CN113126488B - 一种物质混合智能系统 - Google Patents
一种物质混合智能系统 Download PDFInfo
- Publication number
- CN113126488B CN113126488B CN202110287863.1A CN202110287863A CN113126488B CN 113126488 B CN113126488 B CN 113126488B CN 202110287863 A CN202110287863 A CN 202110287863A CN 113126488 B CN113126488 B CN 113126488B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- output
- input
- controller
- 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
Links
- 239000000126 substance Substances 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims description 157
- 239000007789 gas Substances 0.000 claims description 105
- 238000013527 convolutional neural network Methods 0.000 claims description 104
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 80
- 238000013528 artificial neural network Methods 0.000 claims description 66
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 31
- 239000001569 carbon dioxide Substances 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 8
- 230000003750 conditioning effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 239000007788 liquid Substances 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 230000004927 fusion Effects 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
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/71—Feed mechanisms
- B01F35/714—Feed mechanisms for feeding predetermined amounts
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/80—Forming a predetermined ratio of the substances to be mixed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/80—Forming a predetermined ratio of the substances to be mixed
- B01F35/83—Forming a predetermined ratio of the substances to be mixed by controlling the ratio of two or more flows, e.g. using flow sensing or flow controlling devices
-
- 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
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种物质混合智能系统，其特征在于：所述系统由参数采集与控制平台和物质混合调节子系统两部分组成，系统实现对混合对象参数检测和物质混合过程的调节，提高调节混合物质过程的可靠性和精确性；本发明根据现有气体或者液体混合配比控制系统不精确和鲁棒性差等问题，对气体或者液体混合配比系统性能的影响，本发明有效解决气体或者液体混合配比系统的鲁棒性差和响应速度慢等问题。
Description
技术领域
本发明涉及气体或者液体物质混合自动化装备的技术领域，具体涉及一种物质混合智能系统。
背景技术
气体或者液体混合配比系统指按照混合理论得到特定气体或者液体的一类系统，目前气体或者液体混合配比系统已广泛应用于生物科学研究、环境监测和仪器仪表控制校正等领域，因此对系统的各项技术参数特别是混合配比系统精度低和响应时间都提出了更高的标准，由于混合配比系统具有时变非线性且难以建立精确数学模型，仅采用传统PID控制器会存在响应速度慢和系统精度低等缺点，难以实现理想的控制效果，对系统中控制算法和控制器的设计提出更高的要求，因而需要迫切研究一种新型智能控制方法以克服传统PID控制方法的不足，本发明的一种物质混合智能系统克服传统气体或者液体混合配比系统的响应速度慢、控制精度低和鲁棒性差等缺点，实现对气体或者液体混合配比系统的精确高效调节与控制。本发明专利以CO2浓度与空气混合的气体混合配比系统调节与控制为例，一种物质混合智能系统实现对CO2浓度的智能化精确调节来满足用户的需求。
发明内容
本发明提供了一种物质混合智能系统，本发明根据现有气体或者液体混合配比控制系统不精确和鲁棒性差等问题，对气体或者液体混合配比系统性能的影响，本发明有效解决气体或者液体混合配比系统的鲁棒性差和响应速度慢等问题。
本发明通过以下技术方案实现：
一种物质混合智能系统包括参数采集与控制平台和物质混合调节子系统2 部分组成，该系统实现对混合配比系统对象的参数检测、处理和配比系统的精确调节，提高气体或者液体混合配比系统控制的可靠性。
本发明进一步技术改进方案是：
参数采集与控制平台包括气瓶1、气瓶2、气瓶3、减压阀1、减压阀2、质量流量控制器1、质量流量控制器2、气体混合室、参数检测节点、温度检测节点、控制节点、输气管和现场监控端；通过输气管分别把气瓶1和气瓶2的气体输送到减压阀1和减压阀2，减压阀1和减压阀2通过输气管把气体分别送到质量流量控制器1和质量流量控制器2，质量流量控制器1和质量流量控制器2 通过输气管把气体输送至气体 混合室，温度检测节点、参数检测节点、控制节点和现场监控端的CAN总线接口构建成CAN现场总线网络实现它们之间信息的相互传递，温度检测节点和参数检测节点通过CAN现场总线网络把被测量对象的温度和流量的传感器值传输给现场监控端,现场监控端的控制信息通过现场监控端的 RS232/CAN接口和控制节点的CAN接口传输给控制节点；参数采集与控制平台结构见图1所示。
本发明进一步技术改进方案是：
物质混合调节子系统由DRNN神经网络模型、时延神经网络模型、3个CNN 卷积神经网络模型、NARX神经网络模型、PID二氧化碳控制器、PID空气控制器、2个积分回路、2个T-S模糊神经网络制器和参数扰动控制模块组成，3个 CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T-S 模糊神经网络制器的2个对应输入；CO2浓度期望值作为DRNN神经网络模型的对应输入，3组多个温度传感器的输出分别作为对应的CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输入，CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出作为时延神经网络模型的3个对应的输入，时延神经网络模型输出的CO2流量温度校正系数和空气流量校正系数值分别作为DRNN神经网络模型和NARX 神经网络模型的对应输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型和NARX神经网络模型的对应输入，CO2流量变送器传感器的输出作为NARX神经网络模型的对应输入；DRNN神经网络模型输出与参数扰动控制模块的时延神经网络模型输出的差值作为CO2浓度的期望值误差，CO2浓度的期望值误差和误差变化率作为PID二氧化碳控制器的输入； NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差，空气流量误差和误差变化率作为PID空气控制器的输入，PID二氧化碳控制器和PID 空气控制器的输出分别作为对应的积分回路输入和T-S模糊神经网络制器的输入；物质混合调节子系统结构见图2所示。
本发明进一步技术改进方案是：
参数扰动控制模块由2个LSTM神经网络模型、NARX神经网络控制器和时延神经网络模型组成；LSTM神经网络模型分别为LSTM神经网络模型1和 LSTM神经网络模型2，2个T-S模糊神经网络制器输出的CO2浓度控制值和空气浓度控制值分别与NARX神经网络控制器输出的对应CO2浓度扰动控制值和空气浓度扰动控制值两两相加分别得到CO2浓度控制实际值和空气浓度扰动控制实际值，CO2浓度控制实际值和空气浓度扰动控制实际值分别作为LSTM神经网络模型1和LSTM神经网络模型1的输入，LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入，多个CO2浓度传感器的输出作为时延神经网络模型的输入，时延神经网络模型的输出作为NARX神经网络控制器的1 个对应输入。参数扰动控制模块结构见图2所示。
本发明与现有技术相比，具有以下明显优点：
一、本发明利用CNN卷积神经网络模型能够实现气瓶温度传感器值的空间特征提取且能缩短特征提取时间和时延神经网络模型能够记忆依赖性很强的气瓶中气瓶温度非线性变化和温度传感器输出值之间的关系的优势，解决气瓶温度传感器输出值和气瓶的温度变化数据活动序列数据的空间特征提取和时间特征的数据依赖问题；首先将气瓶温度传感器值的序列数据输入到CNN卷积神经网络模型中提取气瓶温度传感器值的空间特征向量；其次将上一步提取气瓶温度传感器值的空间特征向量作为时延神经网络模型的输入，利用时延神经网络模型中输入延时网络预测气瓶温度传感器值的活动序列数据之间的时间特征相互影响问题，从而提高预测气瓶温度传感器输出值的精确度和时间效率。
二、本发明利用CNN卷积神经网络模型提取气瓶温度传感器值的空间特征，实现对气瓶温度传感器值的特征提取；同时，选用时延神经网络模型对CNN 卷积神经网络模型输出的空间特征序列进行处理，挖掘气瓶温度传感器值的时序信息，在时间维度上提取气瓶温度传感器值的时间特征，并实现气瓶温度传感器值的时间特征和空间特征的精确预测。
三、本发明CNN卷积神经网络模型的卷积层主要优势在于提取气瓶温度传感器值的空间特征中的权值共享和稀疏连接，权值共享是指CNN卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的气瓶温度传感器值的来说其权值是一样的；稀疏连接是指CNN卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局气瓶温度传感器值的；CNN卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了气瓶温度传感器值的空间特征参数数量，从而预防 CNN卷积神经网络模型的过拟合并加快CNN卷积神经网络模型训练速度和提高气瓶温度传感器值的预测精确度。
四、本发明LSTM神经网络模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于BP神经网络和普通的RNN，LSTM增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。LSTM神经网络模型的功能旨在CO2浓度控制实际值和空气浓度扰动控制实际值数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的结果。LSTM神经网络模型实现CO2浓度控制实际值和空气浓度扰动控制实际值的预测，提高控制CO2浓度和空气浓度的精确度。
五、本发明LSTM神经网络模型具有与标准RNN类似的链状重复网络结构，LSTM神经网络模型中的重复网络具有4个交互层，包括3个门层和1个 tanh层。处理器状态是LSTM神经网络模型中的关键变量，它携带着CO2浓度控制实际值和空气浓度扰动控制实际值预测先前步骤的信息，并逐步穿过整个 LSTM神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加CO2浓度控制实际值和空气浓度扰动控制实际值预测新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步CO2浓度控制实际值和空气浓度扰动控制实际值预测的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
六、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从CO2浓度控制实际值和空气浓度扰动控制实际值预测序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。CO2浓度控制实际值和空气浓度扰动控制实际值数据是序列数据，其变化趋势富有含义。此外，由于CO2浓度控制实际值和空气浓度扰动控制实际值的采样间隔相对较小，CO2浓度控制实际值和空气浓度扰动控制实际值预测存在长期空间相关性，而LSTM神经网络模型有足够的长期记忆来处理这种问题。
七、本发明在串级LSTM神经网络模型中，首先在浅层级对相对容易预测 CO2浓度控制实际值和空气浓度扰动控制实际值数据进行重构，然后把生成的 CO2浓度控制实际值和空气浓度扰动控制实际值数据作为下一级的输入。深层级的预测结果不但基于CO2浓度控制实际值和空气浓度扰动控制实际值数据训练数据中的输入值，还受浅层级CO2浓度控制实际值和空气浓度扰动控制实际值数据结果的影响，这种方法能够更有效地提取CO2浓度控制实际值和空气浓度扰动控制实际值数据输入数据中蕴含的信息，提升模型的预测CO2浓度控制实际值和空气浓度扰动控制实际值的准确度。
八、本发明采用NARX神经网络模型的一种通过时延神经网络模型输出值、 CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出的预测延时模块及反馈实现来建立NARX神经网络模型的动态递归网络，它是沿着延神经网络模型输出值、CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出的参数在时间轴方向的拓展的多个时延神经网络模型输出值、CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出的参数时间序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内的时延神经网络模型输出值、CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出的参数来建立空气流量控制给定值的组合模型，模型输出的空气流量控制给定值在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，该NARX神经网络模型实现对空气流量控制给定值的连续动态预测。输入包括了一段时间的时延神经网络模型输出值、CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出和它们输出的历史反馈,这部分反馈输入可以认为包含了一段时间的时延神经网络模型输出值、CO2流量变送器传感器输出和参数扰动控制模块的时延神经网络模型输出的状态历史信息参与空气流量控制给定值的预测,对于一个合适的反馈时间长度, 预测得到了很好的效果,本专利的NARX神经网络模型预测模式提供了一种有效的预测空气流量控制给定值方法。
九、本发明利用NARX神经网络控制器由于通过引入输入延时模块及输出反馈建立对二氧化碳流量的扰动控制值和空气流量的扰动控制值的动态递归网络控制器，它将CO2浓度控制实际值、空气浓度扰动控制实际值和二氧化碳浓度的融合值作为输入和NARX神经网络控制器输出二氧化碳流量扰动控制值和空气流量控制值向量延时反馈引入NARX神经网络控制器输出的模型训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络控制器的输入不仅包括原始输入数据，还包含经过训练后的输出数据，NARX神经网络控制器的泛化能力得到提高，使其在非线性二氧化碳流量和空气流量控制中的时间序列预测控制中较传统的静态神经网络具有更好的预测控制精度和自适应能力。
附图说明
图1为本发明的参数采集与控制平台结构；
图2为本发明的物质混合调节子系统；
图3为本发明的温度检测节点功能图；
图4为本发明的参数检测节点功能图；
图5为本发明控制节点功能图；
图6为本发明现场监控端软件功能图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明由参数采集与控制平台和物质混合调节子系统组成，参数采集与控制平台包括气瓶1、气瓶2、气瓶3、减压阀1、减压阀2、质量流量控制器1、质量流量控制器2、气体混合室、参数检测节点、温度检测节点、控制节点、输气管和现场监控端；参数检测节点、温度检测节点、控制节点和现场监控端之间通过构建CAN现场总线网络来实现参数检测节点、温度检测节点、控制节点和现场监控端之间的通信；温度检测节点和参数检测节点将检测的温度和相关参数通过CAN总线发送给现场监控端，现场监控端对温度和相关参数传感器数据进行理和预测；控制节点接受现场监控端的指令实现对减压阀和2个质量流量控制器的控制来调节实现两种气体混合配比的精确调节；参数采集与控制平台的结构见图1所示。
二、温度检测节点设计
温度检测节点由温度传感器、调理电路和STM32单片机和CAN总线接口组成，主要用于采集气瓶1、气瓶2和气瓶3环境中温度传感器参数，3组多个温度传感器分别分布在气瓶1、气瓶2和气瓶3中，气瓶1、气瓶2和气瓶3的环境温度数据信息将通过温度检测节点的CAN总线接口和现场监控端的 RS232/CAN接口实现温度检测节点与现场监控端之间信息的实时交互。温度检测节点结构功能见图3所示。
三、参数检测节点设计
参数检测节点由调理电路和STM32单片机和CAN总线接口组成，多个CO2浓度传感器分布在气瓶3中，CO2流量变送器安装在质量流量控制器1和气体混合室之间的输气管上，空气流量变送器安装在质量流量控制器2和气体混合室之间的输气管上，CO2流量变送器、空气流量变送器和多个CO2浓度传感器的输出作为参数检测节点的输入，该参数信息将通过参数检测节点的CAN总线接口和现场监控端的RS232/CAN接口实现参数检测节点与现场监控端之间信息的实时交互。参数检测节点结构功能见图4所示。
四、控制节点设计
控制节点由CAN总线接口、3个继电器、STM32单片机和3个D/A调理电路组成，通过调节减压阀、2个质量流量控制器的开度和通断来调控气瓶1和气瓶2的输气管中气体流量实现2种气体的混合配比控制与调节。控制节点的微处理器收到来现场监控端所发出的调节指令后，将通过继电器控制和调理电路的输出量来控制减压阀和2个质量流量控制器的工作，完成对气瓶3中混合气体浓度的调控，控制节点与现场监控端之间通过CAN总线接口为双向数据通信，控制节点的结构图见图5所示。
五、现场监控端软件设计
现场监控端包括一台工业控制计算机和RS232/CAN接口，现场监控端主要实现对参数采集与控制平台采集的温度、流量和二氧化碳浓度进行检测与处理，实现与温度检测节点、参数检测节点和控制节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和物质混合调节子系统。物质混合调节子系统结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图 6。物质混合调节子系统由DRNN神经网络模型、时延神经网络模型、3个CNN 卷积神经网络模型、NARX神经网络模型、PID二氧化碳控制器、PID空气控制器、2个积分回路、2个T-S模糊神经网络制器和参数扰动控制模块组成，3个 CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T-S 模糊神经网络制器的2个对应输入；物质混合调节子系统结构见图2所示。
1、DRNN神经网络模型的设计
CO2浓度期望值作为DRNN神经网络模型的对应输入，时延神经网络模型的输出值分别作为DRNN神经网络模型的输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出与参数扰动控制模块的时延神经网络模型输出的差值作为CO2浓度的期望值误差；每个DRNN网络3-11-1的3层网络结构，其隐层为回归层。设 I＝[I1(t),I2(t),…,In(t)]为DRNN神经网络输入向量，其中Ii(t)为DRNN神经网络模型输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN神经网络模型的输出。则DRNN神经网络模型输出层输出为：
2、CNN卷积神经网络模型的设计
3组多个温度传感器的输出分别作为对应的CNN卷积神经网络模型1、CNN 卷积神经网络模型2和CNN卷积神经网络模型3的输入，CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出作为时延神经网络模型的3个对应的输入；
CNN卷积神经网络模型能够直接从大量的温度传感器值中自动挖掘提取出表征系统状态的敏感空间特征，CNN卷积神经网络模型结构主要包括4个部分：①输入层(Input)。输入层即为CNN卷积神经网络模型的输入，一般将温度传感器值或预处理后的信号进行归一化后直接输入。②卷积层(Conv)。由于输入层数据维度较大，CNN卷积神经网络模型难以直接全面感知所有温度传感器值输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低CNN卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对温度传感器值输入信号进行遍历和卷积运算，从而实现对温度传感器值输入信号敏感特征的挖掘与提取。③池化层(Pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，温度传感器值特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的温度传感器值的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
3、时延神经网络模型设计
CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出作为时延神经网络模型的3个对应的输入，时延神经网络模型输出的CO2流量温度校正系数和空气流量校正系数值分别作为DRNN神经网络模型和NARX神经网络模型的对应输入；时间延迟神经网络(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入, 通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻多个CNN卷积神经网络模型输出的信号和K以前的d-1个多个CNN卷积神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对多个CNN卷积神经网络模型输出值进行延迟，使网络可以利用之前的d步的多个CNN卷积神经网络模型值与当前的多个CNN 卷积神经网络模型输出值共同预测当前时间点的料重比输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：
Y(t)＝R(X(t),X(t-1),…,X(t-d)) (2)
4、PID二氧化碳控制器和PID空气控制器的设计
CO2浓度的期望值误差和误差变化率作为PID二氧化碳控制器的输入； NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差，空气流量误差和误差变化率作为PID空气控制器的输入，PID二氧化碳控制器和PID 空气控制器的输出分别作为对应的积分回路输入和T-S模糊神经网络制器的输入；PID闭环控制器主要是由比例P、积分I微分D所构成的，主要是基于被控制量误差，通过比例、积分、微分进行控制量计算从而实现有效控制。PID闭环控制的重要基础在于比例控制，而积分控制可有效缩小稳态误差，但是极有可能会导致超调增加，微分控制能够促进大惯性系统响应速度加快，并有效降低超调，PID输入与输出u(t)的关系即：
其中，e(t)代表输入；u(t)代表输出；KP代表比例系数；KI代表积分系数； KD代表微分系数；
5、T-S模糊神经网络制器设计
由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T-S模糊神经网络制器的2个对应输入；PID二氧化碳控制器和PID空气控制器的输出分别作为对应的积分回路输入和T-S模糊神经网络制器的输入；T-S模糊神经网络的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型，它是基于T-S模糊逻辑系统和神经网络的融合，得到了一种结构简单的T-S模糊神经网络，T-S模糊神经网络为普通的模糊神经网络共有4层，分别为输入层、模糊化层、规则计算层和输出层，第一层为输入层，每个节点均与输入向量xi相连。第二层为模糊化层，本专利采用高斯函数作为T-S模糊神经网络的隶属度函数，所采用的隶属度函数为：
第三层为规则计算层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过
下面公式求得ω：
第四层为输出层，通过下面公式求得到T-S模糊神经网络的输出：
6、NARX神经网络模型设计
时延神经网络模型的输出值分别作为DRNN神经网络模型和NARX神经网络模型的对应输入，CO2流量变送器传感器的输出作为NARX神经网络模型的对应输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型和NARX神经网络模型的对应输入；NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差；NARX神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于CNN卷积神经网络模型和 LSTM神经网络模型的输出作为NARX神经网络模型输入信号和NARX神经网络模型输出温度传感器值料重比反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对空气流量控制给定进行预测。x(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的空气流量控制设定值预测值；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，网络的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (7)
本发明专利的NARX神经网络模型是一种动态的前馈神经网络，NARX神经网络模型是一个有着外部输入值的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈空气流量控制设定输出值连接到网络输入的封闭网络的若干层，NARX神经网络模型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。一个典型的NARX回归神经网络主要由输入层、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神经网络模型的当时输出空气流量控制设定值不仅取决于过去y(t-n)时刻的空气流量控制设定值，还取决于当时的空气流量控制设定值作为输入向量X(t)以及输入向量的延迟阶数等。其中 CNN卷积神经网络模型输出作为输入信号通过时延层传递给隐层，隐层对输入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神经网络模型输出空气流量控制设定值，时延层将NARX神经网络模型输出空气流量控制设定值反馈的信号和空气流量控制设定值的输出作为输入层的信号进行延时，然后输送到隐层。
7、参数扰动控制模块设计
参数扰动控制模块由2个LSTM神经网络模型、NARX神经网络控制器和时延神经网络模型组成，LSTM神经网络模型分别为LSTM神经网络模型1和 LSTM神经网络模型2；参数扰动控制模块结构见图2所示。
(1)、LSTM神经网络模型设计
LSTM神经网络模型分别为LSTM神经网络模型1和LSTM神经网络模型2，2个T-S模糊神经网络制器输出的CO2浓度控制值和空气浓度控制值分别与 NARX神经网络控制器输出的对应CO2浓度扰动控制值和空气浓度扰动控制值两两相加分别得到CO2浓度控制实际值和空气浓度扰动控制实际值，CO2浓度控制实际值和空气浓度扰动控制实际值分别作为LSTM神经网络模型1和 LSTM神经网络模型1的输入，LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入；LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM神经网络模型时间递归神经网络，通常也被称为LSTM神经网络模型网络。LSTM神经网络模型引入了记忆单元 (Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络模型神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(InputGate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate) 组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列二氧化碳和控制流量控制实际值的动态变化，LSTM神经网络模型有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。 LSTM神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM 神经网络模型在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的二氧化碳和控制流量控制实际值动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制二氧化碳和控制流量控制实际值历史信息的使用。设输入二氧化碳或者控制流量控制实际值的时间序列值为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt) (8)
ft＝sigmoid(Whfht-1+WhfXt) (9)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (10)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (11)
ht＝ot⊙tanh(ct) (12)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元， Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的LSTM神经网络模型来对进行预测二氧化碳和控制流量控制实际值，该方法首先建立LSTM神经网络模型，利用预处理的二氧化碳和控制流量控制实际值数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了二氧化碳和控制流量控制实际值变化的时序性和非线性，具有较高二氧化碳和控制流量控制实际值的预测精度。
(2)、NARX神经网络控制器设计
LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为 NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入；多个CO2浓度传感器的输出作为时延神经网络模型的输入，时延神经网络模型的输出作为NARX神经网络控制器的1个对应输入；NARX神经网络控制器的设计过程参照本专利的NARX神经网络模型的设计过程。
六、一种物质混合智能系统的设计举例
根据被检测对象的状况，系统设计了温度检测节点、参数检测节点、控制节点和现场监控端的平面布置安装图，其中参数检测节点的温度检测节点的CO2传感器、温度传感器均衡布置在气瓶3、气瓶1和气瓶2的环境中，通过该系统实现对象CO2和温度参数采集和处理，控制节点实现对被控制对象的调节，实现对两种气体的混合精确调剂。
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 (3)
1.一种物质混合智能系统，其特征在于：所述系统包括参数采集与控制平台和物质混合调节子系统两部分，所述参数采集与控制平台包括气瓶1、气瓶2、气瓶3、减压阀1、减压阀2、质量流量控制器1、质量流量控制器2、气体混合室、参数检测节点、温度检测节点、控制节点、输气管和现场监控端；通过输气管分别把气瓶1和气瓶2的气体输送到减压阀1和减压阀2，减压阀1和减压阀2通过输气管把气体分别送到质量流量控制器1和质量流量控制器2，质量流量控制器1和质量流量控制器2通过输气管把气体输送至气体混合室，气体混合室将气体输送至气瓶3中，温度检测节点、参数检测节点、控制节点和现场监控端的CAN总线接口构建成CAN现场总线网络实现它们之间信息的相互传递，温度检测节点由温度传感器、调理电路和STM32单片机和CAN总线接口组成，用于采集气瓶1、气瓶2和气瓶3环境中温度传感器参数，3组多个温度传感器分别分布在气瓶1、气瓶2和气瓶3中，气瓶1、气瓶2和气瓶3的环境温度数据信息将通过温度检测节点的CAN总线接口和现场监控端的RS232/CAN接口实现温度检测节点与现场监控端之间信息的实时交互，参数检测节点由调理电路和STM32单片机和CAN总线接口组成，多个CO2浓度传感器分布在气瓶3中，CO2流量变送器安装在质量流量控制器1和气体混合室之间的输气管上，空气流量变送器安装在质量流量控制器2和气体混合室之间的输气管上，CO2流量变送器、空气流量变送器和多个CO2浓度传感器的输出作为参数检测节点的输入，温度检测节点和参数检测节点通过CAN现场总线网络把被测量对象的温度和流量的传感器值传输给现场监控端,现场监控端的控制信息通过现场监控端的RS232/CAN接口和控制节点的CAN接口传输给控制节点，现场监控端对温度和参数传感器数据进行理和预测；控制节点接受现场监控端的指令实现对减压阀和2个质量流量控制器的控制来调节实现两种气体混合配比的精确调节；
所述物质混合调节子系统由DRNN神经网络模型、时延神经网络模型、CNN卷积神经网络模型、NARX神经网络模型、PID二氧化碳控制器、PID空气控制器、积分回路、T-S模糊神经网络制器和参数扰动控制模块组成；CO2浓度期望值作为DRNN神经网络模型的对应输入，3组多个温度传感器的输出分别作为对应的CNN卷积神经网络模型的输入，CNN卷积神经网络模型的输出作为时延神经网络模型的对应的输入，时延神经网络模型输出的CO2流量温度校正系数和空气流量校正系数值分别作为DRNN神经网络模型和NARX神经网络模型的对应输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型和NARX神经网络模型的对应输入，CO2流量变送器传感器的输出作为NARX神经网络模型的对应输入；DRNN神经网络模型输出与参数扰动控制模块的时延神经网络模型输出的差值作为CO2浓度的期望值误差，CO2浓度的期望值误差和误差变化率作为PID二氧化碳控制器的输入；NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差，空气流量误差和误差变化率作为PID空气控制器的输入，PID二氧化碳控制器和PID空气控制器的输出分别作为对应的积分回路输入和T-S模糊神经网络制器的输入；
所述参数扰动控制模块包括LSTM神经网络模型、NARX神经网络控制器和时延神经网络模型组成；LSTM神经网络模型包括LSTM神经网络模型1和LSTM神经网络模型2，T-S模糊神经网络制器输出的CO2浓度控制值和空气浓度控制值分别与NARX神经网络控制器输出的对应CO2浓度扰动控制值和空气浓度扰动控制值两两相加分别得到CO2浓度控制实际值和空气浓度扰动控制实际值，CO2浓度控制实际值和空气浓度扰动控制实际值分别作为LSTM神经网络模型的输入，LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入，多个CO2浓度传感器的输出作为参数扰动控制模块的时延神经网络模型的输入，参数扰动控制模块的时延神经网络模型的输出作为NARX神经网络控制器的1个对应输入。
2.根据权利要求1所述的一种物质混合智能系统，其特征在于：所述CNN卷积神经网络模型包括CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3。
3.根据权利要求1所述的一种物质混合智能系统，其特征在于：所述积分回路由2个积分算子S相串联构成，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T-S模糊神经网络制器的2个对应输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287863.1A CN113126488B (zh) | 2021-03-17 | 2021-03-17 | 一种物质混合智能系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287863.1A CN113126488B (zh) | 2021-03-17 | 2021-03-17 | 一种物质混合智能系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113126488A CN113126488A (zh) | 2021-07-16 |
| CN113126488B true CN113126488B (zh) | 2022-10-28 |
Family
ID=76773369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287863.1A Active CN113126488B (zh) | 2021-03-17 | 2021-03-17 | 一种物质混合智能系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113126488B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114397809B (zh) * | 2021-12-20 | 2023-03-24 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
| CN114355848B (zh) * | 2021-12-20 | 2023-02-07 | 淮阴工学院 | 张力检测与智能控制系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101374592A (zh) * | 2006-01-30 | 2009-02-25 | 苏舍泵有限公司 | 用于控制混合效率的方法和装置 |
| CN105786055A (zh) * | 2016-03-07 | 2016-07-20 | 重庆大学 | 硝酸生产氧化炉中氨空比自动设定值控制系统及控制方法 |
| CN108430559A (zh) * | 2015-11-10 | 2018-08-21 | 塔斯马尼亚大学 | 用于自动控制吸入氧输送的方法、设备和系统 |
| CN109603617A (zh) * | 2018-12-17 | 2019-04-12 | 浙江天能能源科技股份有限公司 | 一种混合匀浆系统及其应用 |
| CN111126575A (zh) * | 2020-01-09 | 2020-05-08 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
-
2021
- 2021-03-17 CN CN202110287863.1A patent/CN113126488B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101374592A (zh) * | 2006-01-30 | 2009-02-25 | 苏舍泵有限公司 | 用于控制混合效率的方法和装置 |
| CN108430559A (zh) * | 2015-11-10 | 2018-08-21 | 塔斯马尼亚大学 | 用于自动控制吸入氧输送的方法、设备和系统 |
| CN105786055A (zh) * | 2016-03-07 | 2016-07-20 | 重庆大学 | 硝酸生产氧化炉中氨空比自动设定值控制系统及控制方法 |
| CN109603617A (zh) * | 2018-12-17 | 2019-04-12 | 浙江天能能源科技股份有限公司 | 一种混合匀浆系统及其应用 |
| CN111126575A (zh) * | 2020-01-09 | 2020-05-08 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113126488A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jung et al. | Time-serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse | |
| CN113126488B (zh) | 一种物质混合智能系统 | |
| CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
| CN108621159A (zh) | 一种基于深度学习的机器人动力学建模方法 | |
| Zhou et al. | Adaptive NN control for nonlinear systems with uncertainty based on dynamic surface control | |
| JPH04127205A (ja) | プロセス制御装置 | |
| Liu et al. | A novel efficient learning algorithm for self-generating fuzzy neural network with applications | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
| Liu et al. | Cooperative formation control for multiple surface vessels based on barrier Lyapunov function and self-structuring neural networks | |
| Jassar et al. | Adaptive neuro-fuzzy based inferential sensor model for estimating the average air temperature in space heating systems | |
| CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
| CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
| Sachio et al. | Integrating process design and control using reinforcement learning | |
| Eerikäinen et al. | Neural networks in extrusion process identification and control | |
| Petsagkourakis et al. | Constrained reinforcement learning for dynamic optimization under uncertainty | |
| CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
| Boillereaux et al. | A new approach for designing model-based indirect sensors | |
| Taieb et al. | Adaptive TS fuzzy MPC based on particle swarm optimization-cuckoo search algorithm | |
| Yang et al. | Application of fuzzy neural network PID algorithm in oil pump control | |
| Srinivasan et al. | Level control of three-tank system using intelligent techniques | |
| CN114397809A (zh) | 物料称重大数据检测与包装智能控制系统 | |
| CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
| Cui et al. | Study on decoupling control system of temperature and humidity in intelligent plant factory | |
| Gong et al. | Research of oil pump control based on fuzzy neural network PID algorithm | |
| Galvanauskas et al. | Hybrid modeling of biochemical processes |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Hengrui Inventor after: Ding Xiaohong Inventor after: Wang Suqi Inventor after: Liu Wei Inventor after: Zhang Libing Inventor after: Ye Wenqian Inventor after: Yan Ping Inventor after: Lu Zhongyang Inventor after: Cui Xianlu Inventor after: Ma Congguo Inventor after: Wang Jianguo Inventor after: Chen Yajuan Inventor after: Bai Xiaoying Inventor after: Qiu Jubing Inventor before: Qiu Jubing Inventor before: Ding Xiaohong Inventor before: Wang Suqi Inventor before: Liu Wei Inventor before: Zhang Libing Inventor before: Ye Wenqian Inventor before: Yan Ping Inventor before: Lu Zhongyang Inventor before: Cui Xianlu Inventor before: Ma Congguo Inventor before: Wang Jianguo Inventor before: Chen Yajuan Inventor before: Bai Xiaoying Inventor before: Zhou Hengrui |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240328 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. Country or region after: China Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |