专利汇可以提供时间序列预测与智能控制结合的参数在线整定方法与系统专利检索,专利查询,专利分析的服务。并且本 发明 提出了一种基于时间序列预测的小波神经网络在线PID整定方法和采用了该方法的系统,方法具体包括参数初始化,计算控制参数并修正在线整定参数,计算控制量,计算或采集系统输出,计算预测结果,系统具体包括控制决策器、在线整定器、控制执行器、被控对象、在线预测器、控制扰动源和预测扰动源,控制决策器实现参数初始化,在线整定器用于计算控制参数并修正在线整定 算法 参数,控制执行器用于计算控制量,在线预测器用于计算预测结果,控制决策器用于判断算法是否结束。该方法将小波神经网络和经典控制方法结合,解决了控制领域对系统运行前参数配置工作的依赖问题,使得控制系统具有预测、学习、参数在线优化、自适应的效果。,下面是时间序列预测与智能控制结合的参数在线整定方法与系统专利的具体信息内容。
1.时间序列预测与智能控制结合的参数在线整定方法,其特征在于:包括以下5个步骤,即步骤1.0至步骤1.5:
步骤1.0参数初始化:
该步骤为计算过程中涉及到的各变量分别赋予初始值;包括以下12个子步骤,即步骤
1.0.1至步骤1.0.12:
1.0.1设定算法当前执行次数t、执行总次数T:
当算法连续运行有限次的情况时:设当前执行次数初始值t=1;执行和调整总次
数T的取值原则是:要保证系统运行总次数0.8T次后控制结果(1300)能够稳定在控制目标(1000)附近;其中能够稳定的含义是:当执行次数达到0.8T以后,控制结果(1300)ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内,参见公式1:
公式1
执行和调整总次数T的设置方法是:
1.0.1.1设执行总次数T=5000;
1.0.1.2运行系统,及执行T次本方法全部步骤,再根据运行结果进行调整;
1.0.1.3如果运行结果显示算法执行0.8T次以后,控制结果(1300)无法稳定于控制目标(1000),则将T增大10%,并跳转到步骤1.0.1.2;
1.0.1.4如果运行结果显示算法过早就可以将控制结果(1300)收敛于控制目标
(1000),即当执行次数达到0.5T以前,控制结果(1300)ysystem(t)与控制目标(1000)rin(t)之间的误差在±3%以内,则将T减小10%,并跳转到步骤1.0.1.2;
上述步骤的结果是:系统运行总次数0.8T次后控制结果(1300)能够稳定在控制目标(1000)附近,至此T的设置工作完成;
当算法连续运行从不终止的情况时:设当前执行次数初始值t=1;设执行 总次数T=0,当T=0时该算法不断循环,算法不会终止;
1.0.2设定每个时刻的控制目标(1000)值rin(t),rin(t)可以是一常数rin,也可以是以t为自变量的函数;
1.0.3设定启动预测时刻Tpteaict,Tpredict为正整数,根据工程经验,其取值范围参考为:
5%·T≤Tpredict≤10%·T;
1.0.4设定在线预测算法(401)需要的历史数据的个数Kpredict,Kpredict为正整数,其取值由在线预测算法的假设检验统计指标决定,根据工程经验,其取值范围参考为:
10≤Kpreaict≤5%·T;
1.0.5设定预测步长为Lpredict,Lpredict为正整数,根据工程经验,其取值范围参考为:
1≤Lpredict≤10%·T;
1.0.6设定控制结果初始值为零,即ysystem(t)=0;
1.0.7设定控制结果预测值为零,即ypredict(t)=0;
1.0.8设定预测结果初始值为零,即your(t)=0;
1.0.9设定小波神经网络各层神经元数量M、Q、L,取值范围一般是M≤10,M≤Q≤5M,L≤M区间内的正整数区间内的;
其中M表示小波神经网络的输入层神经元数量,即小波神经网络由M个输入层神经元构成;Q表示小波神经网络的隐含层神经元数量,即小波神经网络由Q个隐含层神经元构成;L表示小波神经网络的输出层神经元数量,即小波神经网络由L个输出层神经元构成;
1.0.10设定t=1次计算过程中的输入层、隐含层、输出层各神经元的输入变量
输入层与隐含层
的连接权值矩阵 隐含层输出层各神经元的的连接权值矩阵 隐含层神经元
的活化函数尺度变换参数矩阵aj(t)和bj(t)中的每个元素为0至1开区间内的随机小数; 上述变量右上角标“(1)”表示神经网络的第一层——输入层,隐含层用“(2)”表示,输出层用“(3)”表示,右下角标“i”表示输入层神经元序号, “j”表示隐含层神经元序号,“k”表示输出层神经元序号;
1.0.11设定神经网络的学习速率η和惯性系数α:其中η的取值范围是0.01至0.7闭区间内的小数;α的取值范围是0.01-0.2闭区间内的小数;
1.0.12设定控制量u(t)和误差量error(t)的初始值和时间序列值为零:u(t)=0、u(t-1)=0、u(t-2)=0、error(t)=0、error(t-1)=0、error(t-2)=0;
步骤1.1计算控制参数Kc并修正在线整定算法参数w:
该步骤根据控制目标(1000)rin(t)和预测结果(1400)your(t-1),采用在线整定算法(101),计算得出控制参数(1100)Kc(t),并修正在线整定算法参数w(t+1);在线整定算法(101)采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法,或者采用非基于时间序列预测的或非神经网络方法在线整定控制参数的控制参数在线整定方法;
其中采用时间序列预测与智能控制结合的参数在线整定方法中的在线整定算法步骤如下,
1.1.1计算控制参数Kc:
1.1.1.1计算输入层的输入
输入层神经元的输入 的计算参见公式2:
公式2
其中变量 表示输入层3个神经元的输入;输入层3个神经元的输入
分别为预测结果(1400)yout(t-1)、控制目标(1000)rin(t)、控制误差error(t),error(t)的计算参见公式3:
error(t)=yout(t-1)-rin(t)公式3
1.1.1.2计算输入层的输出
神经网络输入层的输出 的计算参见公式4:
(i=1,2,3)公式4
其中,输入层、隐含层、输出层各神经元的输出分别用变量
表示;
1.1.1.3计算隐含层的输入
神经网络隐含层的输入 的计算参见公式5:
(j=1,2,...,Q)公式5
其中 表示输入层第i个神经元与隐含层第j个神经元之间的加权权值;
1.1.1.4计算隐含层的输出
神经网络隐含层的输出 的计算参见公式6:
(j=1,2,...,Q)公式6
其中ψa,b(t)为小波函数,即隐含层神经元的活化函数;aj(t)、bj(t)为小波函数尺度变换参数,即隐含层神经元的活化函数尺度变换参数;取满足框架条件的小波函数ψa,b(t),见的计算方法参见公式7:
公式7
ψa,b(t)的一介导数的计算方法参见公式8:
公式8
其中sin(x)、cos(x)分别表示x的正弦函数值和余弦函数值;
1.1.1.5计算输出层的输入
神经网络输出层的输入 的计算参见公式9:
(k=1,2,...,L)公式9
其中 表示隐含层第j个神经元与输出层第k个神经元之间的加权权值;
1.1.1.6计算输出层的输出
神经网络输出层的输出 的计算参见公式10:
(k=1,2,...,L)公式10
其中g(x)为输出层神经元的活化函数取非负的Sigmoid函数,g(x)的计算参见公式
11:
公式11
g(x)其一阶导数的计算参见公式12:
公式12
1.1.1.7计算控制参数(1100)Kp(t)、Ki(t)、Kd(t):
控制参数(1100)Kp(t)、Ki(t)、Kd(t)的计算参见公式13:
公式13
其中,Kp(t)、Ki(t)、Kd(t)为输出层神经元的输入分别对应为经典比例微分积分控制方法的控制参数(1100)Kc(t);
1.1.1.8控制参数Kc(t)计算结束;
1.1.2修正在线整定算法参数w(t):
小波神经网络在线PID整定方法中的在线整定算法中的在线整定算法参数w(t)包括以下四个参数:输入层第i个神经元与隐含层第j个神经元之间的加权权值 隐含层第j个神经元与输出层第k个神经元之间的加权权值 小波函数尺度变换参数aj(t)、bj(t);即 aj(t),bj(t)};
步骤1.1.2.1计算误差和性能指标:
误差error(t)的计算参见公式14:
error(t)=yout(t-1)-rin(t)公式14
性能指标E(t)的计算参见公式15:
公式15
步骤1.1.2.2采用梯度下降法对神经网络隐含层和输出层之间的权值系数 进行调
整:
隐含层和输出层之间的权值系数 的修正量 的计算参见公式16:
公式16
公式16中, 的计算公式参见公式17:
公式17
公式17中, 的计算参见公式18:
公式18
公式17中,由于 未知,用近似符号函数 取代, 的计算参
见公式19;
公式19
其中sgn(x)表示x的符号函数值,即如果x>0则sgn(x)=1,如果x=0则sgn(x)
=o如果x<0则sgn(x)=-1;
公式17中, 的计算参见公式20:
公式20
公式17中, 的计算参见公式21:
公式21
公式17中, 的计算参见公式22:
公式22
综上所述, 的计算公式可以表示为公式23:
公式23
综上所述, 的计算公式可以表示为公式24:
公式24
其中, 的计算参见公式25:
公式25
(k=1,2,3)
1.1.2.3采用梯度下降法对神经网络输入层和隐含层之间的权值系数 进行调整: 计算输入层和隐含层之间的权值系数 的修正值 见公式26:
公式26
公式26中, 的计算参见公式27:
公式27
公式27中, 的计算参见公式28:
公式28
公式27中, 的计算参见公式29:
公式29
公式27中, 的计算参见公式30:
公式30
综上所述, 的计算公式可以表示为公式31:
公式31
公式31中的 在公式25中给出;
1.1.2.3计算隐含层神经元的活化函数尺度变换参数aj(t)的修正值Δaj(t):
隐含层神经元的活化函数尺度变换参数aj(t)的修正值Δaj(t)的计算公式可以表示为公式32:
公式32
公式32中, 的计算参见公式33:
公式33
公式33中, 的计算参见公式25:
公式33中, 的计算参见公式28:
公式33中, 的计算参见公式34:
公式34
综上所述, 的计算公式可以表示为公式35:
公式35
1.1.2.4计算隐含层神经元的活化函数尺度变换参数bj(t)的修正值Δbj(t):
隐含层神经元的活化函数尺度变换参数bj(t)的修正值Δbj(t)的计算公式可以表示为公式36:
公式36
公式36中, 的计算参见公式37:
公式37
公式36中, 的计算参见公式25:
公式36中, 的计算参见公式28:
公式36中, 的计算参见公式38:
公式38
综上所述, 的计算公式可以表示为公式39:
公式39
1.1.2.5修正在线整定算法参数w(t)到w(t+1):
当前第t次计算使用到的在线整定算法参数为: aj(t),bj(t)};
修正后的结果为第t+1次计算将使用到的在线整定算法参数w(t++1)=
aj(t+1),bj(t+1)}
隐含层第j个神经元与输出层第k个神经元之间的加权权值 的修正计算参见公
式40:
公式40
输入层第i个神经元与隐含层第j个神经元之间的加权权值 的修正计算参见公
式41:
公式41
隐含层神经元的活化函数尺度变换参数aj(t)的修正计算参见公式42:
aj(t+1)=aj(t)+Δaj(t)公式42
隐含层神经元的活化函数尺度变换参数bj(t)的修正计算参见公式43:
bj(t+1)=bj(t)+Δbj(t)公式43
步骤1.2计算控制量u(t):
该步骤采用控制算法(201),计算得出控制量(1200)u(t);
步骤1.3采集或计算系统输出ysystem(t):
该步骤计算得到控制结果(1300)ysystem(t)或者直接采集得到控制结果 (1300)ysystem(t);
步骤1.4计算预测结果yout(t):
该步骤采用在线预测算法(401),计算得出预测结果(1400)your(t);
步骤1.5判断算法是否结束:
算法尚未结束的情况:如果T=0,或者如果T≠0且t<T,则t=t+1,跳转到步骤
1.1,至此完成了第t次计算;
算法结束的情况:如果T≠0且t≥T,至此完成了全部T次计算。
2.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤
1.2计算控制量,其特征在于:
算法的输入是控制参数(1100)Kc(t)、控制量(1200)u(t)和误差error(t)时间序列值;
算法的输出是控制量(1200)u(t);
控制算法(201)可以采用、位置式PID控制算法、增量式PID控制算法、模糊控制算法、专家控制算法;
采用增量式PID控制算法时,u(t)的计算参见公式44:
u(t)=u(t-1)+Kp(t)·(error(t)-error(t-1))+Ki(t)·error(t)公式44
+Kd(t)·(error(t)-2error(t-1)+error(t-2))。
3.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤
1.3采集或计算系统输出,其特征在于:
当该系统为计算机仿真应用的情况时,被控对象(300)采用确定的控制系统被控对象数学模型,该数学模型的输入是控制量u(t),通过计算机仿真计算得出的结果即为控制结果ysystem(t);上述计算机仿真计算,即通过对被控对象建立连续传递函数模型,进而对该连续传递函数采用z变换进行离散化,得到根据u(t)和ysystem(t)时间序列值计算出ysystem(t)的计算公式;在Matlab中z变 换通过c2d()函数和tfdata()函数实现;具体实现过程请参见本专利说明书中实施例部分;
当该系统为真实控制系统应用的情况时:因此控制结果ysystem(t)不是通过计算机仿真计算得到的,而是通过对真实控制系统输出采样得到的。
4.根据权利要求1所述的时间序列预测与智能控制结合的参数在线整定方法的步骤
1.4计算预测结果,其特征在于:
首先判断当前t时刻是否到达启动预测是可启动预测时刻Tpredict:
如果当前t时刻小于启动预测时刻Tpredict,则不启动预测,控制结果(1300)ysystem(t)直接充当预测结果(1400)yout(t),即yout(t)=ysystem(t);
如果当前t时刻大于等于启动预测时刻Tpredict,则启动预测,采集当前时刻的控制扰动源(500)产生的控制扰动量(1500)roef(t)以及预测扰动源(600)产生的预测扰动量(1600)rorf(t);
在线预测算法(401)的输入分别是:控制参数(1100)的时间序列Kc(t)、Kc(t-1)、Kc(t-2)、...、Kc(t-Kpredict)、控制量(1200)的时间序列u(t)、u(t-1)、u(t-2)、…、u(t-Kpredict)、控制结果(1300)的时间序列ysystem(t)、ysystem(t-1)、ysystem(t-2)、…、ysystem(t-Kpredict)、控制扰动量(1500)的时间序列roef(t)、roef(t-1)、roef(t-2)、…、roef(t-Kpredict)、预测 扰动量(1600)的 时间序 列rorf(t)、rotf(t-1)、rorf(t-2)、 …、rorf(t-Kpredict);
其中,控制扰动源(500)是除控制量(1200)以外的对被控对象产生作用的控制环境中的其他装置;预测扰动源(600)是除控制参数(1100)、控制量(1200)、控制结果(1300)以外的对在线预测器(400)产生影响的控制环境中的其他装置;控制扰动量(1500)是由控制扰动源(500)产生的与控制量(1200)一起作用于被控对象(300),并对其输出产生影响的输入,在理想的情况下,控制扰动量(1500)roef(t)可以为常数0,即忽略不计;其中,预测扰动量(1600)是由预测扰动源(600)产生的与控制参数(1100)、 控制量(1200)、控制结果(1300)一起作用于在线预测器(400),并对在线预测算法(401)的输出产生影响的输入,在理想情况下,即可以忽略控制系统内外环境中其他装置的扰动影响的情况下,控制扰动源(500)和预测扰动源(600)可以忽略,即不存在控制扰动源(500)和预测扰动源(600),此时控制扰动量(1500)roef(t)和预测扰动量(1600)rorf(t)为常数0;
在线预测算法(401)的输出是控制结果预测值(1401)ypredict(t);
当前t时刻大于等于启动预测时刻Tpredict的这种情况下,将控制结果预测值(1401)ypredict(t)作为预测结果(1400)yout(t),即your(t)=ypredict(t);
综上所述,预测结果(1400)yout(t)的取值见公式45:
公式45。
5.根据权利要求4所述的在线预测算法(401),其特征在于:
在线预测算法(401)可以采用经典的向量时间序列预测方法即VARMA方法、神经网络预测方法、线性回归预测方法、非线性回归预测方法、曲线函数拟合方法,也可以采用满足输入是由时间序列控制参数(1100)、时间序列控制量(1200)、时间序列控制结果(1300)、时间序列控制扰动量(1500)、时间序列预测扰动量(1600),输出是控制结果预测值(1401)的预测算法;
采用VARMA算法时,nAR和nMA参数的取值范围为5至10闭区间内的正整数;在Matlab中VARMA预测算法通过vgxset()、vgxvarx()、vgxpred()三个函数实现;具体实现过程请参见本专利说明书中实施例部分5
6.采用了时间序列预测与智能控制结合的参数在线整定方法的系统,其特征在于:由第〇装置——控制决策器(0)、第一装置——在线整定器(100)、第二装置——控制执行器(200)、第三装置——被控对象(300)、第四装置——在线预测器(400)、第五装置——控制扰动源(500)和第六装置——预 测扰动源(600)七组装置组成;
1.1各组装置内部构成以及输入、输出接口情况:
1.1.0第〇装置——控制决策器(0)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或移动终端;
当第〇装置——控制决策器(0)采用计算机(1)时,其输出接口可以是以太网接口,通过网线及网络交换设备与第一装置——在线整定器(100)的输入接口相连接;
1.1.1第一装置——在线整定器(100)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器;
当第一装置——在线整定器(100)采用计算机(100)时,其两个输入接口可以是以太网接口,通过网线及网络交换设备与第〇装置——控制决策器(0)、第四装置——在线预测器(400)的输出接口相连接;其两个输出接口可以是以太网接口,通过网线及网络交换设备与第二装置——控制执行器(200)、第四装置——在线预测器(400)的输入接口相连接;上述以太网接口可以复用同一个以太网接口;
1.1.2第二装置——控制执行器(200)可以是嵌入式设备、或单片机系统、或工控机、或PLC可编程逻辑控制器、或计算机、或服务器、或PID控制器配合变频器、或驱动器; 当第二装置——控制执行器(200)采用PLC可编程逻辑控制器(201)和变频器(202)时,其输入接口可以是PLC可编程逻辑控制器(201)的以太网接口,通过网线及网络交换设备与第一装置——在线整定器(100)的输出接口相连接;其输出接口可以是变频器(202)三项交流输出接口,通过电缆线与第三装置——被控对象(300)的输入接口相连接; 第二装置——控制执行器(200)内部装置的连接关系如下:PLC可编程逻辑控制器(201)与变频器(202)之间,可以通过RS485接口、或以太网接口、或工业总线接口相连接; 第二装置——控制执行器(200)作为转发装置,实现从第六装置——预测扰动源(600)向第四装置——在线预测器(400)的连接过细和工作过程是:PLC可编程逻辑控制器(201)可以通过传感器接口作为输入接口接收来自第六装置——预测扰动源(600)的信息,并通过以太网接口向第四装置——在线预测器(400)进行转发;
1.1.3第三装置——被控对象(300)可以是电机、或温控设备、或压控设备、或电磁场、或生产系统、或经济系统;
当第三装置——被控对象(300)采用电机(301)、负载风扇(302)时和测速编码器(303)时,其中一个输入接口可以是电机(301)的三项交流输入接口,通过电缆线与第二装置——控制执行器(200)的三项交流输出接口相连接;其中另一个输入是负载风扇(302)受到的第五装置——控制扰动源(500)的降温风扇(501)输出的快速流动的空气的扰动;
第三装置——被控对象(300)输出接口可以通过测速编码器(303)的RS232、或以太网、或工业总线接口与第四装置——在线预测器(400)的输入接口相连接;
第三装置——被控对象(300)内部装置的连接关系如下:电机(301)扭矩输出主轴通过传动装置与负载风扇(302)的扭矩输入主轴相连接,电机(301)带动负载风扇(302)转动,从而构成一组输出与输入的关系;同时负载风扇(302)的扭矩输入主轴又固定有测速编码器(303)的码盘,风扇(302)转动带动码盘转动,从而构成一组输出与输入的关系; 电机(301)工作过程中会产生热量,影响电机的工作性能,进而影响预测的结果;因此电机(301)工作过程中会产生热量可以作为第四装置——在线预测器(400)的输入之一;
该散热问题通过降温风扇(501)解决,降温风扇(501)在解决散热问题的同时也对负载风扇(302)产生干扰,因此第五装置——控制扰动源(500)的输出也是负载风扇(302)的输入之一;
1.1.4第四装置——在线预测器(400)可以是嵌入式设备、或单片机系统、或工控机、或PLC、或计算机、或服务器;
当第四装置——在线预测器(400)采用计算机(401)时,其两个输入接口可以是以太网接口,通过网线及网络交换设备与第一装置——在线整定器(100)、第二装置——控制执行器(200)的PLC可编程逻辑控制器(201)的以太网输出接口相连接;其另一个输入接口和被控对象(300)的测速编码器(303)之间通过RS232、或以太网、或工业总线接口相连接;
1.1.5第五装置——控制扰动源(500)可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置;
当第五装置——控制扰动源(500)采用降温风扇(501)时,其风扇转动产生的流动空气对电机(301)进行降温,同时也会对负载风扇(302)产生影响,即作为负载风扇(302)的输入之一;
1.1.6第六装置——预测扰动源(600)可以是影响空气流动的装置、或影响湿度的装置、影响温度的装置、障碍物、产生干扰的装置。
当认为第六装置——预测扰动源(600)之一是电机(301)的发热量时,温度传感器(601)的输入是电机(301)的温度;温度传感器(601)的输出采用三线制接法与第二装置——控制执行器(200)的PLC可编程逻辑控制器(201)的传感器输入接口相连接;
1.2各组装置间连接关系以及信号传递关系:
控制决策器(0)的输出为系统控制目标(1000)rin;该控制目标(1000)与在线整定器(100)的输入相连接,成为在线整定器(100)的输入之一;在线整定器(100)的输入之二是预测结果(1400)yout;在线控制器根据控制目标(1000)和预测结果(1400),通过在线整定算法(101)计算得出控制参数(1100)Kc,该控制参数(1100)既是控制执行器(200)的输入,又是在线预测器(400)的输入之一;控制执行器(200)根据其输入的控制参数(1100)通过控制算法计算出控制量(1200)u,该控制量(1200)既是被控对象(300)的输入之一,又是在线预测器(400)的输入之二;被控对象(300)的输入之二是控制扰动源(500)产生的控制扰动量(1500)roef,被控对象(300) 在控制量(1200)和控制扰动量(1500)这两个输入的共同作用下,产生控制结果(1300)ysystem,该控制结果(1300)是在线预测器(400)的输入之三;
在线预测器(400)的输入之四是由预测扰动源(600)产生的预测扰动量(1600)rorf,在线预测器(400)根据控制参数(1100)、控制量(1200)、控制结果(1300)、预测扰动量(1600)rorf的时间序列历史值,通过在线预测算法(401)计算出控制结果预测值(1401)ypredict和预测结果(1400)yout,该预测结果(1400)作为在线整定器(100)的输入;
1.3系统启动后的工作过程如下:
系统启动后的各装置按照1.3.0过程0至1.3.5过程5这六个过程运行:
1.3.0过程0:
第〇装置——控制决策器(0)实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.0参数初始化;
1.3.1过程1:
第一装置——在线整定器(100)实现“时间序列预测与智能控制结合的参数在线整定方法”的步骤1.1计算控制参数Kc并修正在线整定算法参数w;
1.3.2过程2:
第二装置——控制执行器(200)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.2计算控制量u(t);
1.3.3过程3:
第三装置——被控对象(300)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.3采集或计算系统输出ysystem(t);
1.3.4过程4:
第四装置——在线预测器(400)实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.4计算预测结果yout(t);
1.3.5过程5:
第〇装置——控制决策器(0)根据当前系统的各项参数、状态和输出, 实现“时间序列预测与智能控制结合的参数在线整定方法”步骤1.5判断算法是否结束。
技技术领域
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种梯度磁场发电机 | 2020-05-11 | 727 |
具有磁场梯度传感器的电流换能器 | 2020-05-12 | 627 |
高梯度磁场聚氧装置 | 2020-05-11 | 1003 |
一种磁场梯度参数测量新方法 | 2020-05-13 | 269 |
高梯度强磁场水平复合聚磁辊 | 2020-05-14 | 301 |
一种梯度线圈组件以及产生梯度磁场的方法 | 2020-05-12 | 415 |
一种磁场梯度检测装置 | 2020-05-11 | 75 |
一种磁场梯度检测装置 | 2020-05-11 | 167 |
用于生成高梯度磁场的磁体设备 | 2020-05-13 | 622 |
使用高梯度磁场对粒子进行分类 | 2020-05-13 | 193 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。