CN115366281A - 基于机器学习的模温机温度控制方法、装置及可存储介质 - Google Patents
基于机器学习的模温机温度控制方法、装置及可存储介质 Download PDFInfo
- Publication number
- CN115366281A CN115366281A CN202211006750.0A CN202211006750A CN115366281A CN 115366281 A CN115366281 A CN 115366281A CN 202211006750 A CN202211006750 A CN 202211006750A CN 115366281 A CN115366281 A CN 115366281A
- Authority
- CN
- China
- Prior art keywords
- mold temperature
- temperature
- prediction model
- model
- temperature control
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 229920001971 elastomer Polymers 0.000 claims description 17
- 239000005060 rubber Substances 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
- B29B7/22—Component parts, details or accessories; Auxiliary operations
- B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
- B29B7/22—Component parts, details or accessories; Auxiliary operations
- B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
- B29B7/286—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control measuring properties of the mixture, e.g. temperature, density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
- B29B7/58—Component parts, details or accessories; Auxiliary operations
- B29B7/72—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
- B29B7/58—Component parts, details or accessories; Auxiliary operations
- B29B7/72—Measuring, controlling or regulating
- B29B7/726—Measuring properties of mixture, e.g. temperature or density
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于机器学习的模温机温度控制方法、装置及可存储介质，涉及模温机技术领域，其中方法包括以下步骤：获取待测模温机的工作参数，并形成对应的数据集；将所述数据集进行预处理；构建预测模型，并利用经过预处理的所述数据集对所述预测模型进行训练及超参数调优，得到训练好的预测模型；利用训练好的预测模型对模温机温控介质温度进行预测；本发明能够实现智能控制设定温度的设置，满足不同工况和不同用户的实际需求。
Description
技术领域
本发明涉及模温机技术领域，更具体的说是涉及一种基于机器学习的模温机温度控制方法、装置及可存储介质。
背景技术
橡胶具有高弹性、高电气绝缘性、低导热性、优良气密性等特征。生胶的塑炼加工和胶料的混炼加工是在橡胶机械机中进行的。近年来，橡胶机械所取得的稳步发展都是在于提高各种橡胶生产品质方面。在橡胶机械设计上所做的改进以及对模温机技术的更多了解，使人们对模温机提出了更高的要求。随着产量的加大，模温机的温控能力应当与其它的发展同步前进。模温机温控的工作原理是以油或水为介质，使其流经模温机时控制温度，达到混炼的最佳效果。模温机温控采用回油经冷却器间接冷却的方式，再由泵浦加压经过加热器加热后送到模温机，来达到加热与恒温的要求。
但是，传统的模温机温度控制方法不能满足用户对于模温机温度控制的个性化需求。不同用户对温度的需求不同，设定温度也就不同。同一个用户在不同的外界环境下，设定温度的偏好也会有所不同。目前，大多数模温机温控产品在全国各地都是同样的配置，即密闭式恒温控制系统，将模温机温控的温度设置为固定值，该控制系统是大时滞控制系统，存在超调大、调节时间较长等控制品质差的问题，特别是在模温机温度控制系统模型失配以及干扰情况下的控制效果较差。导致模温机温控产品不能够很好地满足不同用户的使用需求，不能满足各种工矿的需求，这就需要用户每次都要对设定温度进行更改操作。
因此，如何提供一种能够解决上述问题的模温机温度控制方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于机器学习的模温机温度控制方法、装置及可存储介质，能够实现智能控制设定温度的设置，满足不同工况和不同用户的实际需求。
为了实现上述目的，本发明采用如下技术方案：
一种基于机器学习的模温机温度控制方法，包括以下步骤：
获取待测模温机的工作参数，并形成对应的数据集；
将所述数据集进行预处理；
构建预测模型，并利用经过预处理的所述数据集对所述预测模型进行训练及超参数调优，得到训练好的预测模型；
利用训练好的预测模型对模温机温控介质温度进行预测。
优选的，所述训练好的预测模型为使用梯度提升树的集成模型，通过训练多个决策树模型并累加实现。
优选的，在所述训练好的预测模型中，每个所述决策树模型的训练都基于上一个所述决策树模型的残差。
优选的，利用经过预处理的所述数据集对所述预测模型进行超参数调优的具体过程包括：
使用贝叶斯优化对梯度提升树的超参数空间进行全局搜索，找到损失函数最小值所对应的超参数组合，即使用代理模型模拟不同超参数组合所对应的损失的函数，其中代理模型为高斯过程模型。
优选的，所述工作参数包括：模温机设定温度、模温机温控介质温度、橡胶机械加工物料温度、橡胶机械的温度、模温机供应介质压力、模温机温控介质流量、模温机温控介质压力、物料门尼粘度、物料的种类、橡胶机械结构类型及模温机循环介质泵转速。
进一步，本发明还提供一种利用上述任一项所述的一种基于机器学习的模温机温度控制方法的控制装置，包括：
获取模块，用于获取待测模温机的工作参数，并形成对应的数据集；
处理模块，用于将所述数据集进行预处理；
构建模块，用于构建预测模型，并利用经过预处理的所述数据集对所述预测模型进行训练及超参数调优，得到训练好的预测模型；
预测模块，用于利用训练好的预测模型对模温机温控介质温度进行预测。
进一步，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的温度预测方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于机器学习的模温机温度控制方法、装置及可存储介质，模温机温控控制既具有快速性又有迟滞控制的稳定性和抗干扰能力，满足不同工况和不同用户的实际需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于机器学习的模温机温度控制方法的整体流程图；
图2为本发明实施例提供的模型的结构示意图；
图3为本发明提供的一种基于机器学习的模温机温度控制装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1所示，本发明实施例公开了一种基于机器学习的模温机温度控制方法，包括以下步骤：
获取待测模温机的工作参数，并形成对应的数据集；
将数据集进行预处理，其中预处理的过程可以包括统计分析即特征提取，具体还可以为异常值剔除及标准化处理；
构建预测模型，并利用经过预处理的数据集对预测模型进行训练及超参数调优，得到训练好的预测模型；
利用训练好的预测模型对模温机温控介质温度进行预测。
参见附图2所示，在一个具体的实施例中，训练好的预测模型为使用梯度提升树的集成模型，通过训练多个决策树模型并累加实现，具体表达式为：
式中，N是决策树的个数，α是学习率，h(x)是单个决策树模型，M为数据个数，n为某个决策树，x为自变量，i为最小数。
在一个具体的实施例中，在训练好的预测模型中，每个决策树模型的训练都基于上一个决策树模型的残差，具体表达式为：
式中，θ是决策树的参数，yi为实际值；f(xi)为预测值。
在一个具体的实施例中，利用经过预处理的数据集对预测模型进行超参数调优的具体过程包括：
使用贝叶斯优化对梯度提升树的超参数空间进行全局搜索，来找到损失函数最小值所对应的超参数组合，即使用代理模型模拟不同超参数组合所对应的损失的函数，重复采样来用代理模型不断逼近目标函数，其中代理模型为高斯过程模型，通过上述设置可以快速收敛且精准地找到目标函数的全局最小值。
在一个具体的实施例中，工作参数包括：模温机设定温度T、模温机温控介质温度T1、橡胶机械加工物料温度T2、橡胶机械的温度T3、模温机供应介质压力P、模温机温控介质流量Q、模温机温控介质压力P1、物料门尼粘度L、物料的种类K、橡胶机械结构类型S及模温机循环介质泵转速n1。
参见附图所示，本发明实施例还提供一种利用上述实施例任一项的一种基于机器学习的模温机温度控制方法的控制装置，包括：
获取模块，用于获取待测模温机的工作参数，并形成对应的数据集；
处理模块，用于将数据集进行预处理；
构建模块，用于构建预测模型，并利用经过预处理的数据集对预测模型进行训练及超参数调优，得到训练好的预测模型；
预测模块，用于利用训练好的预测模型对模温机温控介质温度进行预测。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上述实施例中任一项的温度预测方法。
具体验证上述方法的过程如下：
在型号为XJD-65橡胶挤出机上进行了测试，在冷却模式开机时上传的温度数据为[30，50；34，55]。经过模型进行回归计算后，得到的自动模式下设定温度值为23℃。然后查询统计数据表中当字段oldSet为23时的newSet的值，此时的温度偏差量为零，则直接将温度设定为23℃。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于机器学习的模温机温度控制方法，其特征在于，包括以下步骤：
获取待测模温机的工作参数，并形成对应的数据集；
将所述数据集进行预处理；
构建预测模型，并利用经过预处理的所述数据集对所述预测模型进行训练及超参数调优，得到训练好的预测模型；
利用训练好的预测模型对模温机温控介质温度进行预测。
2.根据权利要求1所述的一种基于机器学习的模温机温度控制方法，其特征在于，所述训练好的预测模型为使用梯度提升树的集成模型，通过训练多个决策树模型并累加实现。
3.根据权利要求2所述的一种基于机器学习的模温机温度控制方法，其特征在于，在所述训练好的预测模型中，每个所述决策树模型的训练都基于上一个所述决策树模型的残差。
4.根据权利要求1所述的一种基于机器学习的模温机温度控制方法，其特征在于，利用经过预处理的所述数据集对所述预测模型进行超参数调优的具体过程包括：
使用贝叶斯优化对梯度提升树的超参数空间进行全局搜索，找到损失函数最小值所对应的超参数组合，即使用代理模型模拟不同所述超参数组合所对应的损失的函数，其中所述代理模型为高斯过程模型。
5.根据权利要求4所述的一种基于机器学习的模温机温度控制方法，其特征在于，所述工作参数包括：模温机设定温度、模温机温控介质温度、橡胶机械加工物料温度、橡胶机械的温度、模温机供应介质压力、模温机温控介质流量、模温机温控介质压力、物料门尼粘度、物料的种类、橡胶机械结构类型及模温机循环介质泵转速。
6.一种利用权利要求1-5任一项所述的一种基于机器学习的模温机温度控制方法的控制装置，其特征在于，包括：
获取模块，用于获取待测模温机的工作参数，并形成对应的数据集；
处理模块，用于将所述数据集进行预处理；
构建模块，用于构建预测模型，并利用经过预处理的所述数据集对所述预测模型进行训练及超参数调优，得到训练好的预测模型；
预测模块，用于利用所述训练好的预测模型对模温机温控介质温度进行预测。
7.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的温度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211006750.0A CN115366281A (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的模温机温度控制方法、装置及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211006750.0A CN115366281A (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的模温机温度控制方法、装置及可存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115366281A true CN115366281A (zh) | 2022-11-22 |
Family
ID=84068278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211006750.0A Pending CN115366281A (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的模温机温度控制方法、装置及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115366281A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116749487A (zh) * | 2023-07-17 | 2023-09-15 | 宇盛电气有限公司 | 一种多层共挤机头加温控制管路、系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104260218A (zh) * | 2014-09-05 | 2015-01-07 | 青岛科技大学 | 一种橡胶开炼机混炼胶门尼粘度在线预测方法 |
| CN106600001A (zh) * | 2016-12-05 | 2017-04-26 | 清华大学 | 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法 |
| CN111144581A (zh) * | 2019-12-31 | 2020-05-12 | 杭州雅拓信息技术有限公司 | 一种机器学习超参数调节方法及系统 |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| CN112906155A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市浦联智能科技有限公司 | 一种用于注塑品信息的虚拟量测方法 |
| CN112966447A (zh) * | 2021-03-25 | 2021-06-15 | 北京化工大学 | 一种基于自动机器学习的化学材料吸附性能预测方法及装置 |
| CN113096388A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种基于梯度提升决策树的短时交通流量预测方法 |
| CN114290554A (zh) * | 2021-12-21 | 2022-04-08 | 大连橡胶塑料机械有限公司 | 一种密炼机智能炼胶控制系统 |
| KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
-
2022
- 2022-08-22 CN CN202211006750.0A patent/CN115366281A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104260218A (zh) * | 2014-09-05 | 2015-01-07 | 青岛科技大学 | 一种橡胶开炼机混炼胶门尼粘度在线预测方法 |
| CN106600001A (zh) * | 2016-12-05 | 2017-04-26 | 清华大学 | 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法 |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| CN111144581A (zh) * | 2019-12-31 | 2020-05-12 | 杭州雅拓信息技术有限公司 | 一种机器学习超参数调节方法及系统 |
| KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
| CN112906155A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市浦联智能科技有限公司 | 一种用于注塑品信息的虚拟量测方法 |
| CN113096388A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种基于梯度提升决策树的短时交通流量预测方法 |
| CN112966447A (zh) * | 2021-03-25 | 2021-06-15 | 北京化工大学 | 一种基于自动机器学习的化学材料吸附性能预测方法及装置 |
| CN114290554A (zh) * | 2021-12-21 | 2022-04-08 | 大连橡胶塑料机械有限公司 | 一种密炼机智能炼胶控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 须山敦志著；王卫兵，杨秋香等译: "《数据挖掘原理与应用》", 机械工业出版社, pages: 25 - 27 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116749487A (zh) * | 2023-07-17 | 2023-09-15 | 宇盛电气有限公司 | 一种多层共挤机头加温控制管路、系统及方法 |
| CN116749487B (zh) * | 2023-07-17 | 2024-01-19 | 宇盛电气有限公司 | 一种多层共挤机头加温控制管路、系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115366281A (zh) | 基于机器学习的模温机温度控制方法、装置及可存储介质 | |
| WO2021243779A1 (zh) | 一种基于熔体粘度波动的注射成型自适应补偿法 | |
| CN109460890A (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
| CN105242709A (zh) | 一种模具温度自适应控制方法 | |
| CN107544255B (zh) | 一种批次注塑过程的状态补偿模型控制方法 | |
| CN105807632A (zh) | 一种基于改进大林算法的加热炉温度控制器设计方法 | |
| CN107403196A (zh) | 基于谱聚类分析的即时学习建模方法 | |
| CN102902287A (zh) | 一种电主轴主动热平衡温控装置及温控方法 | |
| CN107168066B (zh) | 一种温室环境自适应控制方法 | |
| CN108459579B (zh) | 基于时间序列模型系数的半导体批次过程故障诊断方法 | |
| CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
| CN110094838A (zh) | 一种基于空调系统的可变参数无模型自适应控制方法 | |
| CN103412486A (zh) | 一种聚氯乙烯汽提过程智能控制方法 | |
| CN117162428A (zh) | 一种塑料注塑模具的冷却控制方法及系统 | |
| CN113752507B (zh) | 一种注塑机多段料筒温度控制系统及方法 | |
| RU2019103877A (ru) | Способ и система управления установкой по непрерывному производству полимера | |
| CN109212972A (zh) | 间歇过程的受限滚动时域混杂2d跟踪控制方法 | |
| Li et al. | Research on PID parameter tuning based on improved artificial bee colony algorithm | |
| 高学金 et al. | An optimal control strategy combining SVM with RGA for improving fermentation titer | |
| Lu et al. | Quality control of batch process using natural gradient based model-free optimization | |
| CN109491349B (zh) | 应用于连续搅拌反应釜中的批次运行轨迹和空间的调整方法 | |
| CN105573355B (zh) | 分数阶状态空间预测函数控制的储液罐液位控制方法 | |
| Ramana et al. | Data mining approach for quality prediction and fault diagnosis of injection molding process | |
| CN108549240A (zh) | 一种基于单纯形搜索的电机转速控制参数优化方法及系统 | |
| CN104950847A (zh) | 碱液浓缩生产工艺中强制循环蒸发控制过程的自优化被控变量的计算方法 |
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 |