CN118192203A - 储罐温度精确控制与热平衡控制系统及方法 - Google Patents
储罐温度精确控制与热平衡控制系统及方法 Download PDFInfo
- Publication number
- CN118192203A CN118192203A CN202410370099.8A CN202410370099A CN118192203A CN 118192203 A CN118192203 A CN 118192203A CN 202410370099 A CN202410370099 A CN 202410370099A CN 118192203 A CN118192203 A CN 118192203A
- Authority
- CN
- China
- Prior art keywords
- temperature
- gain coefficient
- historical
- tank temperature
- training
- 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.)
- Withdrawn
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请的储罐温度精确控制与热平衡控制系统及方法，涉及储罐温度控制技术领域，通过收集历史数据，使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型，获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数，获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出，获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，重复调整实时储罐温度，直到满足安全储罐温度，实现了储罐温度精确控制的智能化和自适应性。
Description
技术领域
本申请涉及储罐温度控制技术领域，特别涉及储罐温度精确控制与热平衡控制系统及方法。
背景技术
储罐广泛应用于化工、石油、食品加工、制药等工业领域，用于储存和运输各种液体和气体，如原油、化学品、食品原料等。它们通常具有大容量、密封性好、稳定性高的特点，在工业生产中起着至关重要的作用。
在储罐操作过程中，温度控制至关重要。储罐中储存的液体或气体的温度直接影响其质量、稳定性和可用性。过高或过低的温度都可能导致物质的蒸发、凝固、分解或变质，从而影响产品质量和生产效率。因此，保持储罐内部温度在设定范围内是确保生产过程稳定运行和产品质量的关键。
传统的温度控制方法通常依赖于人工干预或简单的反馈控制系统。例如，操作人员可能通过手动调节加热或冷却设备来控制储罐温度，或者使用基于设定温度的简单反馈控制器。然而，这些方法存在以下缺陷：传统的温度控制方法通常需要人工干预，效率低且容易出错；传统方法可能无法实现对储罐温度的精确控制，容易出现温度波动或超出设定范围的情况，影响产品质量和生产效率；传统方法通常缺乏自适应性，无法根据不同工况和环境变化动态调整控制参数，容易受到外界干扰而失效。因此，需要开发一种自动化的储罐温度控制与热平衡控制系统及方法，以提高储罐操作的精确性和效率。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出储罐温度精确控制与热平衡控制系统及方法，提高了储罐温度精确控制的智能化和自适应性。
本申请的一个方面提供了储罐温度精确控制与热平衡控制方法，包括：
步骤S100：收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据是指在采样时长mT内，每隔一个采样周期T对历史数据进行监测并记录所得到的变化数据序列，所述历史数据包括：历史储罐温度、历史储罐气压、储罐外的历史环境温度、历史加热介质的流量和历史冷却介质的流量；
所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据的具体方法为：
步骤S110：在储罐内部和外部安装温度传感器，每隔一个采样周期T监测并记录储罐内的历史储罐温度{a1，a2，...，am}和储罐外的历史环境温度{b1，b2，...，bm}，共记录m个时刻；
步骤S120：在储罐内部署压力传感器，每隔一个采样周期T监测并记录储罐内的历史储罐气压{c1，c2，...，cm}，共记录m个时刻；
步骤S130：采用流量控制阀门，包括加热阀门和冷却阀门，通过控制指令调整阀门的开合度，使用流量传感器监测并记录历史加热介质的流量{f1，f2，...，fm}和历史冷却介质的流量{g1，g2，...，gm}，共记录m个时刻；
步骤S200：将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
所述将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型的具体方法为：
步骤S210：设置预测时间步长、滑动窗口长度和滑动步长，利用滑动窗口方法将历史储罐温度{a1，a2，...，am}、储罐外的历史环境温度{b1，b2，...，bm}、历史储罐气压{c1，c2，...，cm}分成M个储罐温度序列样本、M个环境温度序列样本和M个储罐气压序列样本；
步骤S220：将储罐温度序列样本、环境温度序列样本和储罐气压序列样本整合作为训练温度预测模型的训练样本，将历史时间的储罐温度序列样本、环境温度序列样本和储罐气压序列样本作为输入数据，将预测时间步长内的历史储罐温度作为输出数据；
步骤S230：以准确预测历史储罐温度作为训练温度预测模型的预测目标，以最小化真实的历史储罐温度和预测的历史储罐温度之间的误差作为训练目标，当损失函数达到收敛时停止训练，得到温度预测模型；
所述损失函数的计算公式为：其中，aj表示第j个训练样本中的历史储罐温度，/>表示第j个训练样本预测得到的历史储罐温度，n表示训练样本的数量；
步骤S300：获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
所述PID控制数据包括：目标输出温度、实际输出温度、PID控制器输出和PID控制器输出对应的增益系数，所述增益系数包括：比例增益系数kp、积分增益系数ki和微分增益系数kd；
所述获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数的具体方法为：
步骤S310：收集历史储罐温度、历史目标输出温度、历史实际输出温度，以及历史PID控制器输出和对应的比例增益系数kp、积分增益系数ki和微分增益系数kd；
步骤S320：设定偏差阈值W，计算历史目标输出温度与历史实际输出温度之间差值的绝对值，将所述绝对值与偏差阈值进行比较，将绝对值小于等于偏差阈值的历史目标输出温度及对应的历史储罐温度、历史PID控制器输出和对应的增益系数作为储罐温度训练数据、目标温度训练数据、PID输出训练数据和对应的增益系数训练数据，用作训练数据；
步骤S320：使用训练数据训练得到增益系数预测模型；
所述增益系数预测模型的训练过程为：
步骤S321：选择循环神经网络模型作为训练增益系数预测模型的初始模型；
步骤S322：将每次采样时刻的储罐温度训练数据、目标温度训练数据、上一采样时刻的PID输出训练数据和当前采样时刻对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为一组训练数据；
步骤S323：将储罐温度训练数据、目标温度训练数据和PID输出训练数据作为输入数据，将对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为输出数据；
步骤S324：以准确预测到真实的增益系数训练数据作为预测目标，以最小化真实的增益系数训练数据和预测的增益系数训练数据之间的误差作为训练目标，当损失函数达MSE到收敛时停止训练，得到增益系数预测模型；
所述损失函数的计算公式为：其中，β为训练数据的总数量，kp,α、ki,α、kd,α分别表示第α个训练样本中真实的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据，/> 分别表示由第α个训练样本预测得到的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据；
步骤S400：获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
所述获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出的具体方法为：
步骤S410：获取采样时刻t的实时数据，所述实时数据包括：当前实际的储罐温度at、储罐气压ct和储罐外的环境温度bt；
步骤S420：利用已经训练好的温度预测模型，将实时数据作为输入数据，得到未来时间的预测储罐温度；
步骤S430：设定安全温度区间[Emin，Emax]，若未来时间的预测储罐温度不在安全温度区间内，则触发自适应PID控制算法对储罐温度进行调整；
步骤S440：将安全温度区间的中值作为目标输出温度r(t)，计算当前实际的储罐温度与目标输出温度之间的温度偏差e(t)；
所述安全温度区间的中值为
步骤S450：将当前实际的储罐温度、目标输出温度、采样时刻t-1的PID控制器输出作为输入数据，利用增益系数预测模型预测得到适用于采样时刻t的PID控制器进行控制的比例增益系数kp,t、积分增益系数ki,t和微分增益系数kd,t；
步骤S460：将温度偏差e(t)、比例增益系数kp,t、积分增益系数ki,t和微分增益系数kd,t利用PID控制器进行计算，得到当前的PID控制器输出u(t)；
所述当前的PID控制器输出u(t)的计算公式为：
步骤S500：获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度；
所述获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度的具体方法为：
步骤S510：利用温度传感器分别获取当前加热介质的温度和冷却介质的温度，利用流量传感器获取当前加热介质的流量和冷却介质的流量；
步骤S520：根据加热介质和冷却介质的温度、加热介质和冷却介质的流量、PID控制器输出、目标输出温度和当前实际的储罐温度计算得到阀门的开合度；
所述阀门的开合度H的计算公式为：其中，δ1为介质温度因素的权重系数，δ2为介质流量因素的权重系数，δ3为储罐温度因素的权重系数，Sheat表示加热介质的温度，Scool表示冷却介质的温度，ft表示当前t采样时刻的加热介质的流量，gt表示当前t采样时刻的冷却介质的流量；
所述介质温度因素的权重系数δ1、介质流量因素的权重系数δ2、储罐温度因素的权重系数δ3在实际应用中通过实验和模拟确定权重系数的具体值；
步骤S530：比较当前实际的储罐温度与目标输出温度，当实际的储罐温度大于目标输出温度时，向流量控制阀门发送控制指令打开加热阀门，当实际的储罐温度小于目标输出温度时，向流量控制阀门发送控制指令打开冷却阀门；
步骤S540：将阀门的开合度调整到计算所得的大小，利用温度传感器再一次获取实时储罐温度，将实时储罐温度与目标输出温度进行比较；
步骤S550：将实时储罐温度与目标输出温度进行差值计算得到第一偏差值ERR；
步骤S560：若第一偏差值的绝对值|ERR|小于等于安全温度区间的中值则判定实时储罐温度为安全储罐温度；
步骤S570：若第一偏差值的绝对值|ERR|大于安全温度区间的中值则判定实时储罐温度不满足安全储罐温度，将实时储罐温度、目标输出温度、当前的PID控制器输出作为输入数据，利用增益系数预测模型对增益系数进行预测并更新到自适应PID控制算法中，采用自适应PID控制算法再次得到更新的PID控制器输出，重复步骤S510～步骤S570，直到实时储罐温度为安全储罐温度。
本申请的一个方面提供了储罐温度精确控制与热平衡控制系统，包括：
储罐历史数据收集模块，用于收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
温度预测模型训练模块，用于将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
增益系数模型训练模块，用于获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
自适应PID控制模块，用于获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
阀门自动化控制模块，用于获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。
本申请的一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现储罐温度精确控制与热平衡控制方法中的步骤。
本申请的一个方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行储罐温度精确控制与热平衡控制方法中的步骤。
本申请提出的储罐温度精确控制与热平衡控制方法相对于现有技术，具备以下优点：
本申请通过在储罐内外部署多种传感器，包括温度、压力和流量传感器，全面监测储罐内外环境的参数，并将这些数据综合应用于控制算法中，提高了监测数据的全面性和准确性；
本申请引入了长短期记忆网络LSTM对储罐温度进行预测，并通过循环神经网络模型预测PID控制器的增益系数，实现了对控制参数的动态优化，与传统的基于经验公式或手动调整参数的方法相比，本申请利用深度学习模型实现了对储罐温度和PID控制器参数的自适应预测与调整，提高了控制系统的鲁棒性和性能；
本申请设计了基于增益系数预测模型的自适应PID控制算法，实现了PID控制器参数的在线调整，使系统能够更好地适应不同工况和储罐状态，与传统的固定PID参数的控制算法相比，本发明实现了对控制器参数的实时调整，提高了控制系统的响应速度和稳定性；
本申请引入了加热介质和冷却介质的温度和流量作为计算阀门开合度的因素，综合考虑了多个影响因素，实现了储罐温度的平衡控制，有效提高储罐温度精确控制与热平衡控制系统的智能化、自适应性和性能。
附图说明
图1为本申请提供的储罐温度精确控制与热平衡控制方法的方法流程图；
图2为本申请提供的储罐温度精确控制与热平衡控制系统的功能模块图；
图3为本申请提供的一种电子设备的结构示意图；
图4是本申请提供的一种可读存储介质结构示意图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面作出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是，诸如“包括”“包括有”“具有”“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
实施例1
如图1所示，为本申请提供的储罐温度精确控制与热平衡控制方法，包括：
步骤S100：收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据是指在采样时长mT内，每隔一个采样周期T对历史数据进行监测并记录所得到的变化数据序列，所述历史数据包括：历史储罐温度、历史储罐气压、储罐外的历史环境温度、历史加热介质的流量和历史冷却介质的流量；
所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据的具体方法为：
步骤S110：在储罐内部和外部安装温度传感器，每隔一个采样周期T监测并记录储罐内的历史储罐温度{a1，a2，...，am}和储罐外的历史环境温度{b1，b2，...，bm}，共记录m个时刻；
步骤S120：在储罐内部署压力传感器，每隔一个采样周期T监测并记录储罐内的历史储罐气压{c1，c2，...，cm}，共记录m个时刻；
步骤S130：采用流量控制阀门，包括加热阀门和冷却阀门，通过控制指令调整阀门的开合度，使用流量传感器监测并记录历史加热介质的流量{f1，f2，...，fm}和历史冷却介质的流量{g1，g2，...，gm}，共记录m个时刻；
本步骤通过在储罐内外部署多种传感器，实现了对储罐内外环境的全面监测和数据采集，提供了多维度的历史数据，为后续模型训练、控制算法设计和系统优化提供了基础数据支持；
步骤S200：将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
所述温度预测模型是用于预测储罐内部温度的变化趋势的长短期记忆网络模型；
所述将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型的具体方法为：
步骤S210：设置预测时间步长、滑动窗口长度和滑动步长，利用滑动窗口方法将历史储罐温度{a1，a2，...，am}、储罐外的历史环境温度{b1，b2，...，bm}、历史储罐气压{c1，c2，...，cm}分成M个储罐温度序列样本、M个环境温度序列样本和M个储罐气压序列样本；
示例性的，将历史数据使用滑动窗口方法得到训练样本，设置预测时间步长为2、滑动窗口长度3和滑动步长1，得到第一个训练样本为{(a1,a2,a3),(b1,b2,b3),(c1,c2,c3)}，第二个训练样本为{(a2,a3,a4),(b2,b3,b4),(c2,c3,c4)}，由第一个训练样本预测得到预测时间步长内的历史储罐温度(a4,a5)，由第二个训练样本预测得到预测时间步长内的历史储罐温度(a5,a6)；
步骤S220：将储罐温度序列样本、环境温度序列样本和储罐气压序列样本整合作为训练温度预测模型的训练样本，将历史时间的储罐温度序列样本、环境温度序列样本和储罐气压序列样本作为输入数据，将预测时间步长内的历史储罐温度作为输出数据；
步骤S230：以准确预测历史储罐温度作为训练温度预测模型的预测目标，以最小化真实的历史储罐温度和预测的历史储罐温度之间的误差作为训练目标，当损失函数达到收敛时停止训练，得到温度预测模型；
所述损失函数的计算公式为：其中，aj表示第j个训练样本中的历史储罐温度，/>表示第j个训练样本预测得到的历史储罐温度，n表示训练样本的数量；
本步骤采用了长短期记忆网络进行储罐温度的预测，能够捕捉时间序列数据中的长期依赖关系，提供了对储罐温度变化趋势的准确预测，为后续的自适应控制算法提供了重要参考；
步骤S300：获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
所述PID控制数据包括：目标输出温度、实际输出温度、PID控制器输出和PID控制器输出对应的增益系数，所述增益系数包括：比例增益系数kp、积分增益系数ki和微分增益系数kd；
所述PID控制器输出包括比例部分P、积分部分I、微分部分D，PID控制器输出为所述三个部分的总和，所述比例部分P、积分部分I、微分部分D对应的增益系数为：比例增益系数kp、积分增益系数ki和微分增益系数kd；
所述获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数的具体方法为：
步骤S310：收集历史储罐温度、历史目标输出温度、历史实际输出温度，以及历史PID控制器输出和对应的比例增益系数kp、积分增益系数ki和微分增益系数kd；
步骤S320：设定偏差阈值W，计算历史目标输出温度与历史实际输出温度之间差值的绝对值，将所述绝对值与偏差阈值进行比较，将绝对值小于等于偏差阈值的历史目标输出温度及对应的历史储罐温度、历史PID控制器输出和对应的增益系数作为储罐温度训练数据、目标温度训练数据、PID输出训练数据和对应的增益系数训练数据，用作训练数据；
所述偏差阈值W根据实际实验和生产的经验进行设定；
步骤S320：使用训练数据训练得到增益系数预测模型；
所述增益系数预测模型的训练过程为：
步骤S321：选择循环神经网络模型作为训练增益系数预测模型的初始模型；
步骤S322：将每次采样时刻的储罐温度训练数据、目标温度训练数据、上一采样时刻的PID输出训练数据和当前采样时刻对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为一组训练数据；
步骤S323：将储罐温度训练数据、目标温度训练数据和PID输出训练数据作为输入数据，将对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为输出数据；
步骤S324：以准确预测到真实的增益系数训练数据作为预测目标，以最小化真实的增益系数训练数据和预测的增益系数训练数据之间的误差作为训练目标，当损失函数达MSE到收敛时停止训练，得到增益系数预测模型；
所述损失函数的计算公式为：其中，β为训练数据的总数量，kp,α、ki,α、kd,α分别表示第α个训练样本中真实的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据，/> 分别表示由第α个训练样本预测得到的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据；
本步骤采用循环神经网络模型，预测PID控制器的增益系数，使控制器能够根据实时数据动态调整参数，增强了PID控制器的自适应性和鲁棒性，提高了控制系统的稳定性和性能；
步骤S400：获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
所述获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出的具体方法为：
步骤S410：获取采样时刻t的实时数据，所述实时数据包括：当前实际的储罐温度at、储罐气压ct和储罐外的环境温度bt；
步骤S420：利用已经训练好的温度预测模型，将实时数据作为输入数据，得到未来时间的预测储罐温度；
步骤S430：设定安全温度区间[Emin，Emax]，若未来时间的预测储罐温度不在安全温度区间内，则触发自适应PID控制算法对储罐温度进行调整；
所述安全温度区间是指储罐温度为安全温度的温度区间范围，所述安全温度区间由实际生产的需要进行设定；
步骤S440：将安全温度区间的中值作为目标输出温度r(t)，计算当前实际的储罐温度与目标输出温度之间的温度偏差e(t)；
所述安全温度区间的中值为
步骤S450：将当前实际的储罐温度、目标输出温度、采样时刻t-1的PID控制器输出作为输入数据，利用增益系数预测模型预测得到适用于采样时刻t的PID控制器进行控制的比例增益系数kp,t、积分增益系数ki,t和微分增益系数kd,t；
步骤S460：将温度偏差e(t)、比例增益系数kp,t、积分增益系数ki,t和微分增益系数kd,t利用PID控制器进行计算，得到当前的PID控制器输出u(t)；
所述当前的PID控制器输出u(t)的计算公式为：
本步骤引入了增益系数预测模型，实现了PID控制器参数的在线调整，能够更好地适应不同工况和储罐状态，提高了控制系统的响应速度和稳定性，减小了温度偏差，优化了系统的控制效果；
步骤S500：获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度；
所述获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度的具体方法为：
步骤S510：利用温度传感器分别获取当前加热介质的温度和冷却介质的温度，利用流量传感器获取当前加热介质的流量和冷却介质的流量；
步骤S520：根据加热介质和冷却介质的温度、加热介质和冷却介质的流量、PID控制器输出、目标输出温度和当前实际的储罐温度计算得到阀门的开合度；
所述阀门的开合度H的计算公式为：其中，δ1为介质温度因素的权重系数，δ2为介质流量因素的权重系数，δ3为储罐温度因素的权重系数，Sheat表示加热介质的温度，Scool表示冷却介质的温度，ft表示当前t采样时刻的加热介质的流量，gt表示当前t采样时刻的冷却介质的流量；
所述介质温度因素的权重系数δ1、介质流量因素的权重系数δ2、储罐温度因素的权重系数δ3在实际应用中通过实验和模拟确定权重系数的具体值；
步骤S530：比较当前实际的储罐温度与目标输出温度，当实际的储罐温度大于目标输出温度时，向流量控制阀门发送控制指令打开加热阀门，当实际的储罐温度小于目标输出温度时，向流量控制阀门发送控制指令打开冷却阀门；
步骤S540：将阀门的开合度调整到计算所得的大小，利用温度传感器再一次获取实时储罐温度，将实时储罐温度与目标输出温度进行比较；
步骤S550：将实时储罐温度与目标输出温度进行差值计算得到第一偏差值ERR；
步骤S560：若第一偏差值的绝对值|ERR|小于等于安全温度区间的中值则判定实时储罐温度为安全储罐温度；
步骤S570：若第一偏差值的绝对值|ERR|大于安全温度区间的中值则判定实时储罐温度不满足安全储罐温度，将实时储罐温度、目标输出温度、当前的PID控制器输出作为输入数据，利用增益系数预测模型对增益系数进行预测并更新到自适应PID控制算法中，采用自适应PID控制算法再次得到更新的PID控制器输出，重复步骤S510～步骤S570，直到实时储罐温度为安全储罐温度；
本步骤引入了加热介质和冷却介质的温度和流量作为计算阀门开合度的因素，实现了储罐温度的平衡控制，确保了系统在设定温度范围内的稳定运行。
实施例2
如图2所示，为本申请提供的储罐温度精确控制与热平衡控制系统，包括：
储罐历史数据收集模块，用于收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
温度预测模型训练模块，用于将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
增益系数模型训练模块，用于获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
自适应PID控制模块，用于获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
阀门自动化控制模块，用于获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备。该电子设备可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的储罐温度精确控制与热平衡控制方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备可包括总线、一个或多个CPU、只读存储器(ROM)、随机存取存储器(RAM)、连接到网络的通信端口、输入/输出组件、硬盘等。电子设备中的存储设备，例如ROM或硬盘可存储本申请提供的储罐温度精确控制与热平衡控制方法。储罐温度精确控制与热平衡控制方法可例如包括：收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。进一步地，电子设备还可包括用户界面。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的可读存储介质。计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的储罐温度精确控制与热平衡控制方法。存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其他方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (12)
1.储罐温度精确控制与热平衡控制方法，其特征在于，包括：
收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。
2.如权利要求1所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据是指在采样时长mT内，每隔一个采样周期T对历史数据进行监测并记录所得到的变化数据序列，所述历史数据包括：历史储罐温度、历史储罐气压、储罐外的历史环境温度、历史加热介质的流量和历史冷却介质的流量。
3.如权利要求2所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据的具体方法为：
在储罐内部和外部安装温度传感器，每隔一个采样周期T监测并记录储罐内的历史储罐温度{a1，a2，...，am}和储罐外的历史环境温度{b1，b2，...，bm}，共记录m个时刻；
在储罐内部署压力传感器，每隔一个采样周期T监测并记录储罐内的历史储罐气压{c1，c2，...，cm}，共记录m个时刻；
采用流量控制阀门，包括加热阀门和冷却阀门，通过控制指令调整阀门的开合度，使用流量传感器监测并记录历史加热介质的流量{f1，f2，...，fm}和历史冷却介质的流量{g1，g2，...，gm}，共记录m个时刻。
4.如权利要求3所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型的具体方法为：
设置预测时间步长、滑动窗口长度和滑动步长，利用滑动窗口方法将历史储罐温度{a1，a2，...，am}、储罐外的历史环境温度{b1，b2，...，bm}、历史储罐气压{c1，c2，...，cm}分成M个储罐温度序列样本、M个环境温度序列样本和M个储罐气压序列样本；
将储罐温度序列样本、环境温度序列样本和储罐气压序列样本整合作为训练温度预测模型的训练样本，将历史时间的储罐温度序列样本、环境温度序列样本和储罐气压序列样本作为输入数据，将预测时间步长内的历史储罐温度作为输出数据；
以准确预测历史储罐温度作为训练温度预测模型的预测目标，以最小化真实的历史储罐温度和预测的历史储罐温度之间的误差作为训练目标，当损失函数达到收敛时停止训练，得到温度预测模型；
所述损失函数的计算公式为：其中，aj表示第j个训练样本中的历史储罐温度，/>表示第j个训练样本预测得到的历史储罐温度，n表示训练样本的数量。
5.如权利要求4所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述PID控制数据包括：目标输出温度、实际输出温度、PID控制器输出和PID控制器输出对应的增益系数，所述增益系数包括：比例增益系数kp、积分增益系数ki和微分增益系数kd。
6.如权利要求5所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数的具体方法为：
收集历史储罐温度、历史目标输出温度、历史实际输出温度，以及历史PID控制器输出和对应的比例增益系数kp、积分增益系数ki和微分增益系数kd；
设定偏差阈值W，计算历史目标输出温度与历史实际输出温度之间差值的绝对值，将所述绝对值与偏差阈值进行比较，将绝对值小于等于偏差阈值的历史目标输出温度及对应的历史储罐温度、历史PID控制器输出和对应的增益系数作为储罐温度训练数据、目标温度训练数据、PID输出训练数据和对应的增益系数训练数据，用作训练数据；
使用训练数据训练得到增益系数预测模型。
7.如权利要求6所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述增益系数预测模型的训练过程为：
选择循环神经网络模型作为训练增益系数预测模型的初始模型；
将每次采样时刻的储罐温度训练数据、目标温度训练数据、上一采样时刻的PID输出训练数据和当前采样时刻对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为一组训练数据；
将储罐温度训练数据、目标温度训练数据和PID输出训练数据作为输入数据，将对应的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据作为输出数据；
以准确预测到真实的增益系数训练数据作为预测目标，以最小化真实的增益系数训练数据和预测的增益系数训练数据之间的误差作为训练目标，当损失函数达MSE到收敛时停止训练，得到增益系数预测模型；
所述损失函数的计算公式为：其中，β为训练数据的总数量，kp，α、ki，α、kd，α分别表示第α个训练样本中真实的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据，/> 分别表示由第α个训练样本预测得到的比例增益系数训练数据、积分增益系数训练数据和微分增益系数训练数据。
8.如权利要求7所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出的具体方法为：
获取采样时刻t的实时数据，所述实时数据包括：当前实际的储罐温度at、储罐气压ct和储罐外的环境温度bt；
利用已经训练好的温度预测模型，将实时数据作为输入数据，得到未来时间的预测储罐温度；
设定安全温度区间[Emin，Emax]，若未来时间的预测储罐温度不在安全温度区间内，则触发自适应PID控制算法对储罐温度进行调整；
将安全温度区间的中值作为目标输出温度r(t)，计算当前实际的储罐温度与目标输出温度之间的温度偏差e(t)；
所述安全温度区间的中值为将当前实际的储罐温度、目标输出温度、采样时刻t-1的PID控制器输出作为输入数据，利用增益系数预测模型预测得到适用于采样时刻t的PID控制器进行控制的比例增益系数kp，t、积分增益系数ki，t和微分增益系数kd，t；
将温度偏差e(t)、比例增益系数kp，t、积分增益系数ki，t和微分增益系数kd，t利用PID控制器进行计算，得到当前的PID控制器输出u(t)；
所述当前的PID控制器输出u(t)的计算公式为：
9.如权利要求8所述的储罐温度精确控制与热平衡控制方法，其特征在于，所述获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度的具体方法为：
步骤S510：利用温度传感器分别获取当前加热介质的温度和冷却介质的温度，利用流量传感器获取当前加热介质的流量和冷却介质的流量；
步骤S520：根据加热介质和冷却介质的温度、加热介质和冷却介质的流量、PID控制器输出、目标输出温度和当前实际的储罐温度计算得到阀门的开合度；
所述阀门的开合度H的计算公式为：其中，δ1为介质温度因素的权重系数，δ2为介质流量因素的权重系数，δ3为储罐温度因素的权重系数，Sheat表示加热介质的温度，Scool表示冷却介质的温度，ft表示当前t采样时刻的加热介质的流量，gt表示当前t采样时刻的冷却介质的流量；
步骤S530：比较当前实际的储罐温度与目标输出温度，当实际的储罐温度大于目标输出温度时，向流量控制阀门发送控制指令打开加热阀门，当实际的储罐温度小于目标输出温度时，向流量控制阀门发送控制指令打开冷却阀门；
步骤S540：将阀门的开合度调整到计算所得的大小，利用温度传感器再一次获取实时储罐温度，将实时储罐温度与目标输出温度进行比较；
步骤S550：将实时储罐温度与目标输出温度进行差值计算得到第一偏差值ERR；
步骤S560：若第一偏差值的绝对值|ERR|小于等于安全温度区间的中值则判定实时储罐温度为安全储罐温度；
步骤S570：若第一偏差值的绝对值|ERR|大于安全温度区间的中值则判定实时储罐温度不满足安全储罐温度，将实时储罐温度、目标输出温度、当前的PID控制器输出作为输入数据，利用增益系数预测模型对增益系数进行预测并更新到自适应PID控制算法中，采用自适应PID控制算法再次得到更新的PID控制器输出，重复步骤S510～步骤S570，直到实时储罐温度为安全储罐温度。
10.储罐温度精确控制与热平衡控制系统，其特征在于，包括：
储罐历史数据收集模块，用于收集采样时长为mT的历史时间内的用于训练温度预测模型的历史数据；
温度预测模型训练模块，用于将历史数据使用滑动窗口方法得到训练样本，利用训练样本训练得到温度预测模型；
增益系数模型训练模块，用于获取历史时间的PID控制数据，训练增益系数预测模型用于调整PID控制器的增益系数；
自适应PID控制模块，用于获取采样时刻t的实时数据，预测得到预测储罐温度，设计自适应PID控制算法，利用增益系数预测模型得到预测的增益系数，得到当前的PID控制器输出；
阀门自动化控制模块，用于获取当前加热介质和冷却介质的温度，获取当前加热介质和冷却介质的流量，计算阀门的开合度，判断调整后的实时储罐温度是否满足安全储罐温度，若不满足，则重新预测增益系数并更新PID控制器，重复调整实时储罐温度，直到满足安全储罐温度。
11.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-9任一项所述的储罐温度精确控制与热平衡控制方法中的步骤。
12.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1-9任一项所述的储罐温度精确控制与热平衡控制方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370099.8A CN118192203A (zh) | 2024-03-28 | 2024-03-28 | 储罐温度精确控制与热平衡控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370099.8A CN118192203A (zh) | 2024-03-28 | 2024-03-28 | 储罐温度精确控制与热平衡控制系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118192203A true CN118192203A (zh) | 2024-06-14 |
Family
ID=91408487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410370099.8A Withdrawn CN118192203A (zh) | 2024-03-28 | 2024-03-28 | 储罐温度精确控制与热平衡控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118192203A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118758444A (zh) * | 2024-09-06 | 2024-10-11 | 赛世拓磁电科技(辽宁)有限责任公司 | 一种用于热水器能效测试的温度测量装置 |
| CN119200415A (zh) * | 2024-11-27 | 2024-12-27 | 佛山市中锐达精工科技有限公司 | 一种车辆碳罐控制阀开度的数字控制方法及系统 |
| CN119356437A (zh) * | 2024-12-26 | 2025-01-24 | 江苏艾龙科技有限公司 | 基于动态隔热阻断原理的智能靶向低温调控系统及方法 |
| CN119468505A (zh) * | 2025-01-13 | 2025-02-18 | 克拉玛依市独山子区晟通热力有限责任公司 | 热水锅炉自动化控制系统及方法 |
| CN120254727A (zh) * | 2025-03-31 | 2025-07-04 | 合肥工业大学 | 一种全天候移动式磁共振永磁体温控装置及方法 |
-
2024
- 2024-03-28 CN CN202410370099.8A patent/CN118192203A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118758444A (zh) * | 2024-09-06 | 2024-10-11 | 赛世拓磁电科技(辽宁)有限责任公司 | 一种用于热水器能效测试的温度测量装置 |
| CN118758444B (zh) * | 2024-09-06 | 2024-12-13 | 赛世拓磁电科技(辽宁)有限责任公司 | 一种用于热水器能效测试的温度测量装置 |
| CN119200415A (zh) * | 2024-11-27 | 2024-12-27 | 佛山市中锐达精工科技有限公司 | 一种车辆碳罐控制阀开度的数字控制方法及系统 |
| CN119356437A (zh) * | 2024-12-26 | 2025-01-24 | 江苏艾龙科技有限公司 | 基于动态隔热阻断原理的智能靶向低温调控系统及方法 |
| CN119468505A (zh) * | 2025-01-13 | 2025-02-18 | 克拉玛依市独山子区晟通热力有限责任公司 | 热水锅炉自动化控制系统及方法 |
| CN120254727A (zh) * | 2025-03-31 | 2025-07-04 | 合肥工业大学 | 一种全天候移动式磁共振永磁体温控装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118192203A (zh) | 储罐温度精确控制与热平衡控制系统及方法 | |
| Deng et al. | Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning | |
| CN116088307B (zh) | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 | |
| KR20230037651A (ko) | 신경망들을 이용한 집계 통계들로부터의 변칙 검출 | |
| CN106156434B (zh) | 基于局部时滞重构的滑动窗时间差-高斯过程回归建模方法 | |
| CN120523046B (zh) | 低温蒸发结晶机参数调节方法、装置、设备及存储介质 | |
| CN120178997B (zh) | 基于误差自学习的智能孵化仓抗干扰控制方法及系统 | |
| CN118640562B (zh) | 基于神经网络与mpc算法的洁净空调控制方法 | |
| CN120043227B (zh) | 一种高效制冷机房空调节能智能控制系统及方法 | |
| CN119103878A (zh) | 基于隧道式烧结炉的电子封装壳体烧结控制方法及系统 | |
| CN117434989A (zh) | 一种电气柜内环境调控系统及调控方法 | |
| CN120096051A (zh) | 一种应用于注塑机的温度实时控制方法 | |
| CN110109344A (zh) | 一种滚筒式烘丝机烘丝中间过程控制方法 | |
| Wang et al. | Deep learning based self-adaptive modeling of multimode continuous manufacturing processes and its application to rotary drying process | |
| CN120067590B (zh) | 一种应用于大棚种植的棚内环境远程监测方法 | |
| CN120257233A (zh) | 户阀控制方法、装置和电子设备 | |
| CN118034052B (zh) | 基于数字孪生的洁净环境智慧后勤管理系统 | |
| Bian et al. | Robust and reliable estimation via recursive nonlinear dynamic data reconciliation based on cubature Kalman filter | |
| CN119847232A (zh) | 隧道烘箱的控制方法、装置、终端设备和程序产品 | |
| CN119289478A (zh) | 一种建筑暖通空调系统自适应模型预测控制方法及系统 | |
| Liu et al. | Online actor‐critic learning control with self‐triggered mechanism for nonlinear regulation problems | |
| CN118444716A (zh) | 储罐压力双环反馈自适应调节系统及方法 | |
| CN113671916A (zh) | 一种考虑输入约束的流程工业过程优化控制方法及装置 | |
| EP4483245B1 (en) | System and method for controlling an operation of a vapor compression cycle | |
| CN115062813A (zh) | 畜禽舍内热湿热湿环境预测方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240614 |