计算机控制的基础知识,第9章计算机控制系统基础知识课件.ppt

本文介绍了计算机控制系统的基础知识,包括其在过程工业中的优势,如快速运算、强处理能力和灵活编程。计算机控制经历了从试验到实用,再到成熟和网络化的阶段,如DCS和FCS的发展。系统主要由硬件和软件组成,软件包括过程检测、控制和组态等部分。计算机控制系统通过实时数据采集、处理和输出控制实现监控任务。此外,还讨论了各种显示画面和报警、数据报表等功能,强调了其在集成生产和现场总线控制中的作用。
摘要由CSDN通过智能技术生成

第9章 计算机控制系统基础

第10章 计算机控制系统介绍;计算机控制系统特点与常规仪表相比,计算机具有运算速度快、处理能力强、编程灵活性高、便于集中监视等特点,因而在过程工业中具有明显的优越性。

计算机控制系统的发展大体经历了以下几个阶段:(1)试验阶段(1965年以前)第一台计算机(1946)

(2)实用阶段(1965年~1969年)

(3)成熟阶段(1970年以后) DCS (Distributed Control System),PLC的应用;(4)网络化阶段(1990年以后) 20世纪90年代世界进入信息时代,在离散制造业计算机集成制造系统(Computer Integrated Manufacturing System,简称CIMS)的启发下,连续过程工业界提出了一种把管理和控制融为一体的综合自动化系统,即计算机集成生产系统(Computer Integrated Production System,简称CIPS)。

继DCS之后出现新一代控制系统——现场总线控制系统(Fieldbus Control System,简称FCS),FCS代表的是一种数字化到现场、网络化到现场、控制功能到现场和设备管理到现场的发展方向,被誉为跨世纪的计算机过程控制系统。;9.1 概述计算机控制系统是以计算机为核心的过程控制系统。70年代,如图所示全自动化生产车间,不仅操作人员少,而且许多常规仪表和调节器已被工业计算机所取代。;(集散控制系统 DCS);;闭环控制系统的组成结构如图所示;计算机控制系统特点: 计算机控制采用微型计算机与模/数(A/D)转换通道、数/模(D/A)转换通道来代替常规控制器。;计算机控制监控过程可归结为三个步骤:

①实时数据采集:对来自测量变送器的被控量的瞬时值 进行采集和输入;②实时数据处理:对采集到的被控量进行分析、比较和 处理,按一定的控制规律运算,进行 控制决策;③实时输出控制:根据控制决策,适时地对执行器发出 控制信号,完成监控任务。;9.2计算机控制系统硬件组成;过程通道;9.3计算机控制系统软件组成;9.3.1 过程检测软件;9.3.2 过程控制软件;;数字PID控制器参数整定任务:求取能满足某种控制质量指标要求的最佳控制器参数; 9.3.3 组态软件; 9.3.3 组态软件;;组态软件的显示画面;一、流??图显示画面的分层结构;流程图的分层结构;(1)区域显示;;(2)单元(过程)显示;(2)单元(过程)显示;单元显示画面具有下列特性:;;;;(3)组显示;(4)细目(操作点)显示;(4)细目(操作点)显示;组态软件的显示画面;二、概貌显示画面;(1)工位号一览;(2)棒图方式;三、趋势显示画面;;;同时显示实时和存档历史数据Trends seamlessly combine Real-time and Historical data

控制模块事件记录,实时更新Events for modules trended, update in real-time;;四、报警显示画面;;五、数据报表显示画面;;以EXCEL表格的形式输出成报表 ;六、系统硬件连接显示画面;课程小结;控制科学与工程学院

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值