CN116699269A - 运行工业控制设施的方法及工业控制设施 - Google Patents

运行工业控制设施的方法及工业控制设施 Download PDF

Info

Publication number
CN116699269A
CN116699269A CN202310202566.1A CN202310202566A CN116699269A CN 116699269 A CN116699269 A CN 116699269A CN 202310202566 A CN202310202566 A CN 202310202566A CN 116699269 A CN116699269 A CN 116699269A
Authority
CN
China
Prior art keywords
switching
time
industrial control
designed
electromagnetic interference
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
Application number
CN202310202566.1A
Other languages
English (en)
Inventor
彼得·菲舍尔
罗伯特·魏克特
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN116699269A publication Critical patent/CN116699269A/zh
Pending legal-status Critical Current

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31449—Monitor workflow, to optimize business, industrial processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及运行工业控制设施的方法及工业控制设施，该设施包括具有序列程序(OB1)的自动化控制器(CPU)，驱控装置(2)设计用于控制电力电子设备的开关组件(SR)，以及输入组件(EA)，其中通过开关组件(SR)的接通和断开过程(EV，AV)出现电磁干扰(EMI)，其会扭曲经由输入模块(EA)记录的测量值(MW)，其中为所述开关组件(SR)预测接通和断开过程(EV，AV)的时间上的出现和/或运行状态(BZ)，其中，该预测用于在预测时间点或者在预测时间范围(VZB)期间相关于由电磁干扰(EMI)引起的扭曲来执行对测量值(MW)的校正。

Description

运行工业控制设施的方法及工业控制设施
技术领域
本发明涉及一种用于运行工业控制设施的方法，该工业控制设施包括具有序列程序的自动化控制器、设计用于驱控功率电子设备的开关组件的驱控装置和输入模块，其中，通过开关元件的接通和断开过程出现电磁干扰，该电磁干扰会扭曲经由输入模块记录的测量值。
本发明还涉及一种工业控制设施，包括具有序列程序的自动化控制器、设计用于控制电力电子设备的开关组件的驱控装置和输入模块，其中，通过开关元件的接通和断开过程产生电磁干扰，该电池干扰会扭曲经由输入模块记录的测量值。
背景技术
自动化控制器，例如可编程逻辑控制器，在复杂的工业设施中通常应用在具有不同的组件(如传感器、变送器、电机、变流器和逆变器)的控制柜中。
众所周知，由精确的变流器和/或逆变器运行的电机会局部产生广泛的电磁干扰。特别是由于控制柜中的接近性和不可避免的紧密布线，变流器/逆变器运行的电机的运行能够干扰可编程逻辑控制器的模拟输入，并导致额外的测量误差。
发明内容
因此，本发明的目的是提供一种方法或设施，在该方法或设施中能够校正或补偿由接通过程引起的干扰对测量值的影响。
对于开头提到的方法，该目的由此实现，即为开关组件预测接通和断开过程的时间上的出现和/或运行状态，其中，该预测用于在预测时间点或者在预测时间范围期间相关于由电磁干扰引起的扭曲来执行对测量值的校正。
该预测由此被进一步改进，其中，使用在时序程序中的程序代码指令的时间上的出现预测接通和断开过程和/或运行状态。
这导致一种校正，例如发动机启动时的模拟测量值的校正，以及取决于发动机稳态转速的修正值。从程序代码指令能够看出电机的启动。在具有其序列程序的自动化组件中，设置逆变器释放的时间点是已知的。由逆变器启动的电机的影响能够在传感器的模拟值的时间曲线中看到。例如，通过旋转磁场的加速的转速，能够在转换器的输出周围检测到电机的启动电流增加或逆变器的额外频率混合。能够针对启动和稳定运行分析电机对模拟输入的影响。
基本上有三种不同的状态
-停用电机的模拟值，
-电机启动期间的模拟值，
-稳态电机转速情况下的模拟值，
-电机主动/被动制动期间的模拟值。
这导致在启动电机时校正模拟值的解决方案和取决于电机稳态转数的校正值。
该方法此外能够由此改进，其中，记录模块附加地运行，使得在工业控制设施的运行期间，在记录模块中执行用于神经网络的学习过程，在此，执行监督学习，其中，通过在具有实际发生的电磁干扰的序列程序中的程序代码指令在时间上的出现借助于传感器的传感器数据来监控预测时间点的预先确定的待学习的输出，其中，传感器在开关组件和/或待接通的驱动器处记录电磁干扰，其中，由传感器数据得出干扰的实际时间点，并且提供给神经网络作为额外的输入变量。通过这种学习过程获得稍后并不依赖于自动化设备工作的神经网络，该神经网络稍后为了进行干扰补偿而能够直接在输入模块上使用。
此外，如果输入模块与数字滤波器一起运行是有利的，该数字滤波器相对于干扰影响来稳定所记录的测量值，在此，预测用于参数化滤波器并且利用参数化的滤波器最小化该干扰影响。
或者，能够借助于人工智能AI根据需要得出所需数字滤波器的长度，或者有针对性地创建数字滤波器设计(FIR、IIR)，并将其传输到受影响的模拟模块。因此，已经在模块中实现了校正。在这种情况下，在相同或更好的干扰抑制的情况下，更短的延迟时间是可行的。
该目的还通过开头提到的工业控制设施由此来实现，即存在预测装置，该预测装置被设计用于为开关组件预测接通和断开过程的时间上的出现和/或运行状态，此外，工业控制设施还具有校正装置，该校正装置被设计为在预测时间点或者在预测时间范围期间相关于由电磁干扰引起的扭曲来执行对测量值的校正。
在此，有利的方式是，预测装置还被设计用于评估序列程序中的程序代码指令的时间上的出现，以对电力电子设备的开关组件的接通和断开过程和/或运行状态进行预测。
关于人工智能AI的使用，有利的是，存在具有神经网络的记录模块并且被设计为在工业控制设施的运行期间执行神经网络的学习过程，在此，记录模块也被设计为进行监督学习，在监督学习的情况中，通过在具有实际发生的电磁干扰的序列程序中的程序代码指令在时间上的出现，借助于传感器的传感器数据监控预测时间点的预先确定的待学习的输出，其中，传感器布置在开关组件处和/或布置在接通的驱动器处，其中，记录模块设计为，从传感器数据得出干扰的实际时间点，并且提供给神经网络，作为额外的输入变量。
利用以这种方式训练的神经网络，也能够直接在输入模块上实现错误校正，并且不必首先通过可编程逻辑控制器中的迂回执行错误校正。
另一个设计方案提出，输入模块设计具有数字滤波器，其抵抗干扰影响稳定所记录的测量值，在此，该输入模块被设计为借助于预测来参数化滤波器并且利用参数化的滤波器最小化干扰影响。
例如，现在能够精确设置过滤时间的长度。选择的滤波时间越长，测量值抗干扰影响就越稳定，另一方面，更高或更长的滤波时间也会导致测量值的数据速率变慢，对实际测量值的反应更迟钝变化。因此，利用预测时间的知识，实现了最小干扰影响和最大数据速率之间的优化，其中，能够最优地调整滤波时间。
附图说明
附图示出了本发明的一个实施例，图中示出：
图1示出了工业控制设施的概略图，
图2示出了具有预测时间点的接通和断开过程的时序图，
图3示出了具有补偿的测量值的测量值特征曲线。
具体实施方式
图1示出了工业控制设施1，其包括具有序列程序OB1的自动化控制器CPU。序列程序OB1包含程序代码指令AWL，程序代码指令AWL之一最终将在确定的时间点经由用于驱控功率电子设备的驱控装置2激活开关组件SR。或者程序代码指令AWL经由输出模块3直接驱控电机。自动化控制器CPU相应地配置有用于驱控功率电子设备的开关组件SR的驱控装置2，并且能够经由输入模块EA记录测量值MW。通过开关组件SR的接通和断开(参见图2)产生电磁干扰EMI，其能够经由输入模块EA被记录并能够扭曲测量值。
工业控制设施1因此包括预测装置10，其被设计成为开关组件SR预测接通和断开过程EV、AV在时间上的出现和/或运行状态BZ的持续时间。此外，存在校正装置KM，其被设计成在预测时间点或者在预测时间范围VZB期间相关于由电磁干扰EMI引起的扭曲来执行对测量值MW的校正。如果开关组件SR(例如逆变器)被激活，则该逆变器又激活第一电机M1。第一传感器S1和第二传感器S2设置在第一电机M1处。开关组件SR或逆变器的驱控以及第一电机M1的驱控都会产生电磁干扰EMI。自动化控制器CPU经由总线9与开关组件SR和输入模块EA以通信技术的方式连接。在这种特殊情况下，输入模块EA经由背板总线与附加输出模块3耦合到接口模块IM。如果输入模块EA记录测量值MW并在特定时间点接通开关组件SR，那么电磁干扰EMI又被传输到测量值MW上，因此被扭曲的测量值MW将经由总线9被传输到预测装置10。校正装置KM嵌入在预测装置10中，校正装置基于现在已知的预测时间VZ校正测量值MW。预测装置10能够将校正的测量值MW'发送到自动化控制器CPU。
预测装置10还被设计用于评估在序列程序OB1中的程序代码指令AWL的时间上的出现，使得接通和断开过程EV，AV和/或开关组件SR的运行状态BZ被包括在预测中。
在此，借助于记录模块AI。记录模块AI具有神经网络NN，其设计为在工业控制设施1运行过程中执行用于神经网络NN的学习过程，在此，记录模块AI也被设计用于监督学习，其中，通过在具有实际发生的电磁干扰EMI的序列程序OB1中的程序代码指令AWL的时间上的出现，借助于传感器S1、S2的传感器数据SD来监控预测时间点的预先确定的待学习的输出，其中，传感器布置在开关组件SR周围或者直接布置在第一电机处。记录模块AI设计为，从传感器数据SD得出干扰的实际时间点，并且提供给神经网络NN作为附加地输入变量。
输入模块EA具有数字滤波器F，其设计用于稳定记录的测量值抵抗干扰影响，在此，输入模块EA设计用于借助于预测相应地参数化滤波器F。利用参数化的滤波器F也能够最小化干扰影响。例如，长的滤波时间可使测量值MW更稳定地抵抗干扰影响。但由于较长的过滤时间，还会获得较慢的测量值MW数据速率和较慢的响应时间RZ。
因此，输入模块EA上的滤波器F的最佳调整的滤波时间是有利的。
图2示出接通过程EV和断开过程AV的时间曲线。接通过程EV在预测时间点VZ开始。现在开关组件SR在预测时间范围VZB内处于运行状态BZ。当预测时间范围VZB的时间结束时，断开过程AV也在时间上与预测时间范围VZB的结束重合。
根据图3，示出了测量值MW的测量值特征曲线MWK。例如，在接通过程EV时启动电机M1，并且产生电磁干扰EMI。由于预测时间点VZ现在是已知的，所以能够在电磁干扰EMI出现的时间附近将补偿KOMP添加到测量值MW或测量值特征曲线曲线MWK，并且因此获得校正的测量值MW或校正的测量值特征曲线MWK。

Claims (8)

1.一种用于运行工业控制设施(1)的方法，所述工业控制设施包括具有序列程序(OB1)的自动化控制器(CPU)，设计用于驱控功率电子设备的开关组件(SR)的驱控装置(2)和输入模块(EA)，其中，通过所述开关组件(SR)的接通过程和断开过程(EV，AV)出现电磁干扰(EMI)，所述电磁干扰扭曲经由所述输入模块(EA)记录的测量值(MW)，
其特征在于，为所述开关组件(SR)预测所述接通过程和所述断开过程(EV，AV)的时间上的出现和/或运行状态(BZ)，其中，所述预测用于在预测时间点或者在预测时间范围(VZB)期间，相关于由所述电磁干扰(EMI)引起的所述扭曲来校正所述测量值(MW)。
2.根据权利要求1所述的方法，其中，在所述序列程序(OB1)中的程序代码指令(AWL)的时间上的出现用于预测所述接通过程和所述断开过程(EV，AV)和/或所述运行状态(BZ)。
3.根据权利要求2所述的方法，其中，记录模块(AI)附加地运行为，使得在所述工业控制设施(1)的运行期间在所述记录模块(A1)中执行用于神经网络(NN)的学习过程，在此，执行监督学习，其中，通过在具有实际发生的电磁干扰(EMI)的所述序列程序(OB1)中的所述程序代码指令(AWL)时间上的出现，借助于传感器(S1，S2)的传感器数据(SD)来监控预测时间点的预先确定的待学习的输出，所述传感器在所述开关组件(SR)和/或待接通的驱动器(M1，M2，M3)处记录电磁干扰(EMI)，其中，从所述传感器数据得出干扰的实际时间点并且将所述实际时间点提供给所述神经网络(NN)作为额外的输入变量。
4.根据权利要求1至3所述的方法，其中，所述输入模块(EA)与数字滤波器(F)一起运行，所述数字滤波器抵抗干扰影响来稳定记录的所述测量值(MW)，在此，所述预测被用于参数化所述滤波器(F)并且利用参数化的滤波器(F)最小化所述干扰影响。
5.一种工业控制设施(1)包括
具有序列程序(OB1)的自动化控制器(CPU)，
设计用于驱控功率电子设备的开关组件(SR)的驱控装置(2)和输入模块(EA)，
其中，通过所述开关组件(SR)的接通过程和断开过程(EV，AV)出现电磁干扰(EMI)，所述电磁干扰扭曲经由所述输入模块(EA)记录的测量值(MW)，
其特征在于
设置有预测装置(10)，所述预测装置设计用于为所述开关组件(SR)预测所述接通过程和所述断开过程(EV，AV)的时间上的出现和/或运行状态(BZ)，
设置有校正装置(KW)，所述校正装置设计用于在预测时间点(VZ)或者在预测时间范围期间相关于由所述电磁干扰(EMI)引起的所述扭曲来校正所述测量值(MW)。
6.根据权利要求5所述的工业控制设施(1)，其中，所述预测装置(10)还被设计用于评估所述序列程序(OB1)中程序代码指令(AWL)的时间上的出现，应用于对所述功率电子设备的所述开关组件(SR)的所述接通过程和所述断开过程(EV，AV)和/或所述运行状态(BZ)进行预测。
7.根据权利要求5或6所述的工业控制设施(1)具有带神经网络(NN)的记录模块(AI)，所述记录模块被设计成用于在工业控制设施(1)的运行期间执行所述神经网络(NN)的学习过程，在此，所述记录模块(AI)也被设计用于执行监督学习，在所述监督学习中，通过在具有实际发生的电磁干扰(EMI)的所述序列程序(OB1)中的所述程序代码指令(AWL)的时间上的出现，借助于传感器(S1，S2)的传感器数据(SD)来监控所述预测时间点的预先确定的待学习的输出，所述传感器布置在所述开关组件(SR)处和/或待接通的驱动器(M1，M2，M3)处，其中，所述记录模块(AI)设计用于，从所述传感器数据(SD)得出干扰的实际时间点，并且将所述实际时间点提供给所述神经网络(NN)作为额外的输入变量。
8.根据权利要求5至7中任一项所述的工业控制设施(1)，其中，所述输入模块(EA)配备有数字滤波器(F)，所述数字滤波器抵抗干扰影响来稳定记录的所述测量值(MW)，在此，所述输入模块(EA)被设计用于借助于所述预测来参数化所述滤波器(F)并利用参数化的滤波器(F)最小化所述干扰影响。
CN202310202566.1A 2022-03-03 2023-03-02 运行工业控制设施的方法及工业控制设施 Pending CN116699269A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22160011.7 2022-03-03
EP22160011.7A EP4239420A1 (de) 2022-03-03 2022-03-03 Verfahren zum betrieb einer industriellen steuerungsanlage und industrielle steuerungsanlage

Publications (1)

Publication Number Publication Date
CN116699269A true CN116699269A (zh) 2023-09-05

Family

ID=80628688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310202566.1A Pending CN116699269A (zh) 2022-03-03 2023-03-02 运行工业控制设施的方法及工业控制设施

Country Status (3)

Country Link
US (1) US20230280722A1 (zh)
EP (1) EP4239420A1 (zh)
CN (1) CN116699269A (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107070350B (zh) * 2017-01-18 2020-05-22 西安交通大学 一种降低逆变感应电机emi的预测控制方法
JP7451946B2 (ja) * 2019-11-07 2024-03-19 株式会社アイシン 制御装置

Also Published As

Publication number Publication date
EP4239420A1 (de) 2023-09-06
US20230280722A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
CN106873506B (zh) 校正装置、校正装置的控制方法、信息处理程序及记录介质
US20080084171A1 (en) Method and apparatus for controlling motors of different types
US20040257022A1 (en) Method and system for multiple servo motor control
CN109639187B (zh) 驱控一体伺服实现方法和系统
KR101620125B1 (ko) 자동차 교류발전기 및 이를 위한 전압조절기
JP4017637B2 (ja) 車両用発電機の制御装置
EP3361635B1 (en) Control system and pulse output device
EP1958035A1 (en) An adaptive input-cell circuitry
CN112051830B (zh) 伺服驱动器老化测试方法、系统、装置和存储介质
Graf et al. Real-time HIL-simulation of power electronics
CN102472775B (zh) 用于测量和/或生成电气变量的设备和方法
KR20010034286A (ko) 위상 지연 보상 방법 및 장치
Dal et al. Sliding mode controller gain adaptation and chattering reduction techniques for DSP-based PM DC motor drives
JPH0847280A (ja) Ａｃサーボモータの制御方法
CN116699269A (zh) 运行工业控制设施的方法及工业控制设施
JP2017004079A (ja) 故障シミュレーション装置及び故障シミュレーション方法
JP2013087790A (ja) 誘導性負荷制御装置
CN114114977A (zh) 借助人工智能法控制技术系统中电子转换器的方法和设备
KR101601323B1 (ko) 반도체 슬립 모드에서의 스위치 입력 검출 장치 및 방법
Wróbel et al. Continuous and finite set model predictive control of induction motor drive
US20120173071A1 (en) Electronic control unit for vehicle
CN110057595B (zh) 一种线控制动行程的校准方法及终端
US11271836B2 (en) Information processing device and control method for information processing device
Kim et al. L 2-Stable Speed Estimator for BLDCM Servo System Applications
CN112272808B (zh) 控制装置以及控制方法

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