-
公开(公告)号：CN112678154A
公开(公告)日：2021-04-20
申请号：CN202110032703.2
申请日：2021-01-11
Applicant: 中南大学
IPC: B64C25/46
Abstract: 本发明公开了一种具有干扰在线估计的飞机防滑刹车系统控制方法，包括以下步骤：步骤1，建立防滑刹车系统模型并进行反馈线性化处理；步骤2，将防滑刹车系统中存在的不确定性干扰引入到反馈线性处理后的防滑刹车系统模型中，然后对防滑刹车系统设计积分滑模面与控制器；所述不确定性干扰包括时变引起与未建模部分的外部扰动和参数变化引起的内部扰动；步骤3，采用自适应RBF神经网络对不确定性干扰进行在线估计，并作为补偿部分引入到防滑刹车系统的控制器中。本发明能够从强鲁棒性的防滑刹车控制律、精确的防滑刹车系统模型和不确定性干扰在线估计与补偿三个方面来提高飞机防滑刹车的效率。
-
公开(公告)号：CN111723857A
公开(公告)日：2020-09-29
申请号：CN202010534144.0
申请日：2020-06-17
Applicant: 中南大学
IPC: G06K9/62 , G06F16/903 , G06F17/16
Abstract: 本发明公开了一种流程生产装备运行状态的智能监测方法及系统，其中方法包括：获取流程生产装备分别两种生产条件的各模态下运行得到的数据，分别作为源域数据和目标数据；利用源域数据和目标数据构建目标函数进行迁移字典学习，得到的字典可以将源域和目标域映射到一个不变子空间中，在该子空间中消除了域间分布差异，从而使子空间的数据的外部条件信息被消除，同时公共的内部机理信息得以保留；利用OMP算法和核密度估计算法即可对在线监测数据进行监测。本发明的监测方法及系统具有强大的泛化能力，面对在线监测数据和历史训练数据服从不同分布时，仍可以取得准确的监测效果。
-
公开(公告)号：CN111722594A
公开(公告)日：2020-09-29
申请号：CN201910203636.9
申请日：2019-03-18
Applicant: 中南大学
IPC: G05B19/418
Abstract: 本发明涉及一种工业过程监测方法、装置、设备和可读存储介质。该方法可以包括：根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。该方法能够更加准确的监测工业过程的运行状态，为工业过程的安全生产提供保障。
-
公开(公告)号：CN111392823A
公开(公告)日：2020-07-10
申请号：CN202010293854.9
申请日：2020-04-15
Applicant: 中南大学
IPC: C02F1/463 , G06F17/10 , C02F101/20
Abstract: 本发明提供一种电絮凝过程的优化控制方法及装置，该方法包括：建立电絮凝过程杂质浓度与电流关系模型，采集工业数据对关系模型进行参数辨识；建立基于杂质去除率最高与处理成本最小两个冲突目标的多目标优化模型；引入自调整参数化方法和换向因子构建基于换向周期的优化模型；采用带评估准则的状态转移算法对电流和换向周期进行优化，获取工业设定值。本发明提供的优化控制方法，能够获得电流与换向周期的优化设定值，可以对电絮凝过程的电流与换向周期提供实时控制指导，对降低电耗，节约成本，稳定电絮凝过程的出口净化水质量具有重要的意义。
-
公开(公告)号：CN110562852A
公开(公告)日：2019-12-13
申请号：CN201910875870.6
申请日：2019-09-17
Applicant: 中南大学
Abstract: 本发明提供了一种天车运行驱动力控制方法、装置、设备及可读存储介质，其中该方法包括：获取天车起升吊具的当前运行速度和天车大车的当前运行速度以及起升电机的当前拖动转矩；根据所述天车起升吊具的当前运行速度，计算天车起升吊具的当前加速度；根据天车起升吊具的当前运行速度与当前加速度以及起升电机的当前拖动转矩，确定天车起升吊具所吊的物体重量；确定天车轨道的当前滚动阻力系数；根据当前滚动阻力系数、物体重量和天车大车的当前运行速度，确定天车大车运行的当前驱动力；将天车大车运行的驱动力调整为当前驱动力。本发明能在天车运行过程中根据阻力和质量变化调整天车的驱动力，使天车在运行过程中更加平稳。
-
Patent Agency Ranking
公开(公告)号：CN119179269A
公开(公告)日：2024-12-24
申请号：CN202411310126.9
申请日：2024-09-19
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明涉及自动控制技术领域，公开了一种前馈双向关联下的前馈反馈同步强化学习控制方法，包括以下步骤：建立控制输出对扰动的逆扰动模型和复合扰动模型，获得前馈双向关联下的系统动力学模型；将设定跟踪问题转化到系统误差框架下，从状态自转移产生的误差中，分解出扰动导致的分量作为中间变量；将系统误差、中间变量增广为新的状态，基于增广状态设计反馈控制器保证有限的稳定性，剩余的稳定性问题转化为仅与前馈控制输出有关的增广系统状态收敛问题；在前馈控制作为动作、增广系统状态作为反馈的环境下，利用DQN强化学习算法获得最优动作下的最优增广状态，从最优增广状态再连接到最优反馈控制器输出，本发明控制效果更好、求解速度更快。
-
公开(公告)号：CN119168517A
公开(公告)日：2024-12-20
申请号：CN202411313221.4
申请日：2024-09-20
Applicant: 中南大学
IPC: G06Q10/083 , G06F18/23213 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06F17/16 , G06F17/18
Abstract: 本申请涉及运输技术领域，提供了一种钾盐产品的运输规划方法及相关设备，该方法包括：获取钾盐产品发运区域的多个货位空间、多个车皮空间、多个车皮，以及钾盐产品发运区域的多个不确定性发运需求；对所有不确定性发运需求进行聚类，并将聚类得到的聚类簇中的不确定性发运需求作为目标发运需求；根据所有货位空间、所有车皮空间、所有车皮、所有目标发运需求构建两阶段目标函数和约束条件；对两阶段目标函数和约束条件进行对等转换，得到对等模型；对对等模型进行分阶段求解，得到钾盐产品发运区域的运输规划方案。本申请的方法能够提高运输规划的可靠性。
-
公开(公告)号：CN115469540B
公开(公告)日：2024-08-16
申请号：CN202210895009.8
申请日：2022-07-28
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于终身字典学习的多模态工业过程监测方法和装置，方法为：收集工业过程第1个模态的数据集，使用第1个模态的数据集学习获得初始字典；收集工业过程第n个模态的数据集，使用第n个模态的数据集和已从之前n‑1个模态数据集学习得到的字典，学习获得对当前所有n个模态的字典，记为终身字典；使用终身字典计算第n个模态每个数据的重构误差，并拟合概率密度函数，再根据预设的置信度计算重构误差的控制限；当在线接收到工业过程任意模态的数据时，使用终身字典计算该数据的重构误差，将得到的重构误差与控制限对比以确定工业过程当前是否故障。本发明可以实现对有新模态不断出现的工业过程的监测。
-
公开(公告)号：CN118197453A
公开(公告)日：2024-06-14
申请号：CN202410617232.5
申请日：2024-05-17
Applicant: 中南大学
Abstract: 本发明提供一种氧化铝溶出过程苛性比值软测量建模方法，先构建考虑实时固相含铝浓度的氧化铝溶出过程铝溶解微观动力学模型，用于反映主反应的反应速率#imgabs0#；再基于溶出工艺流程的质量平衡和能量守恒，以及主反应的反应速率#imgabs1#，获得基于氧化铝溶出过程铝溶解微观动力学模型的氧化铝浓度方程，得氧化铝浓度#imgabs2#；基于副反应的影响，获得溶出过程溶液中苛性钠浓度方程，得苛性氧化钠的浓度#imgabs3#；然后基于氧化铝浓度#imgabs4#和苛性氧化钠的浓度#imgabs5#，建立溶出过程苛性比值软测量模型，最后结合工业实际数据辨识融合和优化求解算法，获得溶出过程苛性比值软测量模型的未知参数；本发明构建的氧化铝溶出过程苛性比值软测量模型的预测精度高，平均相对误差在1%以内。
-
公开(公告)号：CN118071201A
公开(公告)日：2024-05-24
申请号：CN202410210448.X
申请日：2024-02-26
Applicant: 中南大学
IPC: G06Q10/0639 , G06Q10/04 , G06Q50/04 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及化工生产过程控制技术领域，具体公开了一种基于正交自注意力LSTM的多装置级联生产过程出口质量预测方法，包括以下步骤：步骤1，采集过程数据和化验数据，构成数据集；步骤2，分析不同装置过程变量和质量指标之间的时滞关系；步骤3，基于时滞关系为过程变量划分时间窗，将划分后的过程变量矩阵与对应的质量指标打包成为单个模型数据样本，对所有样本进行随机划分；步骤4，采用正交自注意力网络结构提取过程数据本身的时滞变化信息；步骤5，将正交自注意力网络结构融合于级联LSTM神经网络结构中，步骤6，通过级联LSTM神经网络结构进行有监督训练，获得训练模型；步骤7，输入测试样本的过程数据，并获得输出预测值。
-
-
-
-
-
-
-
-
-
Search Results
142
records
(took 0.072 seconds)
