CN115576206B - 一种多速率重介分选信息物理系统 - Google Patents

一种多速率重介分选信息物理系统 Download PDF

Info

Publication number
CN115576206B
CN115576206B CN202211382603.3A CN202211382603A CN115576206B CN 115576206 B CN115576206 B CN 115576206B CN 202211382603 A CN202211382603 A CN 202211382603A CN 115576206 B CN115576206 B CN 115576206B
Authority
CN
China
Prior art keywords
rate
data
density
dense medium
period
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
Application number
CN202211382603.3A
Other languages
English (en)
Other versions
CN115576206A (zh
Inventor
代伟
杨翊卓
王兰豪
张淇瑞
胡梦洁
杨春雨
董良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202211382603.3A priority Critical patent/CN115576206B/zh
Publication of CN115576206A publication Critical patent/CN115576206A/zh
Application granted granted Critical
Publication of CN115576206B publication Critical patent/CN115576206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种多速率重介分选信息物理系统，本发明采用卡尔曼滤波方法消除测量噪声与数据丢失的影响，采用提升技术重构数据，采用多速率连续在线辨识方法辨识多速率系统参数，通过设计多速率事件触发模型预测控制器进行密度调控。本发明不仅实现了重介质悬浮液密度的调控，而且显著减少了控制器的更新次数；并且方法实用性好，能有效减少实际生产过程中的测量噪声以及数据丢失的影响，提高了重介分选密度调控的自动化和智能化程度。

Description

一种多速率重介分选信息物理系统
技术领域
本发明属于重介分选智能控制领域，尤其涉及一种多速率重介分选信息物理系统。
背景技术
重介分选方法是目前最高效的煤炭洗选技术之一。重介分选的原理是通过调节合适密度的重介质悬浮液，在离心力的作用下，使原煤中不同密度的矿物分离。因此，重介质悬浮液密度的调控直接影响着重介分选过程的效率和选煤厂的经济效益。
在实际重介分选生产过程中，受硬件影响，重介质悬浮液密度的采样周期较大，而为了获得更好的性能，给水阀门开度应该以更快的速度更新。因此，通常设置给水阀门开度的周期小于密度的采样周期，即控制周期小于采样周期。这种多速率特性提高了系统的动态性能。
随着工业互联网的发展，选煤厂各个设备间的通讯量显著增加，传统的时间触发控制方法要求每一时刻都保持设备间实时的数据传输，浪费了大量的资源。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种多速率重介分选信息物理系统，所述系统包括数据采集与提升模块、多速率连续在线辨识模块和多速率智能控制模块；
所述数据采集与提升模块用于，通过选煤厂所安装的数据采集装置，分别采集重介质悬浮液密度和给水阀门开度的数据。根据系统是否成功采集到数据，判断是否发生数据丢失现象，如果系统没有成功采集到数据，则发生数据丢失现象，则根据预测模型，采用上一时刻的数据估计所丢失的数据，对丢失数据进行补偿，如果没有发生数据丢失现象，则将所采集的数据送入卡尔曼滤波器，消除噪声；采用提升技术重构数据，将数据以框架周期堆叠，形成多速率系统下的增广数据；
所述多速率连续在线辨识模块用于，根据重构后的数据，采用多速率连续在线辨识方法辨识系统参数，建立重介分选多速率系统的模型；
所述多速率智能控制模块用于，根据重介分选多速率系统的模型，设计多速率模型预测控制器；设计多速率事件触发机制，使控制器按需更新。
所述采用提升技术重构数据，将数据以框架周期堆叠，形成多速率系统下的增广数据，具体包括：给水阀门开度的控制周期为Ta＝ah，重介质悬浮液密度的采样周期为Tb＝bh，h为基周期，a代表控制周期与基周期的倍数关系，b代表采样周期与基周期的倍数关系；
定义框架周T0期为控制周期和采样周期的最小公倍数，通过提升技术分别将b个给水阀门开度的数据和a个重介质悬浮液密度的数据进行堆叠，形成以框架周期为新周期的重构数据，具体公式如下所示：
Figure BDA0003929110190000021
其中，
Figure BDA0003929110190000022
代表以框架周期为新周期的给水阀门开度重构数据，
Figure BDA0003929110190000023
代表以框架周期为新周期的悬浮液密度重构数据，m为框架周期下的步数，u(mT0+bTa)表示第m个框架周期内的第b个给水阀门开度数据，y(mT0+aTb)表示第m个框架周期内的第a个重介质悬浮液密度数据。
所述多速率连续在线辨识模块具体执行如下步骤：
重介分选多速率系统的模型如下所示：
Figure BDA0003929110190000024
其中，m为框架周期下的步数，x表示重介分选密度回路的状态，u表示给水阀门的开度，y表示重介质悬浮液的密度；
将重介分选多速率系统的模型改写为：
Z(m)＝＝θ(m)X(m)
其中，
Figure BDA0003929110190000025
为系统输出，
Figure BDA0003929110190000026
为当前时刻多速率系统参数矩阵，
Figure BDA0003929110190000027
为系统输入，A、B、C、D为重介分选多速率系统的模型的参数；
定义性能指标函数J为：
Figure BDA0003929110190000031
其中θ(m-1)为上一步的多速率系统参数矩阵，该项的引入使得在估计新参数时，能够极大程度的将历史辨识过程中所学习到的知识应用在当前的辨识过程中，使得多速率系统在辨识的过程中连续不断的学习；α为可调的权值系数，用于调节历史参数对新参数辨识的影响；||θ(m)-θ(m-1)||2能够保证多速率系统参数在辨识的过程中不会发生突变，符合重介分选参数慢时变的特性。通过对性能指标函数求导，即可求得多速率连续在线辨识计算式。令性能指标函数对θ(m)求导，得到如下多速率连续在线辨识计算式：
θ(m)＝(αθ(m-1)+Z(m)X(m)T)(X(m)X(m)T+α)-1，
其中T表示转置运算；在每一个框架周期，将重构后的数据带入多速率连续在线辨识计算式中，求得多速率连续在线辨识结果
Figure BDA0003929110190000032
重介分选多速率系统的模型的参数为A＝θ1，B＝θ2，C＝θ3，D＝θ4。
所述多速率智能控制模块具体执行如下步骤：
步骤1，设计多速率模型预测控制器：设预测时域和控制时域均为1，定义1步预测输出向量Y(m+1|m)和1步输入向量U(m)分别为：
Y(m+1|m)＝[y(m+1|m)]，
U(m)＝[u(m)]，
其中，y(m+1|m)表示在m时刻对m+1时刻的重介质悬浮液密度估计值，u(m)表示当前时刻给水阀门开度；
步骤2，预测模型为：
Y(m+1|m)＝Sxx(m)+SuU(m)，
其中Sx＝CA，Sx为预测方程中状态项的系数，Su＝CB+D，Su为预测方程中控制项的系数；x表示密度回路状态，A、B、C、D为提升后多速率系统的参数，Y(m+1|m)为在m时刻对m+1时刻的重介质悬浮液密度估计值；
步骤3，定义性能指标函数Jmpc＝||ΓY(Y(m+1|m)-W(m+1))||2+||ΓUU(m)||2，其中，W(m+1)＝[w(m+1)]，w代表重介质悬浮液密度的设定值，ΓY和ΓU为加权因子，分别设为ΓY＝diag{0.1,0.1,0.1,0.1}，diag{·}表示对角矩阵，{0.1,0.1,0.1,0.1}为对角线元素，ΓU＝diag{0.006,0.006,0.006,0.006,0.006,0.006}，{0.006,0.006,0.006,0.006,0.006,0.006}为对角线元素；
步骤4，令性能指标函数Jmpc对U(m)求导，求得多速率模型预测控制器的控制律U(m)＝K(W(m+1)-Sxx(m))，其中，K为控制器系数，
Figure BDA0003929110190000041
T表示矩阵转置；
步骤5，设计事件触发机制；
步骤6，定义事件触发误差和事件触发阈值；
步骤7，定义多速率事件触发条件组。
步骤5包括：计算误差v(m)为当前时刻重介质悬浮液密度与上一触发时刻密度设定值之差，跟踪误差d(m)为当前时刻重介质悬浮液密度与设定值之差。
步骤6包括：定义事件触发误差e(m)：
为e(m)＝v(m)-d(m)，
定义事件触发阈值eT为：
Figure BDA0003929110190000042
其中，μ是调节阈值。
步骤7包括：定义如下多速率事件触发条件组：
Figure BDA0003929110190000043
当多速率事件触发条件组中至少有一个成立时，满足事件触发机制，控制器更新，并将更新后的控制律保存在重介分选现场的零阶保持器中，使控制律维持不变；当多速率事件触发条件组均不成立时，事件触发机制不满足，控制器不更新，控制律仍为零阶保持器中所保存的控制律。
有益效果：本发明面向重介分选密度这一多速率回路，考虑了实际生产过程中存在的噪声以及数据丢失现象，引入了鲁棒机制以消除噪声的影响并补偿丢失的数据；此外，在保证重介质悬浮液能够跟踪其设定值的前提条件下，设计了多速率事件触发机制，显著减少了控制器的更新次数，节约了通信资源，提高了重介分选过程的自动化和智能化程度。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明工作流程图。
图2a为本发明方法下的重介质悬浮液密度控制曲线。
图2b为本发明方法下的给水阀门开度曲线。
图3a为本发明所提方法与传统的时间触发方法的密度控制曲线对比图。
图3b为本发明所提方法与传统的时间触发方法的控制器更新次数对比图。
具体实施方式
如图1所示，本发明提供了一种多速率重介分选信息物理系统，所述系统包括：
数据采集与提升模块：
安装重介质悬浮液密度测量装置，并将其密度采样时间Tb设为3秒、安装给水阀门开度测量装置，并将其周期Ta设为2秒。在每个框架周期，检测是否成功采集到数据，如果未成功采集数据，即发生数据丢失现象，则根据预设的补偿机制估计丢失的数据并补偿至系统，若数据成功采集，则将已采集的数据送入卡尔曼滤波器，消除噪声的影响。数据采集或补偿后，采用提升技术对数据进行重构。分别将3个给水阀门开度的数据和2个重介质悬浮液密度的数据进行堆叠，将数据提升至以框架周期6秒为新周期的重构数据。
多速率连续在线辨识模块：
考虑到重介分选密度回路多速率模型参数慢时变的特性，根据重构的数据，采用多速率连续在线辨识方法辨识系统参数，实现多速率系统的建模。
重介分选多速率系统的模型如下所示：
Figure BDA0003929110190000061
其中，m为框架周期下的步数，x表示重介分选密度回路的状态，u表示给水阀门的开度，y表示重介质悬浮液的密度。
将重介分选多速率系统的模型改写为：
Z(m)＝＝θ(m)X(m)
其中，
Figure BDA0003929110190000062
为系统输出，
Figure BDA0003929110190000063
为当前时刻多速率系统参数矩阵，
Figure BDA0003929110190000064
为系统输入。
定义性能指标函数J为
Figure BDA0003929110190000065
令性能指标函数对θ(m)求导，求得多速率连续在线辨识计算式θ(m)＝(αθ(m-1)+Z(m)X(m)T)(X(m)X(m)T+α)-1，式中T表示转置运算。在每一个框架周期，将重构后的数据带入计算式中，即可获得重介分选多速率系统的模型的参数。
多速率智能控制模块：
首先根据系统模型设计多速率模型预测控制器；其次设计多速率事件触发机制使控制器进行非周期性的更新。每个框架周期，将重构后的数据带入多速率事件触发机制，当事件触发机制满足时，控制器更新。当事件触发机制不满足时，控制律仍为上一时刻的控制律。
多速率智能控制模块设计方法需完成以下步骤：
3.1、设预测时域和控制时域均为1，定义1步预测输出向量和1步输入向量分别为：
Y(m+1|m)＝[y(m+1|m)]，U(m)＝[u(m)]。式中，y表示重介质悬浮液密度，u表示给水阀门开度；
3.2、预测模型为：Y(m+1|m)＝Sxx(m)+SuU(m)，其中Sx＝CA，Su＝CB+D。式中，x表示密度回路状态，A,B,C,D为提升后多速率系统的参数，Sx，Su分别为预测方程系数；
3.3、定义性能指标函数Jmpc＝||ΓY(Y(m+1|m)-W(m+1))||2+||ΓUU(m)||2，其中，W(m+1)＝[w(m+1)]，w代表重介质悬浮液密度的设定值，ΓY和ΓU为加权因子，分别设为ΓY＝diag{0.1,0.1,0.1,0.1}，ΓU＝diag{0.006,0.006,0.006,0.006,0.006,0.006}；
3.4、令性能指标函数Jmpc对U(m)求导，可得控制律U(m)＝K(W(m+1)-Sxx(m))，其中，K为控制器系数，
Figure BDA0003929110190000071
3.5、计算误差v(m)为当前时刻重介质悬浮液密度与上一触发时刻密度设定值之差，跟踪误差d(m)为当前时刻重介质悬浮液密度与设定值之差。
3.6、定义事件触发误差为e(m)＝v(m)-d(m)，定义事件触发阈值为
Figure BDA0003929110190000072
其中，μ＝0.55；
3.7、定义多速率事件触发条件组：
Figure BDA0003929110190000073
当多速率事件触发条件组中至少有一个成立时，满足事件触发机制，控制器更新，并将更新后的控制律保存在零阶保持器中。当多速率事件触发条件组均不成立时，事件触发机制不满足，控制器不更新。控制律仍为零阶保持器中所保存的控制律。
为了验证本发明所提控制方法的有效性，在matlab环境中采用选煤厂实际参数对本发明所提方法进行了仿真实验，并与传统的时间触发控制方法进行了对比实验，仿真时长设置为1200秒，并设置噪声均值为0，方差为0.04。图2a为本发明所提方法下的重介质悬浮液密度曲线，图2b为本发明所提方法下的给水阀门开度曲线，由图2a和图2b可以看出，本发明所提控制方法下，重介质悬浮液密度能够跟踪其设定值。图3a为本发明所提方法与传统的时间触发方法的控制曲线对比图，图3b为本发明所提方法与传统的时间触发方法的控制器更新次数对比图，由图3a和图3b可以看出，本发明所提方法能够在保证控制性能的前提下，显著减少控制器的更新次数，进而节约通讯资源。
本发明提供了一种多速率重介分选信息物理系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，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，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.一种多速率重介分选信息物理系统，其特征在于，包括数据采集与提升模块、多速率连续在线辨识模块和多速率智能控制模块；
所述数据采集与提升模块用于，通过数据采集装置采集重介质悬浮液密度和给水阀门开度的数据，并根据系统是否成功采集到数据，判断是否发生数据丢失现象，如果系统没有成功采集到数据，则发生数据丢失现象，则根据预测模型，采用上一时刻的数据估计所丢失的数据，对丢失数据进行补偿，如果没有发生数据丢失现象，则将所采集的数据送入卡尔曼滤波器，消除噪声；采用提升技术重构数据，将数据以框架周期堆叠，形成多速率系统下的增广数据；
所述多速率连续在线辨识模块用于，根据重构后的数据，采用多速率连续在线辨识方法辨识系统参数，建立重介分选多速率系统的模型；
所述多速率智能控制模块用于，根据重介分选多速率系统的模型，设计多速率模型预测控制器；设计多速率事件触发机制，使控制器按需更新。
2.根据权利要求1所述的系统，其特征在于，所述采用提升技术重构数据，将数据以框架周期堆叠，形成多速率系统下的增广数据，具体包括：给水阀门开度的控制周期为Ta＝ah，重介质悬浮液密度的采样周期为Tb＝bh，h为基周期，a代表控制周期与基周期的倍数关系，b代表采样周期与基周期的倍数关系；
定义框架周期T0为控制周期和采样周期的最小公倍数，通过提升技术分别将b个给水阀门开度的数据和a个重介质悬浮液密度的数据进行堆叠，形成以框架周期为新周期的重构数据，具体公式如下所示：
其中，代表以框架周期为新周期的给水阀门开度重构数据，代表以框架周期为新周期的悬浮液密度重构数据，m为框架周期下的步数，u(mT0+bTa)表示第m个框架周期内的第b个给水阀门开度数据，y(mT0+aTb)表示第m个框架周期内的第a个重介质悬浮液密度数据。
3.根据权利要求2所述的系统，其特征在于，所述多速率连续在线辨识模块具体执行如下步骤：
重介分选多速率系统的模型如下所示：
其中，m为框架周期下的步数，x表示重介分选密度回路的状态，u表示给水阀门的开度，y表示重介质悬浮液的密度；
将重介分选多速率系统的模型改写为：
Z(m)＝＝θ(m)X(m)
其中，为系统输出，为当前时刻多速率系统参数矩阵，为系统输入，A、B、C、D为重介分选多速率系统的模型的参数；
定义性能指标函数J为：
其中θ(m-1)为上一步的多速率系统参数矩阵；α为可调的权值系数；令性能指标函数对θ(m)求导，得到如下多速率连续在线辨识计算式：
θ(m)＝(αθ(m-1)+Z(m)X(m)T)(X(m)X(m)T+α)-1，
其中T表示转置运算；在每一个框架周期，将重构后的数据带入多速率连续在线辨识计算式中，求得多速率连续在线辨识结果重介分选多速率系统的模型的参数为A＝θ1，B＝θ2，C＝θ3，D＝θ4。
4.根据权利要求3所述的系统，其特征在于，所述多速率智能控制模块具体执行如下步骤：
步骤1，设计多速率模型预测控制器：设预测时域和控制时域均为1，定义1步预测输出向量Y(m+1|m)和控制律U(m)分别为：
Y(m+1|m)＝[y(m+1|m)]，
U(m)＝[u(m)]，
其中，y(m+1|m)表示在m时刻对m+1时刻的重介质悬浮液密度估计值，u(m)表示当前时刻给水阀门开度；
步骤2，预测模型为：
Y(m+1|m)＝Sxx(m)+SuU(m)，
其中Sx＝CA，Sx为预测方程中状态项的系数，Su＝CB+D，Su为预测方程中控制项的系数；Y(m+1|m)为在m时刻对m+1时刻的重介质悬浮液密度估计值；
步骤3，定义性能指标函数Jmpc＝||ΓY(Y(m+1|m)-W(m+1))||2+||ΓUU(m)||2，其中，W(m+1)＝[w(m+1)]，w代表重介质悬浮液密度的设定值，ΓY和ΓU为加权因子，分别设为ΓY＝diag{0.1,0.1,0.1,0.1}，diag{·}表示对角矩阵，{0.1,0.1,0.1,0.1}为对角线元素，ΓU＝diag{0.006,0.006,0.006,0.006,0.006,0.006}，{0.006,0.006,0.006,0.006,0.006,0.006}为对角线元素；
步骤4，令性能指标函数Jmpc对U(m)求导，求得多速率模型预测控制器的控制律U(m)＝K(W(m+1)-Sxx(m))，其中，K为控制器系数，T表示矩阵转置；
步骤5，设计事件触发机制；
步骤6，定义事件触发误差和事件触发阈值；
步骤7，定义多速率事件触发条件组。
5.根据权利要求4所述的系统，其特征在于，步骤5包括：计算误差v(m)为当前时刻重介质悬浮液密度与上一触发时刻密度设定值之差，跟踪误差d(m)为当前时刻重介质悬浮液密度与设定值之差。
6.根据权利要求5所述的系统，其特征在于，步骤6包括：定义事件触发误差e(m)：
为e(m)＝v(m)-d(m)，
定义事件触发阈值eT为：
其中，μ是调节阈值。
7.根据权利要求6所述的系统，其特征在于，步骤7包括：定义如下多速率事件触发条件组：
。
8.根据权利要求7所述的系统，其特征在于，步骤7中，当多速率事件触发条件组中至少有一个成立时，满足事件触发机制，控制器更新，并将更新后的控制律保存在重介分选现场的零阶保持器中，使控制律维持不变；当多速率事件触发条件组均不成立时，事件触发机制不满足，控制器不更新，控制律仍为零阶保持器中所保存的控制律。
CN202211382603.3A 2022-11-07 2022-11-07 一种多速率重介分选信息物理系统 Active CN115576206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211382603.3A CN115576206B (zh) 2022-11-07 2022-11-07 一种多速率重介分选信息物理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211382603.3A CN115576206B (zh) 2022-11-07 2022-11-07 一种多速率重介分选信息物理系统

Publications (2)

Publication Number Publication Date
CN115576206A CN115576206A (zh) 2023-01-06
CN115576206B true CN115576206B (zh) 2023-05-12

Family

ID=84588974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211382603.3A Active CN115576206B (zh) 2022-11-07 2022-11-07 一种多速率重介分选信息物理系统

Country Status (1)

Country Link
CN (1) CN115576206B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406083A (zh) * 2015-07-28 2017-02-15 曲阜师范大学 一种模糊控制选煤方法
CN109728795B (zh) * 2018-12-24 2022-11-18 哈尔滨理工大学 未知概率情形下具有数据丢失的时变事件触发滤波方法
CN110605178B (zh) * 2019-09-23 2021-10-22 中国矿业大学 一种重介分选过程智能控制系统及方法
CN111585822A (zh) * 2020-05-18 2020-08-25 青岛科技大学 一种网络系统中数据丢包的提升模型预测补偿方法
CN112162244B (zh) * 2020-09-21 2023-04-28 北京工商大学 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法
CN112327616B (zh) * 2020-10-19 2022-09-16 江苏大学 一种基于事件触发的网络控制系统控制器设计方法

Also Published As

Publication number Publication date
CN115576206A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN112418014B (zh) 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN108986470A (zh) 粒子群算法优化lstm神经网络的行程时间预测方法
CN112000084B (zh) 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法
CN111427266A (zh) 一种针对带扰动的非线性系统辨识方法
CN115576206B (zh) 一种多速率重介分选信息物理系统
CN105931130A (zh) 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法
CN111401236A (zh) 基于自编码神经网络的水声信号去噪方法
CN114034486A (zh) 基于无监督迁移学习的泵类机械设备轴承故障诊断方法
CN112001115B (zh) 一种半监督动态软测量网络的软测量建模方法
CN114936575A (zh) 基于样本生成和深度迁移学习的电机轴承故障诊断方法
CN117408165B (zh) 一种基于机器学习的压裂过程复杂事件智能预警优化方法
CN115840917A (zh) 一种电机温升预测方法
CN116821695B (zh) 一种半监督神经网络软测量建模方法
CN111914471A (zh) 一种基于快速核独立成分分析的精馏塔故障检测方法
CN114707424B (zh) 基于质量相关慢特征分析算法的化工过程软测量方法
CN110111275A (zh) 一种信号降噪的方法、系统及计算机存储介质
CN115202190B (zh) 一种基于工艺指标调节潜质的工况划分和识别方法
CN111610779B (zh) 一种数据驱动的非线性系统执行器故障因子的辨识方法
CN113688875B (zh) 工业系统故障识别方法及装置
CN114861759A (zh) 一种线性动态系统模型的分布式训练方法
CN115458078A (zh) 一种基于多工况分布式输出过程补偿宽度迁移建模方法
CN115180461A (zh) 新能源汽车压缩机电机生产装备的张力数据驱动控制方法
CN109841227B (zh) 一种基于学习补偿的背景噪声去除方法
CN115718479A (zh) 一种基于模型度量指标的分程控制系统性能评估方法
CN117316334B (zh) 一种水厂混凝剂用量预测方法及系统

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230106

Assignee: XI'AN ALERT MEASUREMENT & CONTROL TECHNOLOGY Co.,Ltd.

Assignor: CHINA University OF MINING AND TECHNOLOGY

Contract record no.: X2024980005093

Denomination of invention: A Multi rate Heavy Media Sorting Information Physical System

Granted publication date: 20230512

License type: Common License

Record date: 20240429

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230106

Assignee: Rongtuo kunpu (Wuxi) Technology Co.,Ltd.

Assignor: CHINA University OF MINING AND TECHNOLOGY

Contract record no.: X2024980006798

Denomination of invention: A Multi rate Heavy Media Sorting Information Physical System

Granted publication date: 20230512

License type: Common License

Record date: 20240606