系统，主体管的两端分别连接有活动连接头和固定连接头；标准器放置管的底端与主体管的中部连通，标准器通过安装在其管口的固定有标准器位移传感器的标准器支架安装在其内；输送机构中的高度调节螺杆竖直螺纹连接在标准器放置管的外壁一侧，且其顶端顶着标准器支架；驱动电机的输出轴与高度调节螺杆的底端固定连接，驱动电机固定在标准器放置管外壁；用于控制标准器位移的标准器位移控制系统，包括标准器位移调节平台和MSP430单片机中的智能控制器。本系统能平稳地将标准器放置于检定位置，能调节标准器的检测探头在待检测水管内的位置，减少测量时对标准参数的影响。
Description
技术领域
本发明涉及液压管应用领域，具体涉及一种基于神经网络的管道监测系统。
背景技术
在现如今的管道行业中，想要测量管道内的液体压力，通常会在安装管道时在管道的需要测量段预留测量段管道，需要测量时，将测量段管道取下来，安装上检测装置在该部位进行检测，通常情况下，检测装置中的标准器需要人工通过检测装置上的一个标准器输送管道伸入到待测管道内检定位置进行检测，人工将标准器插入标准器输送管时，难免会发生手部抖动，使得标准器的底部探头贴合在标准器输送管的内壁，或者标准器的底部探头与待检测管道内的水流之间相对抖动影响测量准确性。
目前，在计量检定活动中或者实验中，人员对实验结果的要求比较高，但目前市场上的检测装置，人为操作下的标准器放置会产生很多不规范的问题，从而导致测量不精确或者参数与实际值不一致等问题。
发明内容
发明目的：本发明要解决的技术问题是提供一种基于神经网络的管道监测系统，能平稳地将标准器放置于检定位置，能调节标准器的检测探头在待检测水管内的位置，通过密封圈等减少对测量时标准参数的影响；解决了现有标准器位移控制精确度不高的缺陷，提高标准器位移的快速响应、控制精度和鲁棒性，使标准器位移迅速到达系统设定值，来满足系统对标准器位移精确度的需要。
技术方案：本发明提供了一种基于神经网络的管道监测系统，主体管的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头和固定连接头；标准器放置管的底端与所述主体管的中部连通，标准器的探头朝下通过标准器支架安装在所述标准器放置管内，所述标准器支架支架安装在所述标准器放置管管口处，且其上固定有标准器位移传感器；输送机构中的高度调节螺杆竖直螺纹连接在所述标准器放置管的外壁一侧，且其顶端顶着所述标准器支架；输送机构中的驱动电机的输出轴与所述高度调节螺杆的底端固定连接；用于控制标准器位移的标准器位移控制系统，包括MSP430单片机、L298电机驱动电路、输送机构、标准器和标准器位移传感器组成的标准器位移调节平台，以及由ANFIS模糊神经网络调节器、神经网络PID调节器、NARX神经网络融合控制器、时间序列Elman神经网络预测器、新陈代谢GM(1，1)灰色预测器、GRNN神经网络融合器组成的MSP430单片机中的智能控制器。
优选地，在所述MSP430单片机中的智能控制器中，ANFIS模糊神经网络调节器和神经网络PID调节器相并联，ANFIS模糊神经网络调节器和神经网络PID调节器的输出作为NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为L298电机驱动电路的输入，所述标准器位移传感器检测标准器的位移值分别作为时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输入，时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输出分别作为GRNN神经网络融合器的输入，GRNN神经网络融合器的输出值作为标准器位移控制系统的标准器位移反馈值，标准器位移调节平台的标准器位移给定值和GRNN神经网络融合器的输出值的误差和误差变化率分别作为ANFIS模糊神经网络调节器和神经网络PID调节器的输入。
优选地，在所述标准器位移调节平台中，MSP430单片机中智能控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，L298电机驱动电路作为输送机构中驱动电机的输入，驱动电机通过高度调节螺杆驱动标准器支架移动，进而驱动标准器移动，标准器位移传感器测量标准器移动量，标准器位移传感器的输出分别作为MSP430单片机中智能控制器的新陈代谢GM(1，1)灰色预测器和GRNN神经网络融合器的输入。
优选地，所述标准器支架由安装套圈和至少两个相互平行的支腿组成，所述安装套圈水平固定在各所述支腿上，各所述支腿竖直安插在所述标准器放置管内壁对应的导槽内，所述标准器放置在所述安装套圈内。标准器支架能够通过支腿在标准器放置管内壁的导槽限位下上下移动，标准器能够放在安装套圈内，使得在测量时不用人工拿着标准器测量，减少测量时人手的抖动导致的测量结构不准确。
进一步地，所述的一种基于神经网络的管道监测系统还包括支架高度调节螺杆，所述支架高度调节螺杆竖直螺纹连接在所述标准器放置管的外壁一侧，且所述高度调节螺杆的顶端顶在所述安装套圈下表面，所述高度调节螺杆与所述导槽平行设置。因为针对不同的标准器，可能长度不一，支架高度调节螺杆的设置使得支架的安装套圈与标准器放置管管口之间的间距可调，这样就可以达到调节放置在安装套圈上的标准器的检测探头距离主体管的距离，使得检测探头能够刚好位于标准器放置管与主体管的衔接处，保证测量准确性，又不会使得检测探头深度到主体管内太深的位置，影响主体管内的液体流动，影响液压测定。
进一步地，在所述标准器放置管的管口内壁还安装有管口密封圈。管口密封圈的设置使得标准器放置到安装套圈内后，管口密封圈能够裹住标准器的四周，使得标准器放置管的腔体与外界隔离，防止外界环境影响主体管内液体的液压测试结果。
进一步地，所述的一种基于神经网络的管道监测系统还包括防尘塞，在本辅助管不使用状态时，所述防尘塞的底端穿过所述安装套圈以及所述管口密封圈后塞在所述标准器放置管的管口。防尘塞只在本基于神经网络的管道监测系统不使用的时候堵住标准器放置管的管口，用于防止灰尘进入标准器放置管内。
优选地，所述安装套圈的内径小于所述标准器放置管的内径。安装套圈的内径小于标准器放置管的内径，能够有效避免标准器位于标准器放置管内时，其底部检测探头与标准器放置管内壁贴合，能够确保测量结果的准确性。
工作原理及有益效果：
当需要对待测管道内的液体液压进行检测时，首先将检测部位预留的管道拆卸下来，将本管道监测系统的固定连接头与待检测管道的检测部一侧螺纹连接，然后将活动连接头与待检测管道的检测部另一侧螺纹连接，然后通过标准器放置管的管口，将标准器的检测探头朝下放置在标准器支架上，这样，标准器的检测探头就能够很平稳地放在标准器放置管上，其检测探头位于标准器放置管与主体管的衔接处，如果标准器的检测探头的高度需要调整，则可以通过标准器位移控制系统控制输送机构对标准器进行位移调节，在整个检测过程中，标准器都不会晃动颤抖，能够更加准确地测量出待检测管道内的液压。
本发明与现有技术相比，具有以下明显优点：
一、本发明所采用NARX神经网络融合调节器的输入包括了神经网络PID调节器和ANFIS模糊神经网络调节器一段时间的输出和NARX神经网络融合调节器输出历史反馈,这部分反馈输入可以认为包含了一段时间的神经网络PID调节器和ANFIS模糊神经网络调节器的输出历史信息参与标准器位移的控制,对于一个合适的反馈时间长度,NARX神经网络融合调节器得到了很好的效果,本专利的NARX神经网络融合调节器模式提供了一种有效的标准器预测控制方法。
二、本发明所采用的NARX神经网络融合调节器是一种能够有效对标准器位移的非线性、非平稳时间序列进行预测控制的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对标准器时间序列的预测控制精度。与传统的预测控制模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的标准器实验数据的实际对比，本专利验证了NARX神经网络融合调节器对标准器时间序列预测控制的可行性。同时，实验结果也证明了NARX神经网络融合调节器在非平稳时间序列预测控制中比传统预测控制模型表现更加优异。
三、本发明利用NARX神经网络融合调节器建立标准器预测控制器，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将神经网络PID调节器和ANFIS模糊神经网络调节器的输出作为输入和NARX神经网络融合调节器输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络融合调节器的输入不仅包括原始神经网络PID调节器和ANFIS模糊神经网络调节器的输出数据，还包含经过训练后的NARX神经网络融合调节器输出数据，网络的泛化能力得到提高，使其在非线性标准器时间序列预测控制中较传统的静态神经网络控制具有更好的预测控制精度和自适应能力。
四、本发明采用的基于灰色预测标准器位移参数模型利用了灰色预测要求原始数据少、方法简单的特点，采用新陈代谢灰数递补方法预测标准器位移值提高了标准器位移灰色预测精度和可靠性。
五、本发明采用ANFIS模糊神经网络调节器作为标准器位移的预测控制器，该模糊控制器的参数根据标准器位移的设定值与标准器位移复合灰色预测值的误差e和误差变化率e′对进行自调整，该模糊控制器对标准器位移控制的鲁棒性强、适应性高和速度快。
六、本发明采用标准器位移控制系统，由ANFIS模糊神经网络调节器、神经网络PID调节器和NARX神经网络融合控制器构成对标准器位移的复合控制，时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器和GRNN神经网络融合器构成标准器位移的复合预测，由复合控制器和复合预测器对标准器位移预测控制，控制系统能够快速使标准器位移到达目标值，提高标准器位移的响应速度、控制精度和提高系统的稳定性。
七、本发明标准器位移作为被控对象具有非线性、时滞和时变性的特性，ANFIS模糊神经网络调节器、神经网络PID调节器和NARX神经网络融合控制器，结合神经网络、PID和模糊控制器控制器的优点，由神经网络来实现PID的功能，实现了PID控制器参数的自整定，ANFIS模糊神经网络调节器根据系统标准器位移设定值与标准器位移预测值的误差和误差变化来自动调整模糊控制器参数，该智能复合控制器具有很强的自适应性能，该控制系统根据标准器位移变化过程特点标准器位移复合双闭环控制，提高系统的响应速度，能够适应诸多扰动因素影响，具有良好的鲁棒性。
八、本发明涉及PID控制、神经网络控制、模糊控制、复合控制、复合预测控制技术，设计了智能化标准器位移控制器，该控制系统具有动态性能好、稳态精度高、鲁棒性较强的智能控制器，克服了单纯PID控制对大惯性大延迟对象调节品质差和抗干扰性弱的缺点，将该控制系统用于标准器位移的控制具有较强的动态跟踪性能和抗干扰能力以及良好的动静态性能指标。与原有的常规控制相比该控制系统的控制品质、响应速度和稳定性能都明显提高，标准器位移的控制精度高、抗干扰能力强和稳定性能好，具有较好的应用和推广价值。
附图说明
图1为本发明中基于神经网络的管道监测系统的结构示意图；
图2为标准器支架、标准器放置管以及输送机构配合后的部分结构放大示意图；
图3为标准器位移控制系统的示意图。
具体实施方式
下面结合附图和实施方式对本发明做进一步的说明。
实施方式1
本实施例中的一种基于神经网络的管道监测系统，如图1至3所示，主要由主体管1、标准器放置管6、安装在标准器放置管6管口处的标准器支架8、用于控制标准器支架8的输送机构以及用于控制标准器位移的标准器位移控制系统组成，主体管1的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头2和固定连接头5；标准器放置管6的底端与主体管1的中部连通，标准器的探头朝下通过标准器支架8安装在标准器放置管6内。在测量时，标准器放置在安装套圈11内，且标准器的探头朝下位于主体管1与标准器放置管6的衔接处。
标准器支架8安装在标准器放置管6管口处，由安装套圈11和两个相互平行的支腿12组成，安装套圈11水平固定在两个支腿12顶端上，两个支腿12竖直安插在标准器放置管6内壁对应的导槽内，安装套圈11的内径小于标准器放置管6的内径。安装套圈11上固定有标准器位移传感器14；输送机构中的高度调节螺杆7竖直螺纹连接在标准器放置管6的外壁一侧，且高度调节螺杆7的顶端顶在安装套圈11下表面，高度调节螺杆7与导槽平行设置；输送机构由驱动电机13和高度调节螺杆7组成，驱动电机13固定在标准器放置管6外壁，其输出轴与高度调节螺杆7的底端固定连接；在标准器放置管6的管口内壁还安装有管口密封圈10。本管道检测系统还包括防尘塞9，在不测量状态时，防尘塞9的底端穿过安装套圈11以及管口密封圈10后塞在标准器放置管6的管口。
如图3所示，上述标准器位移控制系统包括标准器位移调节平台和MSP430单片机中的智能控制器，标准器位移调节平台由MSP430单片机、L298电机驱动电路、输送机构、标准器和标准器位移传感器14组成。MSP430单片机中的智能控制器由ANFIS模糊神经网络调节器、神经网络PID调节器、NARX神经网络融合控制器、时间序列Elman神经网络预测器、新陈代谢GM(1，1)灰色预测器、GRNN神经网络融合器组成。MSP430单片机中的智能控制器实现对标准器的位移进行智能化调节。
在上述MSP430单片机中的智能控制器中，ANFIS模糊神经网络调节器和神经网络PID调节器相并联，ANFIS模糊神经网络调节器和神经网络PID调节器的输出作为NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为L298电机驱动电路的输入，标准器位移传感器14检测标准器的位移值分别作为时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输入，时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输出分别作为GRNN神经网络融合器的输入，GRNN神经网络融合器的输出值作为标准器位移控制系统的标准器位移反馈值，标准器位移调节平台的标准器位移给定值和GRNN神经网络融合器的输出值的误差和误差变化率分别作为ANFIS模糊神经网络调节器和神经网络PID调节器的输入。
NARX神经网络融合控制器实现对ANFIS模糊神经网络调节器输出值与神经网络PID调节器输出值的融合和对标准器位移的再一次预测控制，GRNN神经网络融合器实现对时间序列Elman神经网络预测器输出值和新陈代谢GM(1，1)灰色预测器输出值的融合和对标准器位移量的再一次精确预测。
在上述标准器位移调节平台中，MSP430单片机中智能控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，L298电机驱动电路作为输送机构中驱动电机13的输入，驱动电机13通过高度调节螺杆7驱动标准器支架8移动，进而驱动标准器移动，标准器位移传感器14测量标准器移动量，标准器位移传感器14的输出分别作为MSP430单片机中智能控制器的新陈代谢GM(1，1)灰色预测器和GRNN神经网络融合器的输入。
本实施方式中的基于神经网络的管道监测系统的工作原理如下：
当需要对待测管道内的液体液温或流量进行检测时，首先将检测部位预留的管道拆卸下来，将本管道监测系统中的固定连接头5与待检测管道的检测部一侧螺纹连接，然后将活动连接头2与待检测管道的检测部另一侧螺纹连接，然后通过标准器放置管6的管口，将标准器的检测探头朝下放置在标准器支架8上，这样，标准器的检测探头就能够很平稳地放在标准器放置管6内，且由于标准器支架8的固定作用，标准器位于标准器放置管6内部不会与其内壁接触，在整个检测过程中，标准器都不会晃动颤抖，能够更加准确地测量出待检测管道内的液压。
当标准器放置到标准器支架8上并位于标准器放置管6内之后，标准器的检测探头伸入到主体管1内的深度过深或过浅，则可以通过上述的标准器位移控制系统控制输送机构对标准器的位置进行调节。具体地说，通过MSP430单片机中的智能控制器控制驱动电机13运行，进而驱动电机13通过高度调节螺杆7驱动标准器支架8上升或下降，进而驱动标准器支架8上的标准器上升或下降，标准器位移传感器14测量标准器的移动量，当标准器位移传感器14测量到的移动量达到预设值后，智能控制器则控制驱动电机13停止运转。
上述标准器位移控制系统总体功能的设计如下：
上述MSP430单片机中的智能控制器的设计过程如下：
(1)、神经网络PID调节器设计
标准器位移控制系统是根据标准器位移调节的误差和误差变化来调整标准器位移的随动系统，系统能够快速使标准器位移达到系统设定的理想值，提高响应速度、控制精度和提高系统的稳定性。标准器位移调节的误差和误差变化作为神经网络PID调节器与ANFIS模糊神经网络调节器的输入，神经网络PID调节器的输出与ANFIS模糊神经网络调节器的输出是NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为标准器位移的控制量，使标准器位移迅速达到系统设定的理想值。
神经网络PID调节器控制器负责调节标准器位移的预测控制器，使标准器位移迅速达到系统设计的理想值，提高标准器位移达到系统设计要求的准确和快速性，神经网络PID调节器有3个输入xi(t)(i＝1,2,3)，状态变换器的输入反映的是标准器位移设定量与标准器位移预测检测值的偏差状态，若设给定标准器位移与预测量的偏差为e(t)，经转换器后转换成为神经元学习控制所需要的状态X1、X2、X3在这里性能指标为：
为了反映神经元对外界信号的响应能力，神经元重要的特征就是要通过不断的学习使获得的知识结构适应标准器位移的变化，通过修改自身的权系数来进行的，采用了有监督的Hebb学习算法。神经元通过关联搜索来产生控制标准器位移的信号，即自适应神经元的输出控制标准器位移的控制量u(t)为:
(2)、ANFIS模糊神经网络调节器设计
ANFIS模糊神经网络调节器是基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)，将神经网络和自适应模糊推理系统有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS模糊神经网络调节器中的模糊隶属度函数及模糊规则是通过对大量标准器位移已知的低频和预测值历史数据的学习得到的，ANFIS模糊神经网络调节器的输入为标准器位移的误差和误差变化，ANFIS模糊神经网络调节器的输出是对标准器位移的控制量,ANFIS模糊神经网络调节器主要运算步骤如下:
第1层:将输入的标准器位移的误差和误差变化模糊化，每个节点对应输出可表示为:
式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS模糊神经网络调节器的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS模糊神经网络调节器的输出为:
ANFIS模糊神经网络调节器中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS模糊神经网络调节器每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS模糊神经网络调节器将获得的标准器位移误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS模糊神经网络调节器中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS模糊神经网络调节器参数的收敛速度。ANFIS模糊神经网络调节器的输出作为调节标准器位移的控制量。
(3)、NARX神经网络融合控制器设计
NARX神经网络融合控制器的输入分别是神经网络PID调节器和ANFIS模糊神经网络调节器的输出，NARX神经网络融合控制器实现对神经网络PID调节器和ANFIS模糊神经网络调节器的控制量进行融合和进一步实现标准器位移的再一次预测控制，进一步提高标准器位移控制量的精确度。NARX神经网络融合控制器(Nonlinear Auto-Regression withExternal input neural network)是一种动态的前馈神经网络，NARX神经网络融合控制器是一个有着神经网络PID调节器输出和ANFIS模糊神经网络调节器输出作为输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络融合控制器是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。NARX神经网络融合控制器主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络融合控制器的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量神经网络PID调节器输出和ANFIS模糊神经网络调节器输出的延迟阶数。NARX神经网络融合控制器包括输入层、输出层、隐层和时延层。其中神经网络PID调节器输出和ANFIS模糊神经网络调节器输出通过时延层传递给隐层，隐层对神经网络PID调节器输出和ANFIS模糊神经网络调节器输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的NARX神经网络融合控制器输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络融合控制器具有非线性映射能力、良好的鲁棒性和自适应性等特点。x(t)表示NARX神经网络的外部输入，即神经网络PID调节器和ANFIS模糊神经网络调节器的输出值；m表示外部输入的延迟阶数；y(t)是NARX神经网络融合控制器的输出，即下一时段的NARX神经网络融合控制器的输出控制量；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，NARX神经网络融合控制器的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),L,y(t-n),x(t),x(t-1),L,x(t-m+1)；W](9)
NARX神经网络融合控制器的输入数据为神经网络PID调节器和ANFIS模糊神经网络调节器的输出，NARX神经网络融合控制器的输出为标准器位移控制量，NARX神经网络融合控制器的输入层、输出层和隐层的个数分别为2,1和10，NARX神经网络融合控制器实现对神经网络PID调节器和ANFIS模糊神经网络调节器的输出值的动态融合和对标准器位移的再一次预测控制，提高控制标准器位移的动态性能、快速性、准确型和可靠性。
(4)、时间序列Elman神经网络预测器设计
时间序列Elman神经网络预测器可以预测动态预测标准器位移，该预测器是一个具有局部记忆单元和局部反馈连接的前向神经网络，关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设时间序列Elman神经网络预测器的输入层、输出层和隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)＝xp(k-1) (11)
时间序列Elman神经网络预测器的输入数据为一段时间多个不同时刻连续标准器位移的实际值数据，输出为标准器位移的将来值，时间序列Elman神经网络预测器的输入层、输出层和隐层的个数分别为10,1和21，时间序列Elman神经网络预测器实现对时间序列标准器位移的非线性预测。
(5)、新陈代谢GM(1,1)灰色预测器设计
标准器位移新陈代谢GM(1,1)灰色预测器所需建模信息少、运算方便和建模的精度较高，因而在各种预测领域有着广泛的应用，本发明专利引入它对标准器位移的预测中获得了较好的效果，把它作为标准器位移复合控制器的预测值，实现对标准器位移的预测控制。新陈代谢GM(1,1)灰色预测器中把标准器位移的历史数据作为输入，它的输出为标准器位移下一阶段的预测值。新陈代谢GM(1,1)灰色预测器是用标准器位移检测的历史数据生成后建立的微分方程，它将无规律的标准器位移历史数据使其变为较有规律的生成数列再建模，所以新陈代谢GM(1,1)灰色预测器实际上是生成数列模型，一般用微分方程描述。由于新陈代谢GM(1,1)灰色预测器的解是微分方程的解是指数曲线，因此要求生成数列是递增的且接近指数曲线。标准器位移本身均为正值，经一次累加生成后即变为递增数列，设标准器位移历史数据为：
x(0)＝(x(0)(1),x(0)(2)L x(0)(n)) (13)
作一次生成为：
x(1)＝(x(1)(1),x(1)(2)L x(1)(n)) (14)
对x(1)对于可以建立如下一阶一个变量的线性微分方程为：
解该微分方程，并可得到标准器位移的预测值：
x(0)(k+1)＝x(1)(k+1)-x(1)(k) (16)
标准器位移新陈代谢GM(1,1)灰色预测器必须等距、相邻和不得有跳跃，以最新的数据作为参考点去掉最老的数据预测值下一阶段标准器位移值。在标准器位移预测中可用最近检测标准器位移值来建模，由此来预测下一阶段标准器位移值。用上述方法预测出一阶段的标准器位移值后，把此标准器位移值再加进原始数列中，相应地去掉数列开头的一个数据建模，再预测未来下一阶段标准器位移值的预测。依此类推，预测出当前标准器位移值作为GRNN神经网络融合器的输入。这种方法称为标准器位移新陈代谢GM(1,1)灰色预测器，它可实现较长时间的预测，实现对标准器位移的预测控制。
(6)、GRNN神经网络融合器设计
GRNN神经网络融合器是一种局部逼近网络GRNN(Generalized RegressionNeural Network)，GRNN神经网络融合器的输入为时间序列Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出，GRNN神经网络融合器的输出为标准器位移预测值的融合值，GRNN神经网络融合器实现对时间序列Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出预测值的精确融合和对标准器位移的再一次精确预测。GRNN神经网络融合器是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。GRNN神经网络融合器的学习全部依赖时间序列Elman神经网络预测器输出和新陈代谢GM(1,1)灰色预测器输出的数据样本，在逼近能力和学习速度上较BRF网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。GRNN神经网络融合器的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得GRNN神经网络融合器可以最大限度地减少人为主观假定对标准器位移预测结果的影响。GRNN神经网络融合器具有小样本下强大的标准器位移预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利构建的GRNN神经网络融合器由输入层、模式层、求和层和输出层构成，GRNN网络输入向量X为n维向量，网络输出向量Y为k维向量X＝{x1,x2,L,xn}T和Y＝{y1,y2,L,yk}T。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
pi＝exp{-[(x-xi)T(x-xi)]/2σ},(i＝1,2,L,m) (17)
上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN神经网络融合器算法，则GRNN神经网络融合器输出向量Y的第j个元素的估计值为:
yj＝sNj/sD,(j＝1,2,L k) (20)
GRNN神经网络融合器建立在数理统计基础之上，它能够根据Elman神经网络预测器和新陈代谢GM(1,1)灰色预测器的输出标准器预测位移数据样本逼近其隐含的映射关系，GRNN神经网络融合器输出结果能够收敛于最优回归面，特别是在标准器位移数据样本数据稀少的情况下，也能获得满意的预测效果。GRNN神经网络融合器具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
本发明的标准器位移控制方案均采用本发明的标准器位移控制系统的设计方案，本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于神经网络的管道监测系统，其特征在于：主体管(1)的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头(2)和固定连接头(5)；标准器放置管(6)的底端与所述主体管(1)的中部连通，标准器的探头朝下通过标准器支架(8)安装在所述标准器放置管(6)内，所述标准器支架(8)支架安装在所述标准器放置管(6)管口处，且其上固定有标准器位移传感器(14)；输送机构中的高度调节螺杆(7)竖直螺纹连接在所述标准器放置管(6)的外壁一侧，且其顶端顶着所述标准器支架(8)；输送机构中的驱动电机(13)的输出轴与所述高度调节螺杆(7)的底端固定连接，所述驱动电机(13)固定在所述标准器放置管(6)外壁；用于控制标准器位移的标准器位移控制系统，包括MSP430单片机、L298电机驱动电路、输送机构、标准器和标准器位移传感器(14)组成的标准器位移调节平台，以及由ANFIS模糊神经网络调节器、神经网络PID调节器、NARX神经网络融合控制器、时间序列Elman神经网络预测器、新陈代谢GM(1，1)灰色预测器、GRNN神经网络融合器组成的MSP430单片机中的智能控制器。
2.根据权利要求1中所述的基于神经网络的管道监测系统，其特征在于：在所述MSP430单片机中的智能控制器中，ANFIS模糊神经网络调节器和神经网络PID调节器相并联，ANFIS模糊神经网络调节器和神经网络PID调节器的输出作为NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为L298电机驱动电路的输入，所述标准器位移传感器(14)检测标准器的位移值分别作为时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输入，时间序列Elman神经网络预测器和新陈代谢GM(1，1)灰色预测器的输出分别作为GRNN神经网络融合器的输入，GRNN神经网络融合器的输出值作为标准器位移控制系统的标准器位移反馈值，标准器位移调节平台的标准器位移给定值和GRNN神经网络融合器的输出值的误差和误差变化率分别作为ANFIS模糊神经网络调节器和神经网络PID调节器的输入。
3.根据权利要求1中所述的基于神经网络的管道监测系统，其特征在于：在所述标准器位移调节平台中，MSP430单片机中智能控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，L298电机驱动电路作为输送机构中驱动电机(13)的输入，驱动电机(13)通过高度调节螺杆(7)驱动标准器支架(8)移动，进而驱动标准器移动，标准器位移传感器(14)测量标准器移动量，标准器位移传感器(14)的输出分别作为MSP430单片机中智能控制器的新陈代谢GM(1，1)灰色预测器和GRNN神经网络融合器的输入。
4.根据权利要求1所述的基于神经网络的管道监测系统，其特征在于：所述标准器支架(8)由安装套圈(11)和至少两个相互平行的支腿(12)组成，所述安装套圈(11)水平固定在各所述支腿(12)上，各所述支腿(12)竖直安插在所述标准器放置管(6)内壁对应的导槽内，所述标准器放置在所述安装套圈(11)内。
5.根据权利要求4所述的基于神经网络的管道监测系统，其特征在于：所述高度调节螺杆(7)的顶端顶在所述安装套圈(11)下表面，所述高度调节螺杆(7)与所述导槽平行设置。
6.根据权利要求4所述的基于神经网络的管道监测系统，其特征在于：在所述标准器放置管(6)的管口内壁还安装有管口密封圈(10)。
7.根据权利要求6所述的基于神经网络的管道监测系统，其特征在于：还包括防尘塞(9)，在本辅助管不使用状态时，所述防尘塞(9)的底端穿过所述安装套圈(11)以及所述管口密封圈(10)后塞在所述标准器放置管(6)的管口。
8.根据权利要求4所述的基于神经网络的管道监测系统，其特征在于：所述安装套圈(11)的内径小于所述标准器放置管(6)的内径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694963.1A CN112000008B (zh) | 2020-07-18 | 2020-07-18 | 一种基于神经网络的管道监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694963.1A CN112000008B (zh) | 2020-07-18 | 2020-07-18 | 一种基于神经网络的管道监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112000008A true CN112000008A (zh) | 2020-11-27 |
| CN112000008B CN112000008B (zh) | 2022-04-01 |
Family
ID=73466503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694963.1A Active CN112000008B (zh) | 2020-07-18 | 2020-07-18 | 一种基于神经网络的管道监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112000008B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113126676A (zh) * | 2021-03-17 | 2021-07-16 | 淮阴工学院 | 一种畜禽舍养殖环境参数智能控制系统 |
| CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
| CN114970745A (zh) * | 2022-06-17 | 2022-08-30 | 淮阴工学院 | 物联网智能安防与环境大数据系统 |
| CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278148A1 (en) * | 2013-03-13 | 2014-09-18 | Eric Ziegel | Virtual in-line inspection of wall loss due to corrosion in a pipeline |
| CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
| CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
-
2020
- 2020-07-18 CN CN202010694963.1A patent/CN112000008B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278148A1 (en) * | 2013-03-13 | 2014-09-18 | Eric Ziegel | Virtual in-line inspection of wall loss due to corrosion in a pipeline |
| CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
| CN111366291A (zh) * | 2020-02-14 | 2020-07-03 | 迈拓仪表股份有限公司 | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 |
Non-Patent Citations (1)
| Title |
|---|
| WILLIAMS R. VILLALBA等: "Override Control Based on NARX Model for ecuador"s oil pipeline system", 《INTELLIGENT COMPUTING - PROCEEDINGS OF THE COMPUTING CONFERENCE》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113126676A (zh) * | 2021-03-17 | 2021-07-16 | 淮阴工学院 | 一种畜禽舍养殖环境参数智能控制系统 |
| CN114839881A (zh) * | 2022-06-17 | 2022-08-02 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
| CN114970745A (zh) * | 2022-06-17 | 2022-08-30 | 淮阴工学院 | 物联网智能安防与环境大数据系统 |
| CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
| CN116498908B (zh) * | 2023-06-26 | 2023-08-25 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
| US11953356B2 (en) | 2023-06-26 | 2024-04-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for monitoring smart gas pipeline networks based on ultrasonic flowmeters |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112000008B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112000008B (zh) | 一种基于神经网络的管道监测系统 | |
| CN109507882B (zh) | 一种基于rbf-arx模型的快速鲁棒预测控制方法 | |
| Akpan et al. | Nonlinear model identification and adaptive model predictive control using neural networks | |
| KR20030014285A (ko) | 다변수 행렬 프로세스 제어방법 및 그 장치 | |
| KR102225370B1 (ko) | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 | |
| CN104190720B (zh) | 一种自适应自动厚度控制方法及装置 | |
| Çetin et al. | Adaptive uncertainty compensation-based nonlinear model predictive control with real-time applications | |
| CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
| CN112013203B (zh) | 一种基于drnn神经网络管网检测系统 | |
| Boillereaux et al. | A new approach for designing model-based indirect sensors | |
| CN113778141B (zh) | 一种分段pid控制的流体管道流量控制系统 | |
| CN114880930B (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
| US20220373980A1 (en) | Dymamic control of a manufacturing process using deep reinforcement learning | |
| CN114415503B (zh) | 温度大数据物联网检测与智能控制系统 | |
| JP2024516410A (ja) | モデル制約を課すことによって信頼できるディープラーニングコントローラを構築するための装置および方法 | |
| Li et al. | The research of temperature compensation for thermopile sensor based on improved PSO-BP algorithm | |
| CN113741187A (zh) | 一种模糊自适应pid控制器的控制系统及方法 | |
| CN111998887A (zh) | 一种用于参数测量的检测装置 | |
| CN111998423A (zh) | 电蓄热循环风量-水温控制系统及其预测控制方法 | |
| Hoshino et al. | Self tuning control with generalized minimum variance control in continuous time domain | |
| Guo et al. | Modelling for multi-phase batch processes using steady state identification and deep recurrent neural network | |
| CN117572770B (zh) | 智能阀门定位器的控制方法及其物联网系统 | |
| CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
| CN116149262B (zh) | 一种伺服系统的跟踪控制方法及系统 | |
| CN203217277U (zh) | 槽式反应器基于在线支持向量机的非线性模型预测控制器 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231013 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231013 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |