CN117270403A - 一种龙门式制坨机的优化控制方法 - Google Patents
一种龙门式制坨机的优化控制方法 Download PDFInfo
- Publication number
- CN117270403A CN117270403A CN202311562008.2A CN202311562008A CN117270403A CN 117270403 A CN117270403 A CN 117270403A CN 202311562008 A CN202311562008 A CN 202311562008A CN 117270403 A CN117270403 A CN 117270403A
- Authority
- CN
- China
- Prior art keywords
- lump
- gantry
- fuzzy
- temperature
- fuzzy set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008021 deposition Effects 0.000 claims abstract description 79
- 239000010453 quartz Substances 0.000 claims abstract description 33
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 73
- 238000005457 optimization Methods 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
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
本发明涉及石英坨制备技术领域，具体而言，涉及一种龙门式制坨机的优化控制方法，该方法的步骤包括：建立模糊控制器，并定义模糊控制器的输入变量为石英坨的当前沉积温度及石英坨的目标沉积温度，定义模糊控制器的输出变量为龙门式制坨机的温度控制系统工作状态，同时确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库；将传感器网络及模糊控制器分别布设至龙门式制坨机的设定区域内，基于传感器网络所获取的龙门式制坨机温度模拟信号，将龙门式制坨机温度数字信号输入至模拟控制器中，依次执行模糊化处理、推理处理及解模糊化处理，并将输出结果传输至龙门式制坨机的温度控制系统中，以执行对应控制功能，完成龙门式制坨机的优化控制。
Description
技术领域
本发明涉及石英坨制备技术领域，具体而言，涉及一种龙门式制坨机的优化控制方法。
背景技术
制坨机是一种用于制备坨状物的设备，工艺控制是制坨机技术中的一个重要方面，通过控制制坨机的温度、湿度、压力和搅拌速度等参数，可以对坨状物的形成过程进行调控，合适的工艺控制可以保证坨状物的质量和稳定性，并提高生产效率。就目前而言，龙门式制坨机通常应用于制备石英坨领域，在石英坨的沉积过程中，通常需要工作人员手动对石英坨的温度进行调控，以便于提高石英坨的成坨质量及效率，在此过程中，不仅需要工作人员投入大量的精力，而且在智能化越来越普及的今天，提出一种自动调控龙门式制坨机温度控制系统的方法尤为重要。
发明内容
本发明的目的在于提供一种龙门式制坨机的优化控制方法，其通过建立模糊控制器一方面能够处理模糊和不确定性的输入，并且适应不同工况和环境变化；另一方面模糊控制器能够根据实时反馈信息进行调整，不仅实现自适应控制，同时对于系统参数变化和噪声的影响具有较好的鲁棒性。
本发明的实施例通过以下技术方案实现：
一种龙门式制坨机的优化控制方法，该方法的步骤包括：
建立模糊控制器，并定义模糊控制器的输入变量为石英坨的当前沉积温度及石英坨的目标沉积温度，定义模糊控制器的输出变量为龙门式制坨机的温度控制系统工作状态，同时确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库；
将传感器网络及模糊控制器分别布设至龙门式制坨机的设定区域内，基于传感器网络所获取的龙门式制坨机温度模拟信号，经信号转换后，将龙门式制坨机温度数字信号输入至模拟控制器中，依次执行模糊化处理、推理处理及解模糊化处理，再次经信号转换后，输出龙门式制坨机温度控制数字信号至龙门式制坨机的温度控制系统中，以执行对应控制功能，完成龙门式制坨机的优化控制。
可选的，所述确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库，其中，所述模糊控制器的模糊集定义为最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集，所述最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集分别对应一个隶属度函数。
可选的，所述最小区间给定模糊集的隶属度函数定义为第一隶属度函数，其计算公式为：
其中，为第一隶属度函数，/>为石英坨的当前沉积温度，/>为石英坨的最小沉积温度，/>为最小区间给定模糊集的中位温度，/>为最大区间给定模糊集的中位温度；
所述中位区间给定模糊集的隶属度函数定义为第二隶属度函数，其计算公式为：
其中，为第二隶属度函数，/>为中位区间给定模糊集的中位温度；
所述最大区间给定模糊集的隶属度函数定义为第三隶属度函数，其计算公式为：
其中，为第三隶属度函数，/>为石英坨的最大沉积温度。
可选的，所述模糊规则库根据最小区间给定模糊集及其对应的第一隶属度函数、中位区间给定模糊集及其对应的第二隶属度函数，及最大区间给定模糊集对应的第三隶属度函数进行规则制定，具体控制逻辑为：
获取石英坨的当前沉积温度；
判定石英坨的当前沉积温度是否位于模糊控制器定义的最小区间给定模糊集、中位区间给定模糊集或最大区间给定模糊集；
若石英坨的当前沉积温度位于模糊控制器定义的最小区间给定模糊集，判定石英坨的目标沉积温度是否位于中位区间给定模糊集或最大区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于中位区间给定模糊集或最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的中位区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或最大区间给定模糊集，若位于最小区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若位于最大区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的最大区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或中位区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态。
可选的，所述模糊规则库还设定有时间管理规则，其根据石英坨在目标沉积温度下的沉积状态，设定有不同的沉积时间区间，用于实时调整石英坨的当前沉积温度。
可选的，所述模糊控制器中的隶属度函数及模糊规则库，采用二进制编码遗传算法进行优化，所述二进制编码遗传算法的适应度函数为：
其中，为适应度函数，/>为模糊控制器的均方误差。
可选的，所述模糊控制器中的推理处理过程，具体采用模糊控制器优化网络模型进行优化，所述模糊控制器优化网络模型具体以最小化输出误差为目标函数，所述模糊控制器优化网络模型的目标函数为：
其中，为模糊控制器优化网络模型的目标函数，/>为模糊控制器优化网络模型的参数，/>为实际输出，/>为模糊控制器优化网络模型的预测输出。
可选的，所述模糊控制器优化网络模型还采用Adam算法，用以对模糊控制器优化网络模型的参数进行优化。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明实施例通过建立模糊控制器一方面能够处理模糊和不确定性的输入，并且适应不同工况和环境变化；另一方面模糊控制器能够根据实时反馈信息进行调整，不仅实现自适应控制，同时对于系统参数变化和噪声的影响具有较好的鲁棒性。
附图说明
图1为本发明实施例提供的一种龙门式制坨机的优化控制方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，图1为本发明实施例提供的一种龙门式制坨机的优化控制方法的流程示意图。
在本实施例中，一种龙门式制坨机的优化控制方法，该方法的步骤包括：
建立模糊控制器，并定义模糊控制器的输入变量为石英坨的当前沉积温度及石英坨的目标沉积温度，定义模糊控制器的输出变量为龙门式制坨机的温度控制系统工作状态，同时确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库；
将传感器网络及模糊控制器分别布设至龙门式制坨机的设定区域内，基于传感器网络所获取的龙门式制坨机温度模拟信号，经信号转换后，将龙门式制坨机温度数字信号输入至模拟控制器中，依次执行模糊化处理、推理处理及解模糊化处理，再次经信号转换后，输出龙门式制坨机温度控制数字信号至龙门式制坨机的温度控制系统中，以执行对应控制功能，完成龙门式制坨机的优化控制。
实施时，本实施例首先进行系统分析，对龙门式制坨机进行系统分析，获取其工作原理和流程，包括石英坨的制备过程，以及影响石英坨制备质量的主要因素。其次设计模糊控制器，包括定义输入输出变量，确定模糊集和隶属度函数，建立模糊规则库。进而实现包括模糊化、推理、解模糊等过程。之后将模糊控制器集成到龙门式制坨机的温度控制系统中，实现对龙门式制坨机的自动控制。最后通过测试与优化，并根据测试结果优化模糊控制器的参数和规则，提高龙门式制坨机的控制效果，提高石英坨的成坨质量与效率。
基于上述实现过程，本实施例定义了输入变量，即石英坨的当前沉积温度及石英坨的目标沉积温度；定义了输出变量，即龙门式制坨机的温度控制系统工作状态。其次本实施例通过模糊化处理、推理处理和解模糊化处理，将输入变量映射到输出变量，确定模糊集、隶属度函数和模糊规则库，完成模糊控制器的设计。之后将传感器网络布设在龙门式制坨机的设定区域内，获取龙门式制坨机的温度模拟信号，将龙门式制坨机温度数字信号经过信号转换后输入模糊控制器，模糊控制器执行模糊化处理、推理处理和解模糊化处理，得到龙门式制坨机温度控制数字信号。将经过信号转换后的龙门式制坨机温度控制数字信号输入龙门式制坨机的温度控制系统，实现对应的控制功能，完成龙门式制坨机的优化控制。
在上述关于确定模糊集的过程中，所述确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库，其中，所述模糊控制器的模糊集定义为最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集，所述最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集分别对应一个隶属度函数。
在上述关于确定隶属度函数的过程中，所述最小区间给定模糊集的隶属度函数定义为第一隶属度函数，其计算公式为：
其中，为第一隶属度函数，/>为石英坨的当前沉积温度，/>为石英坨的最小沉积温度，/>为最小区间给定模糊集的中位温度，/>为最大区间给定模糊集的中位温度；
所述中位区间给定模糊集的隶属度函数定义为第二隶属度函数，其计算公式为：
其中，为第二隶属度函数，/>为中位区间给定模糊集的中位温度；
所述最大区间给定模糊集的隶属度函数定义为第三隶属度函数，其计算公式为：
其中，为第三隶属度函数，/>为石英坨的最大沉积温度。
具体的，最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集可以定义为低温区间，适中温度区间及高温区间，上述各个隶属度函数与之对应。
在上述关于确定模糊规则库的过程中，所述模糊规则库根据最小区间给定模糊集及其对应的第一隶属度函数、中位区间给定模糊集及其对应的第二隶属度函数，及最大区间给定模糊集对应的第三隶属度函数进行规则制定，具体控制逻辑为：
获取石英坨的当前沉积温度；
判定石英坨的当前沉积温度是否位于模糊控制器定义的最小区间给定模糊集、中位区间给定模糊集或最大区间给定模糊集；
若石英坨的当前沉积温度位于模糊控制器定义的最小区间给定模糊集，判定石英坨的目标沉积温度是否位于中位区间给定模糊集或最大区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于中位区间给定模糊集或最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的中位区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或最大区间给定模糊集，若位于最小区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若位于最大区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的最大区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或中位区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态。
更为具体的，所述模糊规则库还设定有时间管理规则，其根据石英坨在目标沉积温度下的沉积状态，设定有不同的沉积时间区间，用于实时调整石英坨的当前沉积温度。
在本实施例中，所述模糊控制器中的隶属度函数及模糊规则库，采用二进制编码遗传算法进行优化，所述二进制编码遗传算法的适应度函数为：
其中，为适应度函数，/>为模糊控制器的均方误差。
所述模糊控制器中的推理处理过程，具体采用模糊控制器优化网络模型进行优化，所述模糊控制器优化网络模型具体以最小化输出误差为目标函数，所述模糊控制器优化网络模型的目标函数为：
其中，为模糊控制器优化网络模型的目标函数，/>为模糊控制器优化网络模型的参数，/>为实际输出，/>为模糊控制器优化网络模型的预测输出。
在上述应用过程中，本实施例采用遗传算法与神经网络对模糊控制器进行优化，其中，遗传算法用于优化模糊控制器的模糊规则库和隶属度函数，本实施例所选用遗传算法具体为二进制编码的遗传算法，该算法包括选择、交叉和变异三个主要步骤，分别为根据每个个体即模糊规则或隶属度函数的适应度即龙门式制坨机温度控制系统的控制性能进行选择，适应度高的个体有更大的概率被选中，适应度函数设定为：，其中为模糊控制器的均方误差。本实施例将选中的个体进行交叉操作，生成新的个体，交叉操作可示例为单点交叉，即在染色体的一个随机位置断开，然后交换两个个体的后半部分。，最后本实施例在变异中随机选择某个位，然后将其值反转。
在上述应用过程中，神经网络用于学习和模拟控制系统的行为，本实施例所采用的神经网络具体为多层感知机（MLP），即本实施例所述的模糊控制器优化网络模型，该神经网络包括输入层、隐藏层和输出层，模糊控制器优化网络模型的训练目标具体为最小化输出误差，目标函数为：，其中，/>为模糊控制器优化网络模型的参数，/>为实际输出，/>为模糊控制器优化网络模型的预测输出。之后在神经网络优化过程中，本实施例可以采用梯度下降法或Adam、RMSProp等算法来优化神经网络的参数，可以理解的，本实施例所限定的上述例如梯度下降法、Adam等均为现有技术使用方法，具体计算方式不做赘述。本实施例通过结合遗传算法和神经网络，一方面遗传算法主要优化整个系统的全局性能，另一方面神经网络则更侧重于逼近系统动态特性和非线性的建模，本实施例通过将两者相结合，不仅能够通过遗传算法获得理想的模糊控制规则，而且能够通过神经网络对这些复杂的规则进行快速的逼近和计算。相反的，若单独使用遗传算法优化，则可能会陷入局部最优而无法获得全局最好的模糊规则；若单独使用神经网络，则可能对复杂的模糊规则进行逼近时存在误差。基于此，本实施例通过遗传算法与神经网络相结合，既能获得了全局优化的高性能规则，又能进行快速精确的模糊推理，提高了系统的整体性能。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种龙门式制坨机的优化控制方法，其特征在于，该方法的步骤包括：
建立模糊控制器，并定义模糊控制器的输入变量为石英坨的当前沉积温度及石英坨的目标沉积温度，定义模糊控制器的输出变量为龙门式制坨机的温度控制系统工作状态，同时确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库；
将传感器网络及模糊控制器分别布设至龙门式制坨机的设定区域内，基于传感器网络所获取的龙门式制坨机温度模拟信号，经信号转换后，将龙门式制坨机温度数字信号输入至模拟控制器中，依次执行模糊化处理、推理处理及解模糊化处理，再次经信号转换后，输出龙门式制坨机温度控制数字信号至龙门式制坨机的温度控制系统中，以执行对应控制功能，完成龙门式制坨机的优化控制。
2.根据权利要求1所述的龙门式制坨机的优化控制方法，其特征在于，所述确定模糊控制器的模糊集、隶属度函数及对应的模糊规则库，其中，所述模糊控制器的模糊集定义为最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集，所述最小区间给定模糊集、中位区间给定模糊集及最大区间给定模糊集分别对应一个隶属度函数。
3.根据权利要求2所述的龙门式制坨机的优化控制方法，其特征在于，所述最小区间给定模糊集的隶属度函数定义为第一隶属度函数，其计算公式为：
其中，为第一隶属度函数，/>为石英坨的当前沉积温度，/>为石英坨的最小沉积温度，/>为最小区间给定模糊集的中位温度，/>为最大区间给定模糊集的中位温度；
所述中位区间给定模糊集的隶属度函数定义为第二隶属度函数，其计算公式为：
其中，为第二隶属度函数，/>为中位区间给定模糊集的中位温度；
所述最大区间给定模糊集的隶属度函数定义为第三隶属度函数，其计算公式为：
其中，为第三隶属度函数，/>为石英坨的最大沉积温度。
4.根据权利要求3所述的龙门式制坨机的优化控制方法，其特征在于，所述模糊规则库根据最小区间给定模糊集及其对应的第一隶属度函数、中位区间给定模糊集及其对应的第二隶属度函数，及最大区间给定模糊集对应的第三隶属度函数进行规则制定，具体控制逻辑为：
获取石英坨的当前沉积温度；
判定石英坨的当前沉积温度是否位于模糊控制器定义的最小区间给定模糊集、中位区间给定模糊集或最大区间给定模糊集；
若石英坨的当前沉积温度位于模糊控制器定义的最小区间给定模糊集，判定石英坨的目标沉积温度是否位于中位区间给定模糊集或最大区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于中位区间给定模糊集或最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的中位区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或最大区间给定模糊集，若位于最小区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若位于最大区间给定模糊集，则调度龙门式制坨机的温度控制系统工作状态为升温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最大区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态；
若石英坨的当前沉积温度位于模糊控制器定义的最大区间给定模糊集，判定石英坨的目标沉积温度是否位于最小区间给定模糊集或中位区间给定模糊集，若是，则调度龙门式制坨机的温度控制系统工作状态为降温状态，并基于传感器网络实时获取石英坨的当前沉积温度，直至石英坨的当前沉积温度位于最小区间给定模糊集后，调度龙门式制坨机的温度控制系统工作状态为恒温状态；若否，则调度龙门式制坨机的温度控制系统工作状态为恒温状态。
5.根据权利要求4所述的龙门式制坨机的优化控制方法，其特征在于，所述模糊规则库还设定有时间管理规则，其根据石英坨在目标沉积温度下的沉积状态，设定有不同的沉积时间区间，用于实时调整石英坨的当前沉积温度。
6.根据权利要求5所述的龙门式制坨机的优化控制方法，其特征在于，所述模糊控制器中的隶属度函数及模糊规则库，采用二进制编码遗传算法进行优化，所述二进制编码遗传算法的适应度函数为：
其中，为适应度函数，/>为模糊控制器的均方误差。
7.根据权利要求6所述的龙门式制坨机的优化控制方法，其特征在于，所述模糊控制器中的推理处理过程，具体采用模糊控制器优化网络模型进行优化，所述模糊控制器优化网络模型具体以最小化输出误差为目标函数，所述模糊控制器优化网络模型的目标函数为：
其中，为模糊控制器优化网络模型的目标函数，/>为模糊控制器优化网络模型的参数，/>为实际输出，/>为模糊控制器优化网络模型的预测输出。
8.根据权利要求7所述的龙门式制坨机的优化控制方法，其特征在于，所述模糊控制器优化网络模型还采用Adam算法，用以对模糊控制器优化网络模型的参数进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562008.2A CN117270403B (zh) | 2023-11-22 | 2023-11-22 | 一种龙门式制坨机的优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562008.2A CN117270403B (zh) | 2023-11-22 | 2023-11-22 | 一种龙门式制坨机的优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117270403A true CN117270403A (zh) | 2023-12-22 |
| CN117270403B CN117270403B (zh) | 2024-01-26 |
Family
ID=89218256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311562008.2A Active CN117270403B (zh) | 2023-11-22 | 2023-11-22 | 一种龙门式制坨机的优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270403B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993016421A1 (de) * | 1992-02-12 | 1993-08-19 | Siemens Aktiengesellschaft | Fuzzy-regler |
| US5397973A (en) * | 1993-09-16 | 1995-03-14 | Allen-Bradley Company, Inc. | Gain control for fuzzy logic controller |
| US5796919A (en) * | 1996-10-07 | 1998-08-18 | Kubica; Eric Gregory | Method of constructing and designing fuzzy controllers |
| US20070017235A1 (en) * | 2003-06-13 | 2007-01-25 | Xiaobing Cai | Energy-saving fuzzy control method and fuzzy control machine in central air conditioner |
| WO2010033135A1 (en) * | 2008-09-22 | 2010-03-25 | Akonni Biosystems | Temperature control device with a flexible temperature control surface |
| CN102129221A (zh) * | 2010-01-15 | 2011-07-20 | 丹纳赫西特传感工业控制（天津）有限公司 | 一种基于模糊控制的塑料挤出装置温度控制专用pid方法 |
| CN105320173A (zh) * | 2015-11-04 | 2016-02-10 | 沈阳化工大学 | 一种基于混沌优化免疫模糊pid的汽提温度控制方法 |
| WO2019205769A1 (zh) * | 2018-04-26 | 2019-10-31 | 广东美的厨房电器制造有限公司 | 低温烹饪装置、温度控制方法、微波炉、终端及存储介质 |
| CN111258213A (zh) * | 2020-03-09 | 2020-06-09 | 深圳市锐同技术有限公司 | 一种基于模糊自整定pid的温度控制的方法 |
| US20200276881A1 (en) * | 2018-06-29 | 2020-09-03 | Boe Technology Group Co., Ltd. | Temperature control method and temperature control device |
| CN113552797A (zh) * | 2021-07-21 | 2021-10-26 | 安徽工业大学 | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 |
| WO2022166919A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 |
| CN115321798A (zh) * | 2022-08-29 | 2022-11-11 | 四川中物技术股份有限公司 | 一种应用于龙门式制坨机的熔石英坨制备方法 |
| CN116441084A (zh) * | 2023-05-06 | 2023-07-18 | 湖南东方电器有限公司 | 一种具有漆料气雾控制结构的喷漆机及喷漆工艺 |
-
2023
- 2023-11-22 CN CN202311562008.2A patent/CN117270403B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993016421A1 (de) * | 1992-02-12 | 1993-08-19 | Siemens Aktiengesellschaft | Fuzzy-regler |
| US5397973A (en) * | 1993-09-16 | 1995-03-14 | Allen-Bradley Company, Inc. | Gain control for fuzzy logic controller |
| US5796919A (en) * | 1996-10-07 | 1998-08-18 | Kubica; Eric Gregory | Method of constructing and designing fuzzy controllers |
| US20070017235A1 (en) * | 2003-06-13 | 2007-01-25 | Xiaobing Cai | Energy-saving fuzzy control method and fuzzy control machine in central air conditioner |
| WO2010033135A1 (en) * | 2008-09-22 | 2010-03-25 | Akonni Biosystems | Temperature control device with a flexible temperature control surface |
| CN102129221A (zh) * | 2010-01-15 | 2011-07-20 | 丹纳赫西特传感工业控制（天津）有限公司 | 一种基于模糊控制的塑料挤出装置温度控制专用pid方法 |
| CN105320173A (zh) * | 2015-11-04 | 2016-02-10 | 沈阳化工大学 | 一种基于混沌优化免疫模糊pid的汽提温度控制方法 |
| WO2019205769A1 (zh) * | 2018-04-26 | 2019-10-31 | 广东美的厨房电器制造有限公司 | 低温烹饪装置、温度控制方法、微波炉、终端及存储介质 |
| US20200276881A1 (en) * | 2018-06-29 | 2020-09-03 | Boe Technology Group Co., Ltd. | Temperature control method and temperature control device |
| CN111258213A (zh) * | 2020-03-09 | 2020-06-09 | 深圳市锐同技术有限公司 | 一种基于模糊自整定pid的温度控制的方法 |
| WO2022166919A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 |
| CN113552797A (zh) * | 2021-07-21 | 2021-10-26 | 安徽工业大学 | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 |
| CN115321798A (zh) * | 2022-08-29 | 2022-11-11 | 四川中物技术股份有限公司 | 一种应用于龙门式制坨机的熔石英坨制备方法 |
| CN116441084A (zh) * | 2023-05-06 | 2023-07-18 | 湖南东方电器有限公司 | 一种具有漆料气雾控制结构的喷漆机及喷漆工艺 |
Non-Patent Citations (2)
| Title |
|---|
| CHARLES L. RAMILLER: "Fuzzy Control of Temperature in a Semiconductor Processing Furnace", IEEE, pages 1774 - 1779 * |
| 任新瑞，等: "基于模糊 PID 负荷跟踪型主蒸汽温度控制系统研究", 电子科技, vol. 34, no. 5, pages 18 - 23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117270403B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2005013019A2 (en) | Soft computing optimizer of intelligent control system structures | |
| CN108021773B (zh) | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 | |
| CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN111488946A (zh) | 基于信息融合的雷达伺服系统故障诊断方法 | |
| CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN108198268B (zh) | 一种生产设备数据标定方法 | |
| CN113219871A (zh) | 一种养护室环境参数检测系统 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN117270403B (zh) | 一种龙门式制坨机的优化控制方法 | |
| CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
| CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
| CN116300401A (zh) | 一种基于遗传算法优化模糊pid的温度控制方法 | |
| CN115587713A (zh) | 一种基于强化学习的海洋牧场灾害决策方法 | |
| CN105117530B (zh) | 一种粗细结合调节实现汽轮机及其调速系统参数辨识方法 | |
| CN108614415A (zh) | 一种植物生长因子的智能控制系统及控制方法 | |
| CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
| Botzheim et al. | Genetic and bacterial programming for B-spline neural networks design | |
| CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
| CN114372181A (zh) | 一种基于多模态数据的设备生产智能规划方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |