CN115982533A - 一种工业控制器降维方法、装置、设备及存储介质 - Google Patents

一种工业控制器降维方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115982533A
CN115982533A CN202310026032.8A CN202310026032A CN115982533A CN 115982533 A CN115982533 A CN 115982533A CN 202310026032 A CN202310026032 A CN 202310026032A CN 115982533 A CN115982533 A CN 115982533A
Authority
CN
China
Prior art keywords
matrix
relation matrix
variables
controlled variable
controlled
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
Application number
CN202310026032.8A
Other languages
English (en)
Other versions
CN115982533B (zh
Inventor
侯卫锋
张志铭
段怡庸
叶建位
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.)
Zhejiang Zhongzhida Technology Co ltd
Original Assignee
Zhejiang Zhongzhida Technology Co ltd
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 Zhejiang Zhongzhida Technology Co ltd filed Critical Zhejiang Zhongzhida Technology Co ltd
Priority to CN202310026032.8A priority Critical patent/CN115982533B/zh
Publication of CN115982533A publication Critical patent/CN115982533A/zh
Application granted granted Critical
Publication of CN115982533B publication Critical patent/CN115982533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Feedback Control In General (AREA)

Abstract

本申请公开了一种工业控制器降维方法、装置、设备及存储介质，涉及工业控制技术领域，该方法包括：基于操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；基于被控变量的个数创建第二关系矩阵，并基于第一关系矩阵对第二关系矩阵进行更新，以得到第三关系矩阵；利用第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；根据被控变量访问向量以及更新后深度关系矩阵统计被控变量分组，并基于被控变量分组以及第一关系矩阵计算操作变量分组，以完成对工业控制器的降维处理。可见，本申请通过对多种矩阵进行计算以及统计多种分组，能够对有效降低复杂大规模的控制器复杂程度，提高计算效率。

Description

一种工业控制器降维方法、装置、设备及存储介质
技术领域
本发明涉及工业控制技术领域，特别涉及一种工业控制器降维方法、装置、设备及存储介质。
背景技术
工业生产过程往往是多个复杂耦合的被控对象，以模型预测控制为代表的先进控制技术由于能够处理多变量间耦合以及变量约束限制等问题，在工业控制系统中得到了广泛的应用。以精馏塔被控对象为例，其操作变量一般包括进料流量、塔底加热功率、塔顶回流量等变量，被控变量一般包括精馏塔塔顶压力、灵敏板温度、塔盘液位等等，再加上上下游装置的控制任务，一个精馏塔控制器可包含十几个操作变量和被控变量。这些操作变量和被控变量间有的存在较强的作用关系，有的作用关系较弱，有的甚至没有作用关系。如果作为一个整体的控制器来处理，将导致控制器规模庞大且复杂，计算量也相应增加。同时操作变量和被控变量间的复杂作用关系也导致操作变量的动作行为难以解释，不利于工程实施。因此如果能将复杂的多变量控制器分解为一系列相对简单的控制器，并且保持控制器的主要作用，能够通过并行计算有效降低控制器的计算负荷。
发明内容
有鉴于此，本发明的目的在于提供一种工业控制器降维方法、装置、设备及存储介质，能够实现复杂多变量控制器的自动分解降维。其具体方案如下：
第一方面，本申请公开了一种工业控制器降维方法，包括：
基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；
基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；
利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；
根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
可选的，所述基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵，包括：
基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵；
对所述初始关系矩阵进行更新以得到第一关系矩阵。
可选的，所述基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵，包括：
基于所述操作变量的个数以及所述被控变量的个数确定相应尺寸大小的初始矩阵，并通过阶跃测试确定所述初始矩阵中所述操作变量发生单位阶跃变化时相应的所述被控变量的稳态变化量；
将所述稳态变化量的绝对值填入所述初始矩阵中交叉元素所在的位置上，以得到初始关系矩阵。
可选的，所述对所述初始关系矩阵进行更新以得到第一关系矩阵，包括：
判断所述初始关系矩阵中所述交叉元素所在位置上的数值是否小于基于所述初始关系矩阵中元素的最小值与平均值确定的目标数值；
若小于，则将所述初始矩阵中交叉元素所在位置上的数值更新为0；
若不小于，则控制所述初始矩阵中交叉元素所在位置上的数值保持不变，以得到第一关系矩阵。
可选的，所述基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵，包括：
判断所述第一关系矩阵中任意两个被控变量所在的两列元素是否存在至少一行均为1；
若否，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为0；
若是，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为1，以得到所述第三关系矩阵。
可选的，所述利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵，包括：
基于所述第三关系矩阵构造初始深度关系矩阵，并利用所述初始深度关系矩阵乘以所述第三关系矩阵以对所述初始深度关系矩阵进行更新，得到更新后深度关系矩阵。
可选的，所述根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，包括：
创建当前被控变量分组；
确定预先创建的被控变量访问向量中元素为0对应的最小行序号，将所述最小行序号对应的所述被控变量加入所述当前被控变量分组，且将所述被控变量访问向量中相应的元素赋值为1；其中，所述被控变量访问向量中与任一所述被控变量对应的元素若为0则表征该被控变量未被访问，若为1则表征该被控变量已被访问，并且所述被控变量访问向量的行数与所述更新后深度关系矩阵的行数相同；
判断所述更新后深度关系矩阵的第一目标列中除所述最小行序号对应行之外的其他各行的元素是否大于0；所述第一目标列的列序号的大小与所述最小行序号的大小相同；
若其他任意一行的元素大于0且所述被控变量访问向量中相应的元素为0，则将该行对应的所述被控变量加入所述当前被控变量分组，并将所述被控变量访问向量中相应的元素赋值为1；
判断所述被控变量访问向量中元素是否都为1；
若否，则创建下一被控变量分组以得到新的当前被控变量分组，并重新跳转至所述确定预先创建的被控变量访问向量中元素为0对应的最小行序号的步骤；
若是，则输出得到的所有被控变量分组。
可选的，所述基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理，包括：
创建当前操作变量分组；
判断所述第一关系矩阵的第二目标列中任意一行的元素是否大于0；所述第二目标列的列序号的大小与当前被控变量分组中的待访问被控变量的序号大小相同；
若是，则将该行对应的操作变量加入所述当前操作变量分组，直至所述当前被控变量分组中被控变量均完成相应的判断操作；
创建下一操作变量分组以得到新的当前操作变量分组，并重新跳转至所述判断所述第一关系矩阵中与所述当前被控变量分组中的待访问被控变量的行序号对应的目标元素是否大于0的步骤，直至所述操作变量分组的数量大于所述被控变量分组的数量；
输出得到的所有操作变量分组，以完成对所述工业控制器的降维处理。
第二方面，本申请公开了一种工业控制器降维装置，包括：
矩阵构建模块，用于基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；
第一矩阵更新模块，用于基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；
第二矩阵更新模块，用于利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；
降维处理模块，用于根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现前述的工业控制器降维方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的工业控制器降维方法。
由上可知，本申请在进行工业控制器降维时，先基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；最终根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。可见，本申请通过建立第一关系矩阵和第三关系矩阵，并基于所述第三关系矩阵计算深度关系矩阵，最终再根据深度关系矩阵以及第一关系矩阵计算被控变量分组以及操作变量分组，进而实现对复杂大规模的控制器进行自动降维，提高计算效率。
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为本申请提供的一种工业控制器降维方法流程图；
图2为本申请提供的一种具体的工业控制器降维方法流程图；
图3为本申请提供的一种具体的工业控制器降维方法流程图；
图4为本申请公开的一种工业控制器降维装置结构示意图；
图5为本申请公开的一种电子设备结构图。
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。
现有的多变量控制器降维方法一般为手动设置方法的方法。以Aspen DMCplus先进控制软件为例，其带有子控制器设计功能，所能达到的效果是：创建所有的操作变量和被控变量；创建子控制器1，然后从所有的操作变量中选择部分操作变量作为子控制器1的操作变量，从所有的被控变量中选择部分被控变量作为子控制器1的被控变量；重复上一步骤，直到所有的操作变量都被分配到一个子控制器，并且子控制器之间的操作变量不能重复，然而现有技术目前需要控制器设计者自行设置子控制器来降低控制器复杂度，还不能够实现复杂多变量控制器的自动分解降维。为解决上述问题，本申请提供了一种工业控制器降维方法，能够对复杂大规模的控制器进行自动降维，有效降低控制器复杂程度，提高计算效率。
参见图1所示，本发明实施例公开了一种工业控制器降维方法，包括：
步骤S11、基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵。
本实施例中，先基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵。所述基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵，包括：基于所述操作变量的个数以及所述被控变量的个数确定相应尺寸大小的初始矩阵，即初始化一个Nu*Ny大小的矩阵,Nu是操作变量的个数，Ny是被控变量的个数，矩阵元素全部为零。矩阵的列索引为操作变量1，操作变量2，…，操作变量Nu，矩阵的行索引为被控变量1，被控变量2，…，被控变量Ny，并通过阶跃测试确定所述初始矩阵中所述操作变量发生单位阶跃变化时相应的所述被控变量的稳态变化量；将所述稳态变化量的绝对值填入所述初始矩阵中交叉元素所在的位置上，以得到初始关系矩阵。之后对所述初始关系矩阵进行更新以得到第一关系矩阵，其中包括：判断所述初始关系矩阵中所述交叉元素所在位置上的数值是否小于基于所述初始关系矩阵中元素的最小值与平均值确定的目标数值；若小于，则将所述初始矩阵中交叉元素所在位置上的数值更新为0；若不小于，则控制所述初始矩阵中交叉元素所在位置上的数值保持不变，以得到第一关系矩阵。在一种具体的实施例中，操作变量的数量为4，被控变量的数量为4，初始化一个4*4大小的矩阵，矩阵元素全部为零。矩阵的列索引为操作变量1，操作变量2，…，操作变量4，矩阵的行索引为被控变量1，被控变量2，…，被控变量4，需要指出的是，二维的顺序也可以调换。通过阶跃测试，确定操作变量1发生单位阶跃变化时被控变量1的稳态变化量，结果的绝对值填入矩阵中操作变量1和被控变量1交叉的位置。以此类推，完成表格其余内容。经过阶跃测试，构建操作变量和被控变量关系矩阵，即第一关系矩阵，如下表所示：
表一
1 2 0.001 0.001
0.1 1.5 0.001 0.0001
0.001 0.001 3 10
0.0005 0.003 5 0.1
取操作变量和被控变量矩阵中所有元素的最小值q1,平均值q2。
判断矩阵中操作变量1和被控变量1交叉位置的数值，如果数值小于(q1+q2)/2，则将该处的数值更新为0，否则保持不变。以此类推，更新矩阵其余内容。
更新后的矩阵为：
表二
1 2 0 0
0 1.5 0 0
0 0 3 10
0 0 5 0
步骤S12、基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵。
本实施例中，初始化一个Ny*Ny大小的矩阵，矩阵元素全部为零，之后基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵，包括：判断所述第一关系矩阵中任意两个被控变量所在的两列元素是否存在至少一行均为1；若否，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为0；若是，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为1，以得到所述第三关系矩阵。在一种具体的实施例中，初始化一个4*4大小的矩阵，矩阵元素全部为零。如果操作变量和被控变量关系矩阵中被控变量1和被控变量2所在的两列存在至少一行同时元素不为0的，在被控变量和被控变量关系矩阵中，被控变量1和被控变量2交叉的位置记1，否则记0。以此类推完成矩阵其余元素计算。本实施例中被控变量和被控变量关系矩阵，即第三关系矩阵如下：
表三
1 1 0 0
0 1 0 0
0 0 1 1
0 0 1 0
步骤S13、利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵。
本实施例中，基于所述第三关系矩阵构造初始深度关系矩阵，并利用所述初始深度关系矩阵乘以所述第三关系矩阵以对所述初始深度关系矩阵进行更新，得到更新后深度关系矩阵。需要指出的是，初始深度关系矩阵等于被控变量和被控变量关系矩阵，即等于所述第三关系矩阵。更新深度关系矩阵，公式为：
深度关系矩阵＝深度关系矩阵*被控变量和被控变量关系矩阵
重复上述公式指导深度关系矩阵不再变化。
步骤S14、根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
本实施例中，根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以此得到被控变量分组以及操作变量分组来对控制器进行降维处理，在一种具体的实施例中，降维后的控制器为：
控制器1：【操作变量1，操作变量2】+【被控变量1，被控变量2】
控制器2：【操作变量3，操作变量4】+【被控变量3，被控变量4】
由上可知，本申请在进行工业控制器降维时，先基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；最终根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。可见，本申请通过建立第一关系矩阵和第三关系矩阵，并基于所述第三关系矩阵计算深度关系矩阵，最终再根据深度关系矩阵以及第一关系矩阵计算被控变量分组以及操作变量分组，进而实现对复杂大规模的控制器进行自动降维，提高计算效率。
基于上述实施例可知，本申请提供了一种工业控制器降维方法，能够对复杂大规模的控制器进行自动降维。接下来，将针对根据预先创建的被控变量访问向量以及更新后深度关系矩阵统计被控变量分组进行具体的描述。参见图2所示，本发明实施例公开了一种具体的工业控制器降维方法，包括：
步骤S21、创建当前被控变量分组。
本实施例中，预先创建当前被控变量分组，在一种具体的实施例中，令K＝0，即从第一组开始，创建被控变量分组k,将被控变量1加入分组k。
步骤S22、确定预先创建的被控变量访问向量中元素为0对应的最小行序号，将所述最小行序号对应的被控变量加入所述当前被控变量分组，且将所述被控变量访问向量中相应的元素赋值为1；其中，所述被控变量访问向量中与任一所述被控变量对应的元素若为0则表征该被控变量未被访问，若为1则表征该被控变量已被访问，并且所述被控变量访问向量的行数与所述更新后深度关系矩阵的行数相同。
本实施例中，预先被控变量访问向量，所述被控变量访问向量大小为1*Ny元素全部为0，在,创建被控变量分组k,将被控变量1加入分组k后，被控变量访问向量中第1个元素赋值为1。确定预先创建的被控变量访问向量中元素为0对应的最小行序号，即选择被控变量访问向量中元素为0的最小的索引j，将被控变量j加入分组k，被控变量访问向量中第j个元素赋值为1。
步骤S23、判断更新后深度关系矩阵的第一目标列中除所述最小行序号对应行之外的其他各行的元素是否大于0；所述第一目标列的列序号的大小与所述最小行序号的大小相同。
本实施例中，选择被控变量访问向量中元素为0的最小的索引j，将被控变量j加入分组k之后，要判断更新后深度关系矩阵的第一目标列中除所述最小行序号对应行之外的其他各行的元素是否大于0，即判断在深度关系矩阵的第j列中，是否存在除了第j行的第i行元素大于0且被控变量访问向量中第i个元素为0。
步骤S24、若其他任意一行的元素大于0且所述被控变量访问向量中相应的元素为0，则将该行对应的所述被控变量加入所述当前被控变量分组，并将所述被控变量访问向量中相应的元素赋值为1。
本实施例中，在深度关系矩阵的第j列中，如果除了第j行的第i行元素大于0且被控变量访问向量中第i个元素为0，被控变量i加入分组k，被控变量访问向量中第i个元素赋值为1。例如，在深度关系矩阵的第1列中，如果除了第1行的第i行元素大于0且被控变量访问向量中第i个元素为0，被控变量i加入分组k，被控变量访问向量中第i个元素赋值为1。
步骤S25、判断所述被控变量访问向量中元素是否都为1。
步骤S26、若否，则创建下一被控变量分组以得到新的当前被控变量分组，并重新跳转至所述确定预先创建的被控变量访问向量中元素为0对应的最小行序号的步骤。
本实施例中，若被控变量访问向量中所有元素为1，则被控变量分组完成。否则k＝k+1,即进行下一组被控变量分组的访问操作，重新跳转至所述确定预先创建的被控变量访问向量中元素为0对应的最小行序号的步骤。
步骤S27、若是，则输出得到的所有被控变量分组。
若是，则表示所有被控变量访问向量均被访问，则输出得到的所有被控变量分组。在一种具体的实施例中，得到上述方法的分组结果为：被控变量分组1：【被控变量1，被控变量2】，被控变量分组2：【被控变量3，被控变量4】。
由上可知，本申请提出一种根据预先创建的被控变量访问向量以及更新后深度关系矩阵统计被控变量分组的方法，能够统计被控变量分组，以便于之后对控制器进行自动降维，有效降低控制器复杂程度，提高计算效率。
基于上述实施例可知，本申请提供了一种工业控制器降维方法，能够对复杂大规模的控制器进行自动降维。接下来，将针对基于被控变量分组以及第一关系矩阵计算操作变量分组进行具体的描述。参见图3所示，本发明实施例公开了一种具体的工业控制器降维方法，包括：
步骤S31、创建当前操作变量分组。
本实施例中，先创建第一个操作变量分组，m＝0，也是当前操作变量分组m。
步骤S32、判断所述第一关系矩阵的第二目标列中任意一行的元素是否大于0；所述第二目标列的列序号的大小与当前被控变量分组中的待访问被控变量的序号大小相同。
本实施例中，创建当前操作变量分组m之后，判断所述第一关系矩阵的第二目标列中任意一行的元素是否大于0，即对于被控变量分组m中的被控变量n，判断操作变量和被控变量关系矩阵中第n列第p行元素是否大于0。
步骤S33、若是，则将该行对应的操作变量加入所述当前操作变量分组，直至所述当前被控变量分组中被控变量均完成相应的判断操作。
本实施例中，如果操作变量和被控变量关系矩阵中第n列第p行元素大于0，则将操作变量p加入分组m，直至所述当前被控变量分组中被控变量均完成相应的判断操作，可以理解的是，所述当前被控变量分组中被控变量均完成相应的判断操作，也即被控变量分组m所有被控变量均被访问后。
步骤S34、创建下一操作变量分组以得到新的当前操作变量分组，并重新跳转至所述判断所述第一关系矩阵中与所述当前被控变量分组中的待访问被控变量的行序号对应的目标元素是否大于0的步骤，直至所述操作变量分组的数量是否大于所述被控变量分组的数量。
本实施例中，被控变量分组m所有被控变量均被访问后，需要创建下一操作变量分组以得到新的当前操作变量分组m，此时m＝m+1，并在创建之后，重新跳转至所述判断所述第一关系矩阵中与所述当前被控变量分组中的待访问被控变量的行序号对应的目标元素是否大于0的步骤，直至所述操作变量分组的数量是否大于所述被控变量分组的数量。即m>k时，结束创建操作变量分组的过程，若，m<＝k，则重复上述一系列步骤。
步骤S35、输出得到的所有操作变量分组，以完成对所述工业控制器的降维处理。
本实施例中，在m>k时，输出得到的所有操作变量分组。在一种具体的实施例中，可以得到上述方法中分组结果为：操作变量分组1：【操作变量1，操作变量2】，操作变量分组2：【操作变量3，操作变量4】，由此可知，降维后的控制器为：
控制器1：【操作变量1，操作变量2】+【被控变量1，被控变量2】
控制器2：【操作变量3，操作变量4】+【被控变量3，被控变量4】
由上可知，本申请提出一种基于被控变量分组以及第一关系矩阵计算操作变量分组的方法，使得最终根据操作变量分组以及被控变量分组得到降维后控制器的构成，以达到对复杂大规模的控制器进行自动降维，有效降低控制器复杂程度，提高计算效率的目的。
参考图4所述，本申请实施例还相应公开了一种工业控制器降维装置，包括：
矩阵构建模块11，用于基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；
第一矩阵更新模块12，用于基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；
第二矩阵更新模块13，用于利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；
降维处理模块14，用于根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
由上可知，本申请在进行工业控制器降维时，先基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；最终根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。可见，本申请通过建立第一关系矩阵和第三关系矩阵，并基于所述第三关系矩阵计算深度关系矩阵，最终再根据深度关系矩阵以及第一关系矩阵计算被控变量分组以及操作变量分组，进而实现对复杂大规模的控制器进行自动降维，提高计算效率。
在一些具体的实施例中，所述矩阵构建模块11，具体可以包括：
初始关系矩阵获取单元，用于基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵；
第一关系矩阵获取单元，用于对所述初始关系矩阵进行更新以得到第一关系矩阵。
在一些具体的实施例中，所述初始关系矩阵获取单元，具体可以包括：
稳态变化量确定子单元，用于基于所述操作变量的个数以及所述被控变量的个数确定相应尺寸大小的初始矩阵，并通过阶跃测试确定所述初始矩阵中所述操作变量发生单位阶跃变化时相应的所述被控变量的稳态变化量；
初始关系矩阵获取子单元，用于将所述稳态变化量的绝对值填入所述初始矩阵中交叉元素所在的位置上，以得到初始关系矩阵。
在一些具体的实施例中，所述第一关系矩阵获取单元，具体可以包括：
数值判断子单元，用于判断所述初始关系矩阵中所述交叉元素所在位置上的数值是否小于基于所述初始关系矩阵中元素的最小值与平均值确定的目标数值；
数值更新子单元，用于若小于，则将所述初始矩阵中交叉元素所在位置上的数值更新为0；
数值控制子单元，用于若不小于，则控制所述初始矩阵中交叉元素所在位置上的数值保持不变，以得到第一关系矩阵。
在一些具体的实施例中，所述第一矩阵更新模块12，具体可以包括：
第一元素判断单元，用于判断所述第一关系矩阵中任意两个被控变量所在的两列元素是否存在至少一行均为1；
第一数值更新单元，用于若否，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为0；
第二数值更新单元，用于若是，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为1，以得到所述第三关系矩阵。
在一些具体的实施例中，所述第二矩阵更新模块13，具体可以包括：
初始深度关系矩阵更新单元，用于基于所述第三关系矩阵构造初始深度关系矩阵，并利用所述初始深度关系矩阵乘以所述第三关系矩阵以对所述初始深度关系矩阵进行更新，得到更新后深度关系矩阵。
在一些具体的实施例中，所述降维处理模块14，具体可以包括：
被控变量分组创建单元，用于创建当前被控变量分组；
第一元素赋值单元，用于确定预先创建的被控变量访问向量中元素为0对应的最小行序号，将所述最小行序号对应的所述被控变量加入所述当前被控变量分组，且将所述被控变量访问向量中相应的元素赋值为1；其中，所述被控变量访问向量中与任一所述被控变量对应的元素若为0则表征该被控变量未被访问，若为1则表征该被控变量已被访问，并且所述被控变量访问向量的行数与所述更新后深度关系矩阵的行数相同；
第二元素判断单元，用于判断所述更新后深度关系矩阵的第一目标列中除所述最小行序号对应行之外的其他各行的元素是否大于0；所述第一目标列的列序号的大小与所述最小行序号的大小相同；
第二元素赋值单元，用于若其他任意一行的元素大于0且所述被控变量访问向量中相应的元素为0，则将该行对应的所述被控变量加入所述当前被控变量分组，并将所述被控变量访问向量中相应的元素赋值为1；
第三元素判断单元，用于判断所述被控变量访问向量中元素是否都为1；
第一跳转单元，用于若否，则创建下一被控变量分组以得到新的当前被控变量分组，并重新跳转至所述确定预先创建的被控变量访问向量中元素为0对应的最小行序号的步骤；
被控变量分组输出单元，用于若是，则输出得到的所有被控变量分组。
在一些具体的实施例中，所述降维处理模块14，具体可以包括：
操作变量分组创建单元，用于创建当前操作变量分组；
第四元素判断单元，用于判断所述第一关系矩阵的第二目标列中任意一行的元素是否大于0；所述第二目标列的列序号的大小与当前被控变量分组中的待访问被控变量的序号大小相同；
操作变量加入单元，用于若是，则将该行对应的操作变量加入所述当前操作变量分组，直至所述当前被控变量分组中被控变量均完成相应的判断操作；
第二跳转单元，用于创建下一操作变量分组以得到新的当前操作变量分组，并重新跳转至所述判断所述第一关系矩阵中与所述当前被控变量分组中的待访问被控变量的行序号对应的目标元素是否大于0的步骤，直至所述操作变量分组的数量是否大于所述被控变量分组的数量；
操作变量分组输出单元，用于输出得到的所有操作变量分组，以完成对所述工业控制器的降维处理。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的工业控制器降维方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的工业控制器降维方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的工业控制器降维方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
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它实施例的不同之处，各个实施例之间相同或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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (11)

1.一种工业控制器降维方法，其特征在于，包括：
基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；
基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；
利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；
根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
2.根据权利要求1所述的工业控制器降维方法，其特征在于，所述基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵，包括：
基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵；
对所述初始关系矩阵进行更新以得到第一关系矩阵。
3.根据权利要求2所述的工业控制器降维方法，其特征在于，所述基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，得到初始关系矩阵，包括：
基于所述操作变量的个数以及所述被控变量的个数确定相应尺寸大小的初始矩阵，并通过阶跃测试确定所述初始矩阵中所述操作变量发生单位阶跃变化时相应的所述被控变量的稳态变化量；
将所述稳态变化量的绝对值填入所述初始矩阵中交叉元素所在的位置上，以得到初始关系矩阵。
4.根据权利要求2所述的工业控制器降维方法，其特征在于，所述对所述初始关系矩阵进行更新以得到第一关系矩阵，包括：
判断所述初始关系矩阵中所述交叉元素所在位置上的数值是否小于基于所述初始关系矩阵中元素的最小值与平均值确定的目标数值；
若小于，则将所述初始矩阵中交叉元素所在位置上的数值更新为0；
若不小于，则控制所述初始矩阵中交叉元素所在位置上的数值保持不变，以得到第一关系矩阵。
5.根据权利要求1所述的工业控制器降维方法，其特征在于，所述基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵，包括：
判断所述第一关系矩阵中任意两个被控变量所在的两列元素是否存在至少一行均为1；
若否，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为0；
若是，则将所述第二关系矩阵中交叉元素所在位置上的数值更新为1，以得到所述第三关系矩阵。
6.根据权利要求1所述的工业控制器降维方法，其特征在于，所述利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵，包括：
基于所述第三关系矩阵构造初始深度关系矩阵，并利用所述初始深度关系矩阵乘以所述第三关系矩阵以对所述初始深度关系矩阵进行更新，得到更新后深度关系矩阵。
7.根据权利要求1至6任一项所述的工业控制器降维方法，其特征在于，所述根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，包括：
创建当前被控变量分组；
确定预先创建的被控变量访问向量中元素为0对应的最小行序号，将所述最小行序号对应的所述被控变量加入所述当前被控变量分组，且将所述被控变量访问向量中相应的元素赋值为1；其中，所述被控变量访问向量中与任一所述被控变量对应的元素若为0则表征该被控变量未被访问，若为1则表征该被控变量已被访问，并且所述被控变量访问向量的行数与所述更新后深度关系矩阵的行数相同；
判断所述更新后深度关系矩阵的第一目标列中除所述最小行序号对应行之外的其他各行的元素是否大于0；所述第一目标列的列序号的大小与所述最小行序号的大小相同；
若其他任意一行的元素大于0且所述被控变量访问向量中相应的元素为0，则将该行对应的所述被控变量加入所述当前被控变量分组，并将所述被控变量访问向量中相应的元素赋值为1；
判断所述被控变量访问向量中元素是否都为1；
若否，则创建下一被控变量分组以得到新的当前被控变量分组，并重新跳转至所述确定预先创建的被控变量访问向量中元素为0对应的最小行序号的步骤；
若是，则输出得到的所有被控变量分组。
8.根据权利要求1至6任一项所述的工业控制器降维方法，其特征在于，所述基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理，包括：
创建当前操作变量分组；
判断所述第一关系矩阵的第二目标列中任意一行的元素是否大于0；所述第二目标列的列序号的大小与当前被控变量分组中的待访问被控变量的序号大小相同；
若是，则将该行对应的操作变量加入所述当前操作变量分组，直至所述当前被控变量分组中被控变量均完成相应的判断操作；
创建下一操作变量分组以得到新的当前操作变量分组，并重新跳转至所述判断所述第一关系矩阵中与所述当前被控变量分组中的待访问被控变量的行序号对应的目标元素是否大于0的步骤，直至所述操作变量分组的数量大于所述被控变量分组的数量；
输出得到的所有操作变量分组，以完成对所述工业控制器的降维处理。
9.一种工业控制器降维装置，其特征在于，包括：
矩阵构建模块，用于基于工业控制器中操作变量的个数和被控变量的个数并通过阶跃测试进行矩阵构建，以得到第一关系矩阵；所述第一关系矩阵为以列变量为操作变量、行变量为被控变量的关系矩阵；
第一矩阵更新模块，用于基于所述被控变量的个数创建第二关系矩阵，并基于所述第一关系矩阵对所述第二关系矩阵进行更新，以得到第三关系矩阵；所述第二关系矩阵和所述第三关系矩阵均为以被控变量作为行变量与列变量的关系矩阵；
第二矩阵更新模块，用于利用所述第三关系矩阵对初始深度关系矩阵进行更新，以得到更新后深度关系矩阵；
降维处理模块，用于根据预先创建的被控变量访问向量以及所述更新后深度关系矩阵统计被控变量分组，并基于所述被控变量分组以及所述第一关系矩阵计算操作变量分组，以完成对所述工业控制器的降维处理。
10.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至8任一项所述的工业控制器降维方法。
11.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的工业控制器降维方法。
CN202310026032.8A 2023-01-09 2023-01-09 一种工业控制器降维方法、装置、设备及存储介质 Active CN115982533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310026032.8A CN115982533B (zh) 2023-01-09 2023-01-09 一种工业控制器降维方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310026032.8A CN115982533B (zh) 2023-01-09 2023-01-09 一种工业控制器降维方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115982533A true CN115982533A (zh) 2023-04-18
CN115982533B CN115982533B (zh) 2023-07-21

Family

ID=85975860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310026032.8A Active CN115982533B (zh) 2023-01-09 2023-01-09 一种工业控制器降维方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115982533B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3296829A1 (en) * 2016-09-14 2018-03-21 Siemens Aktiengesellschaft Detection of plant wide oscillations in control variables for an industrial plant control system
US20190042543A1 (en) * 2017-08-02 2019-02-07 Fujitsu Limited Matrix decomposition device and matrix decomposition method
CN109409416A (zh) * 2018-09-29 2019-03-01 上海联影智能医疗科技有限公司 特征向量降维方法和医学图像识别方法、装置及存储介质
CN111817723A (zh) * 2020-07-10 2020-10-23 苏州浪潮智能科技有限公司 一种压缩感知测量矩阵的确定方法、确定装置、确定设备
CN111898639A (zh) * 2020-06-30 2020-11-06 河海大学 基于降维的分层时间记忆工业异常检测方法与装置
CN115129005A (zh) * 2022-06-15 2022-09-30 阿里云计算有限公司 基于工业过程的控制、模型方法、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3296829A1 (en) * 2016-09-14 2018-03-21 Siemens Aktiengesellschaft Detection of plant wide oscillations in control variables for an industrial plant control system
US20190042543A1 (en) * 2017-08-02 2019-02-07 Fujitsu Limited Matrix decomposition device and matrix decomposition method
CN109409416A (zh) * 2018-09-29 2019-03-01 上海联影智能医疗科技有限公司 特征向量降维方法和医学图像识别方法、装置及存储介质
CN111898639A (zh) * 2020-06-30 2020-11-06 河海大学 基于降维的分层时间记忆工业异常检测方法与装置
CN111817723A (zh) * 2020-07-10 2020-10-23 苏州浪潮智能科技有限公司 一种压缩感知测量矩阵的确定方法、确定装置、确定设备
CN115129005A (zh) * 2022-06-15 2022-09-30 阿里云计算有限公司 基于工业过程的控制、模型方法、设备和存储介质

Also Published As

Publication number Publication date
CN115982533B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Werner et al. Robust tuning of power system stabilizers using LMI-techniques
Marchetti et al. Predictive control based on discrete convolution models
WO2009155260A2 (en) Apparatus and method for model predictive control (mpc) of a nonlinear process
CN109634108A (zh) 参数自整定的mimo异因子全格式无模型控制方法
CN109581864A (zh) 参数自整定的mimo异因子偏格式无模型控制方法
CN109459933A (zh) 一种基于异步状态观测器的马尔科夫跳变系统控制方法
Sajjadi et al. An off-line NMPC strategy for continuous-time nonlinear systems using an extended modal series method
CN101221586A (zh) 基于解耦技术和遗传算法的功率电子电路优化方法
CN109814389A (zh) 参数自整定的mimo异因子紧格式无模型控制方法
CN111624872B (zh) 一种基于自适应动态规划的pid控制器参数整定方法及系统
US20220326665A1 (en) Control system, and control method
CN115982533B (zh) 一种工业控制器降维方法、装置、设备及存储介质
Kowalska et al. An approach to variable time receding horizon control
Shahni et al. Rapid estimation of PID minimum variance
CN103197692A (zh) 一种流量控制方法、装置及系统
CN112459080B (zh) 基于bp神经网络的钢支撑轴力智能调整方法
Yang et al. Experimental approach to selecting H∞ weighting functions for DC servos
CN108471362B (zh) 资源分配预测方法和装置
Qu et al. A new suboptimal control design for cascaded non‐linear systems
Bhat et al. Robust design of proportional integral controllers: a Taguchi-grey approach
Leonov et al. Nonlinear problems in control of manufacturing systems
Guojun et al. A real-time updated model predictive control strategy for batch processes based on state estimation
Oliveira et al. CRHPC using Volterra models and orthonormal basis functions: an application to CSTR plants
CN115167133B (zh) 非线性系统的自适应控制方法及装置
CN111861036B (zh) 装备服役优化方法及装置、电子设备及可读存储介质

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