CN114489182A - 一种具有双温度检测功能的pid温度控制方法 - Google Patents
一种具有双温度检测功能的pid温度控制方法 Download PDFInfo
- Publication number
- CN114489182A CN114489182A CN202210129102.8A CN202210129102A CN114489182A CN 114489182 A CN114489182 A CN 114489182A CN 202210129102 A CN202210129102 A CN 202210129102A CN 114489182 A CN114489182 A CN 114489182A
- Authority
- CN
- China
- Prior art keywords
- network
- temperature
- stage
- rfb
- pid
- 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
- 230000006870 function Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 11
- 238000011478 gradient descent method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000009977 dual effect Effects 0.000 claims description 11
- 239000004065 semiconductor Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims 3
- 238000005070 sampling Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Temperature (AREA)
Abstract
本发明提供了一种双温度检测功能的PID温度控制方法，通过双探头的第一、第二温度传感器实时测温，建立两级RFB网络模型实现PID控制参数的自整定，考虑设备本身的扰动性，增加第二级RFB网络对被控对象进行辨识，补偿被控设备自身扰动，第二级RFB网络的输出的被控对象的等效增益作为第一级RFB网络一个输入，计算被控对象的等效增益，提高了网络模型的预测精度，采用梯度下降法算法，实现网络模型参数实时预测；此外，通过两个探头检测温度，工人可以第一时间解决现场问题，大大降低了现场的安全隐患，提高工厂效率。
Description
技术领域
本发明属于工业控制领域，具体涉及一种具有双温度检测功能的PID温度控制方法。
背景技术
对于工业现场，温度是非常重要的物理参数，温度控制效果的，温度的好坏直接影响产品质量、设备寿命、安全性和功耗等诸多方面。在对体积较小的半导体芯片进行控温过程中发现，开关控制的波动范围可超过±1℃，震荡非常严重，无法满足温度精确度要求较高的受控对象。而基于PID(Proportion Integral Differential)的控制算法在半导体高精度温度控制中得到广泛重视，经典PID控制以其原理简单、鲁棒性好、可靠性高等优点，广泛应用于温度控制系统设计中，PID调节实际上是由积分、比例、微分三种调节方式组成的，可提供提前控制，消除大惯量和滞后的影响，普通PID算法对输入信号的噪声很敏感，很容易受到干扰产生动荡，这种情况下需要对参数进行调整。
此外，对于工业现场，当设备出现故障时带来的损失是不可估量的，当用于温度检测的探头由于故障原因损坏时，无法及时检测检测设备的异常温度，工人没有办法第一时间解决现场问题，大大增加了现场的安全隐患。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种具有双温度检测功能的PID温度控制方法。
本发明是通过以下技术方案实现的：建立两级RFB网络模型实现PID控制参数的自整定，建立两级RFB结构，第二级RFB网络的输出之一作为第一级RFB网络一个输入，使用RFB适应控制器增益并学习模型，分别预测PID控制器比例、积分和微分增益KP,KI,和KD，使用随机梯度下降(SGD)算法修改神经网络参数，最小化对象输出中的误差。采用双探头进行备份双检测当现场某一探头出现故障时可以利用第二个探头继续工作，监控设备的温度状态，当设备出现温度异常时，仪表发出报警信息，降低现场风险；
进一步地，步骤1、采用双探头第一、第二测温传感器对半导体CVD设备的温度进行测量，以得到温度值，根据温度值与阈值进行差值计算，得到PID控制器的控制误差；
步骤2、设定RBF神经网络结构，初始化所述初始模型中的各参数；建立两级RFB结构，第二级RFB网络的输出的被控对象的等效增益作为第一级RFB网络一个输入，对两级RBF网络进行学习训练，采用梯度下降法，调整网络模型自身的权重系数。
RBF神经网络是一种含输入层、单隐含层和输出层的H层前向网络，在RBF网络结构中，神经网络的输入量为X＝[x1，x2，…，xn]T，权值向量为W＝[w1，w2，…，wj，…，wm]T，hj为径向基函数，
bj为网络隐层第j个节点的基宽度，Cj为径向基函数的中心；
进一步地，2.1建立两级RFB网络结构，如图1所示，第一级RFB网络预测PID参数，第二级RBF网络对被控设备辨识，预测被控对象的等效增益，两级RBF网络串联实现网络补偿；
进一步地，2.2设置第一级RFB网络结构的初始参数，第一级RFB网络的输入除了PID控制器的三个输入分量x(1)、x(2)、x(3)之外，增加了被控对象的等效增益G，第一级RFB网络输出为PID的控制参数kp、ki、kd，通过梯度下降法基于损失函数最小对网络学习，实现参数的最优化调整；如图1所示，第一级RFB网络的4个输入为：
x(1)＝e(t)-e(t-1)
x(2)＝e(t)
x(3)＝e(t)-2e(t-1)+e(t-1)
其中e(t)为表示参考输入与实际输出的偏差值，U(t)为PID控制器的输出，Y(t)为RBF神经网络整定后PID控制器实际输出；
进一步地，2.3设置第二级RFB网络结果的初始参数，第一级RFB网络的输出经过计算后作为第二级RFB网络输入之一，被控对象的输出经过微分处理后作为第二级RFB网络输入之一；第二级RFB网络的输出之一设备被控对象的等效增益G作为第一级RFB网络一个输入；
第一级RFB网络的输出经过计算后U(t)作为第二级RFB网络输入之一,具体为：
被控对象的等效增益G是通过二级RFB神经网络的辨识得到的对象输出对输入的敏感度信等效增益计算方式如下：
通过梯度下降法基于损失函数最小对网络学习，实现参数的最优化调整。
进一步地，步骤3、通过第一温度传感器和第二温度传感器实时获取测温数据，输入训练学习后的两级RBF网络模型，利用两级RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定，基于调整后PID控制器参数的进行温度控制。
除此之外，本申请还提供了双温度检测功能的PID温度控制方法的计算设备以及计算机可读存储介质，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行以实现上述双温度检测功能的PID温度控制方法。所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述双温度检测功能的PID温度控制方法。
与现有技术相比，本发明的有益效果是：通过双探头的第一、第二温度传感器实时测温，建立两级RFB网络模型实现PID控制参数的自整定，考虑设备本身的扰动性，增加第二级RFB网络对被控对象进行辨识，补偿被控设备自身扰动，第二级RFB网络的输出的被控对象的等效增益作为第一级RFB网络一个输入，计算被控对象的等效增益，提高了网络模型的预测精度，采用梯度下降法算法，实现网络模型参数实时预测，从而对PID系统进行参数调整，使控制达到最优，提高了控制性能；此外，通过两个探头检测温度，工人可以第一时间解决现场问题，大大降低了现场的安全隐患，提高工厂效率。其检测精度的提高能更准确的监控设备的电流状态，当设备异常时，仪表能更准确的发出报警信息，减小误报警率。
附图说明
图1为RBF神经网络的PID控制系统结构；
图2为RBF神经网络具体结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
首先，步骤1、采用双探头第一、第二测温传感器对半导体CVD设备的温度进行测量，以得到温度值，根据温度值与阈值进行差值计算，得到PID控制器的控制误差；
常规的PID控制器是通过调节比例积分kp、积分时间Ti以及微分时间Td对系统进行控制，将温度传感器输出y(t)驱动到参考信号r(t)，即参考温度设定值，由闭环计算PID控制器，它使用输出中的误差，即e(t)＝r(t)-y(t)；
但当控制对象具有随机性时，传统的PID控制方法不能达到很好的控制效果，而RBF神经网络有极强的自学习、自适应能力，能收敛到全局最优解，故可用于在线调整PID控制器的参数，从而弥补PID控制器参数未能随外界参数变化而变化的不足，构成一个具有自适应、自调节能力的控制器。
步骤2、设定RBF神经网络结构，初始化所述初始模型中的各参数；建立两级RFB结构，第二级RFB网络的输出的被控对象的等效增益作为第一级RFB网络一个输入，对两级RBF网络进行学习训练，采用梯度下降法，调整网络模型自身的权重系数。
RBF神经网络是一种含输入层、单隐含层和输出层的H层前向网络，在RBF网络结构中，神经网络的输入量为X＝[x1，x2，…，xn]T，权值向量为W＝[w1，w2，…，wj，…，wm]T，hj为径向基函数，
bj为网络隐层第j个节点的基宽度，Cj为径向基函数的中心；
2.1建立两级RFB网络结构，如图1所示，第一级RFB网络预测PID参数，第二级RBF网络对被控设备辨识，预测被控对象的等效增益，两级RBF网络串联实现网络补偿；
2.2设置第一级RFB网络结构的初始参数，第一级RFB网络除了PID控制器的三个输入分量x(1)、x(2)、x(3)，增加了被控对象的等效增益G，输出为PID的控制参数kp、ki、kd，通过梯度下降法基于损失函数最小对网络学习，实现参数的最优化调整；如图1所示，第一级RFB网络的4个输入为：
x(1)＝e(t)-e(t-1)
x(2)＝e(t)
x(3)＝e(t)-2e(t-1)+e(t-1)
其中e(t)为表示参考输入与实际输出的偏差值，U(t)为PID控制器的输出，Y(t)为RBF神经网络整定后PID控制器实际输出；
2.3设置第二级RFB网络结果的初始参数，第一级RFB网络的输出经过计算后作为第二级RFB网络输入之一，被控对象的输出经过微分处理后作为第二级RFB网络输入之一；第二级RFB网络的输出之一设备被控对象的等效增益G作为第一级RFB网络一个输入；
第一级RFB网络的输出经过计算后U(t)作为第二级RFB网络输入之一,具体为：
被控对象的等效增益G是通过二级RFB神经网络的辨识得到的对象输出对输入的敏感度信等效增益计算方式如下：
通过梯度下降法基于损失函数最小对网络学习，实现参数的最优化调整。
步骤3、通过第一温度传感器和第二温度传感器实时获取测温数据，输入训练学习后的两级RBF网络模型，利用两级RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定，基于调整后PID控制器参数的进行温度控制。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
Claims (10)
1.一种具有双温度检测功能的PID温度控制方法，应用于PID控制器对半导体CVD设备进行温度调节控制的系统中，其特征在于，该方法包括：
步骤1、采用双探头第一、第二测温传感器对半导体CVD设备的温度进行测量，以得到温度值，根据温度值与阈值进行差值计算，得到PID控制器的控制误差；
步骤2、设定RBF神经网络结构，初始化所述初始模型中的各参数；建立两级RFB结构，第二级RFB网络的输出的被控对象的等效增益作为第一级RFB网络一个输入，对两级RBF网络进行学习训练，采用梯度下降法，调整网络模型自身的权重系数，
步骤3、通过第一温度传感器和第二温度传感器实时获取测温数据，输入训练学习后的两级RBF网络模型，利用两级RBF神经网络自适应调整PID控制器参数kp、ki、kd，实现对PID控制器调节参数的自适应整定，基于调整后PID控制器参数的进行温度控制。
2.如权利要求1所述的具有双温度检测功能的PID温度控制方法，其特征在于：第一级RFB网络的输出经过计算后作为第二级RFB网络输入之一，被控对象的输出经过微分处理后作为第二级RFB网络输入之一。
3.如权利要求2所述的具有双温度检测功能的PID温度控制方法，其特征在于：第二级RFB网络的输出之一作为第一级RFB网络一个输入具体为：第二级RFB网络输出了包括被控对象的等效增益G，PID控制器的三个输入分量x(1)、x(2)、x(3)和第二级RFB网络输出的被控对象的等效增益G组成了第一级RFB网络的输入由。
4.如权利要求3所述的具有双温度检测功能的PID温度控制方法，其特征在于：第一级RFB网络的输入为x(1)、x(2)、x(3)和被控对象的等效增益G分别为：x(1)＝e(t)-e(t-1)
x(2)＝e(t)
x(3)＝e(t)-2e(t-1)+e(t-1)
5.如权利要求4所述的具有双温度检测功能的PID温度控制方法，其特征在于：被控对象的等效增益为
其中wi+1为第i个神经元的权值向量，hj为径向基函数，bj为网络隐层第j个节点的基宽度，Cj为径向基函数的中心。
6.如权利要求2所述的具有双温度检测功能的PID温度控制方法，其特征在于：第一级RFB网络的输出经过计算后作为第二级RFB网络输入之一，具体计算方式为：
其中hi为径向基函数，w2,w3,w4是神经元权值向量，wi+1为第i个神经元的权值向量：x(1)、x(2)、x(3)是PID控制器的三个输入分量。
7.如权利要求5所述的具有双温度检测功能的PID温度控制方法，其特征在于：所述，第一、第二测温传感器对实时监测温度设备，并且在第一或第二测温传感器其中一个发生故障后另一个继续工作，并反馈中央系统故障信息。
8.如权利要求6所述的具有双温度检测功能的PID温度控制方法，其特征在于为第一、第二温度传感器的电路有一个运算放大芯片以及热敏电阻组成，通过热敏电阻将温度转换成电压信号后，经由放大电路将电压信号放大后，传入系统完成温度采集。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210129102.8A CN114489182B (zh) | 2022-02-11 | 2022-02-11 | 一种具有双温度检测功能的pid温度控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210129102.8A CN114489182B (zh) | 2022-02-11 | 2022-02-11 | 一种具有双温度检测功能的pid温度控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114489182A true CN114489182A (zh) | 2022-05-13 |
| CN114489182B CN114489182B (zh) | 2023-05-23 |
Family
ID=81480818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210129102.8A Active CN114489182B (zh) | 2022-02-11 | 2022-02-11 | 一种具有双温度检测功能的pid温度控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114489182B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203342A (zh) * | 2023-04-27 | 2023-06-02 | 成都中航华测科技有限公司 | 一种基于高低温实验箱的器件测试过程的温度控制方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5761626A (en) * | 1995-12-26 | 1998-06-02 | Ford Global Technologies, Inc. | System and method for distinguishing and characterizing motor vehicles for control of automatic drivers |
| CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
| CN105274574A (zh) * | 2015-10-30 | 2016-01-27 | 四川华索自动化信息工程有限公司 | 基于两级对称滤波电路的铝电解用氧化铝自动加料系统 |
| CN106911252A (zh) * | 2015-12-21 | 2017-06-30 | 意法半导体股份有限公司 | 用于电子变换器的功率控制模块、相关集成电路、电子变换器和方法 |
| CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
| CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
| CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
| CN111520878A (zh) * | 2020-05-02 | 2020-08-11 | 苏州科技大学 | 一种基于rbf神经网络的空调温控系统及其控制方法 |
| CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
| US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
-
2022
- 2022-02-11 CN CN202210129102.8A patent/CN114489182B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5761626A (en) * | 1995-12-26 | 1998-06-02 | Ford Global Technologies, Inc. | System and method for distinguishing and characterizing motor vehicles for control of automatic drivers |
| CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
| CN105274574A (zh) * | 2015-10-30 | 2016-01-27 | 四川华索自动化信息工程有限公司 | 基于两级对称滤波电路的铝电解用氧化铝自动加料系统 |
| CN106911252A (zh) * | 2015-12-21 | 2017-06-30 | 意法半导体股份有限公司 | 用于电子变换器的功率控制模块、相关集成电路、电子变换器和方法 |
| CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
| CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
| CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
| CN111520878A (zh) * | 2020-05-02 | 2020-08-11 | 苏州科技大学 | 一种基于rbf神经网络的空调温控系统及其控制方法 |
| CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
| US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203342A (zh) * | 2023-04-27 | 2023-06-02 | 成都中航华测科技有限公司 | 一种基于高低温实验箱的器件测试过程的温度控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114489182B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170185056A1 (en) | Controller having learning function for detecting cause of noise | |
| CA2315637C (en) | Method of predicting overshoot in a control system response | |
| US7107176B2 (en) | Sensor fusion using self evaluating process sensors | |
| US20170300041A1 (en) | Production system for executing production plan | |
| Thirumarimurugan et al. | Comparison of fault detection and isolation methods: A review | |
| CN101995822A (zh) | 一种大时滞系统的灰色自抗扰控制方法 | |
| JP2013539886A (ja) | センサ信号インパルス障害を検出及び除去するためのシステム、方法、及び装置 | |
| CN110109441B (zh) | 一种激光惯组故障预测方法和系统 | |
| CN112099351B (zh) | 一种基于中心对称多面体的分布式故障诊断方法 | |
| CN114489182B (zh) | 一种具有双温度检测功能的pid温度控制方法 | |
| CN111823273B (zh) | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| Vafamand et al. | Fusing unscented Kalman filter to detect and isolate sensor faults in DC microgrids with CPLs | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| CN115700355A (zh) | 励磁系统的超温预警方法及其装置 | |
| CN114415503A (zh) | 温度大数据物联网检测与智能控制系统 | |
| Ziane et al. | A new method for fault detection in a free model context | |
| Postolache et al. | An ANN fault detection procedure applied in virtual measurement systems case | |
| Garimella et al. | Robust model-based fault detection using adaptive robust observers | |
| Patan et al. | Robustness of neural-network-based nonlinear iterative learning control | |
| JPH07204718A (ja) | 圧延装置 | |
| Wang et al. | Fault diagnosis for unknown non-linear systems via neural networks and its comparisons and combinations with recursive least-squares based techniques | |
| Jiang et al. | A robust fault diagnosis scheme based on signal modal estimation | |
| Yang et al. | Parameter Identification and Control Scheme for Monitoring Automatic Thickness Control System with Measurement Delay | |
| Zhu et al. | Self-adjusting Desensitized EKF-SLAM System for Autonomous Mobile Robot |
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 |