-
公开(公告)号：CN117907620A
公开(公告)日：2024-04-19
申请号：CN202211273966.3
申请日：2022-10-18
Applicant: 清华大学
IPC: G01N35/10
Abstract: 本申请公开了一种用于微流控芯片气动进样的多通路精密压力控制系统，涉及微流控和自动控制领域，包括：微流控气路盒以及设置在微流控气路盒内的多个相互独立的管路，且每个管路上均设置有调压模块；控制模块，控制模块与每个调压模块连接；显示模块，显示模块与控制模块无线连接。控制模块根据控制指令，负反馈调节对应管路内流体的压力；其中，显示模块独立设置于微流控气路盒外。本申请公开的一种用于微流控芯片气动进样的多通路精密压力控制系统可实现远程式、多通路、稳定的气压控制，满足多数微流控芯片的气动进样需求。
-
公开(公告)号：CN103116324B
公开(公告)日：2014-06-04
申请号：CN201210543787.7
申请日：2012-12-17
Applicant: 清华大学
IPC: G05B19/418
Abstract: 基于指标预测和在线学习的微电子生产线调度方法，属于先进制造、自动化和信息领域，其特征在于，采用基于预测机制的迭代式分解算法，将待求解的微电子生产线调度问题迭代分解为各阶段的调度子问题和用于全局指标预测的剩余调度子问题，采用基于资源冲突程度特征值的自适应差分进化方法对当前阶段多目标调度子问题进行求解，采用多模糊规则对当前阶段剩余调度子问题进行求解获得该调度子问题对应的全局指标。利用之前若干阶段调度子问题求解过程中所获得的相关数据，采用多模糊规则在线学习框架对多模糊规则进行在线学习。将本发明应用于以最小化平均流经时间和最大化瓶颈机器利用率为调度目标的微电子生产线可产生较好的调度效果。
-
公开(公告)号：CN106773682B
公开(公告)日：2019-11-22
申请号：CN201611104398.9
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
Abstract: 本发明涉及一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，属于自动控制、信息技术和先进制造领域，其特征在于，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。
-
公开(公告)号：CN106527141B
公开(公告)日：2019-09-20
申请号：CN201611104943.4
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
IPC: G05B13/04
Abstract: 本发明涉及一种基于变论域模糊规则迭代学习的玻璃窑炉空燃比调整方法，属于先进制造、自动化和信息领域，其特征在于，首先建立数据驱动的烟气含氧量指标预报模型，输入变量为空燃比，输出变量为烟气含氧量。同时，在分析玻璃窑炉燃烧过程化学反应机理的基础上，将燃料热值作为输入，建立用于计算空燃比理论值的机理模型，该机理模型所获得的空燃比理论值被用于限定上述数据驱动的烟气含氧量指标预报模型的输入值。在烟气含氧量指标预报的基础上，提出一种基于变论域模糊规则迭代学习的空燃比调整方法，且提出一种约束满足和声搜索算法对变论域模糊规则进行迭代学习。将本发明应用于玻璃生产过程可有效改善窑炉燃烧状况。
-
公开(公告)号：CN106600001A
公开(公告)日：2017-04-26
申请号：CN201611105105.9
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
CPC classification number: G06N99/005 , G06F19/00
Abstract: 本发明涉及一种基于混合高斯分布相关学习机的玻璃窑炉温度预报方法，属于自动控制、信息技术和先进制造领域，其特征在于，针对玻璃窑炉温度预报所具有的玻璃窑炉内部反应过程复杂、数据存在复杂非对称噪声及输入变量中包含时间序列变量等建模难题，提出一种基于混合高斯分布下鲁棒相关学习机的玻璃窑炉温度预报方法。该方法采用核函数回归模型作为预报模型结构，使用非零均值混合高斯分布作为预报模型残差项的概率密度分布，将时间序列变量并列列出作为模型的输入变量，并采用贝叶斯推断方法获得模型结构参数的近似后验概率分布，从而获得预报模型的结构参数。本发明可有效应用于玻璃窑炉池底温度的预报，以提高玻璃窑炉控制和操作优化的效果。
-
Patent Agency Ranking
公开(公告)号：CN106596905A
公开(公告)日：2017-04-26
申请号：CN201611120866.1
申请日：2016-12-08
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
CPC classification number: G01N33/386 , G06N3/0436 , G06N3/08
Abstract: 基于多尺度融合ANFIS的玻璃液质量智能预报方法，属于自动控制、信息技术和先进制造领域，具体涉及用于玻璃液质量优化控制的基于多尺度融合ANFIS(自适应神经模糊推理系统)的玻璃液质量智能预报方法。其特征在于，针对玻璃液质量预报存在多个不同时间尺度特性的影响变量的特点，首先分析各输入变量的时间尺度特性，用ANFIS分别建立各影响变量与玻璃液质量间的定量关系单元模型，将各单元模型按照不同时间尺度特性进行融合，从而建立玻璃液质量智能预报模型。该方法可用于对玻璃窑炉的玻璃液质量进行预报，以实现对玻璃质量的有效控制，提高玻璃产品质量的目的。
-
公开(公告)号：CN103106331B
公开(公告)日：2015-08-05
申请号：CN201210543771.6
申请日：2012-12-17
Applicant: 清华大学
IPC: G06F19/00
Abstract: 基于降维和增量式极限学习机的光刻线宽智能预测方法，属于自动控制、信息技术和先进制造领域，具体涉及针对光刻线宽指标建模过程存在训练数据维数高且分批到达的特点，通过对基于结构风险最小化的批处理极限学习机进行矩阵求逆降维，实现对光刻线宽指标的智能在线预测，其特征在于包括以下步骤：对基于结构风险最小化的批处理极限学习机中的矩阵求逆采用矩阵求逆降维公式进行降维，以建立极限学习机模型参数与新到达数据的关系，实现对极限学习机模型参数的在线增量式学习和输出层权值更新。本发明所提出的基于矩阵求逆降维和增量式极限学习机的指标预测方法对光刻线宽指标具有较好的预测效果。
-
公开(公告)号：CN103105775B
公开(公告)日：2014-04-16
申请号：CN201210543781.X
申请日：2012-12-17
Applicant: 清华大学
IPC: G05B13/02
Abstract: 基于序优化与在线核极限学习机的分层迭代优化调度方法，属于自动控制、信息技术和先进制造领域，具体涉及菜单层批调度策略优化、操作层操作排序优化和基于核极限学习机在线学习的目标函数评价等方法。其特征在于，针对微电子生产过程中扩散区组批调度过程中存在的决策变量多，批调度策略与操作排序策略之间存在较强耦合等特点，在调度算法中采用了分层调度结构，对菜单层批调度策略和操作层排序策略进行迭代优化，为提高算法优化效率，采用序优化方法快速优化菜单层批调度策略，并通过菜单层和操作层之间的迭代优化，进一步提高调度算法性能。本发明所提出的基于序优化与在线核极限学习机的分层迭代优化调度方法具有较好的求解速度和优化性能。
-
公开(公告)号：CN103116324A
公开(公告)日：2013-05-22
申请号：CN201210543787.7
申请日：2012-12-17
Applicant: 清华大学
IPC: G05B19/418
Abstract: 基于指标预测和在线学习的微电子生产线调度方法，属于先进制造、自动化和信息领域，其特征在于，采用基于预测机制的迭代式分解算法，将待求解的微电子生产线调度问题迭代分解为各阶段的调度子问题和用于全局指标预测的剩余调度子问题，采用基于资源冲突程度特征值的自适应差分进化方法对当前阶段多目标调度子问题进行求解，采用多模糊规则对当前阶段剩余调度子问题进行求解获得该调度子问题对应的全局指标。利用之前若干阶段调度子问题求解过程中所获得的相关数据，采用多模糊规则在线学习框架对多模糊规则进行在线学习。将本发明应用于以最小化平均流经时间和最大化瓶颈机器利用率为调度目标的微电子生产线可产生较好的调度效果。
-
公开(公告)号：CN106773682A
公开(公告)日：2017-05-31
申请号：CN201611104398.9
申请日：2016-12-05
Applicant: 清华大学 , 青岛清能合创智能科技有限公司
Abstract: 本发明涉及一种基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法，属于自动控制、信息技术和先进制造领域，其特征在于，首先采用ARMAX模型(自回归滑动平均模型)对玻璃窑炉天然气流量与玻璃窑炉池底温度之间的缓慢变化的时滞进行动态确定；在每次确定时滞后，基于相关历史生产数据，采用ARMAX和ANFIS(自适应神经模糊推理系统)相结合的建模方法动态建立玻璃窑炉池底温度预测模型；基于该预测模型，采用前馈和反馈相结合的智能控制方法，对玻璃窑炉天然气流量进行在线智能调整，其中，前馈输入为玻璃窑炉池底温度预测值。该方法可用于对玻璃窑炉池底温度进行智能控制，以有效降低玻璃窑炉池底温度的波动，提高玻璃产品质量，降低窑炉能耗。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.021 seconds)
