买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京石油化工学院申请的专利基于滤波器的无模型自适应迭代学习注塑速度控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120802630B 。

龙图腾网通过国家知识产权局官网在2026-02-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511108874.3，技术领域涉及：G05B13/04；该发明授权基于滤波器的无模型自适应迭代学习注塑速度控制方法是由李振轩;李泊辰;刘昱;唐建;李晶设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本基于滤波器的无模型自适应迭代学习注塑速度控制方法在说明书摘要公布了：本申请提供一种基于滤波器的无模型自适应迭代学习注塑速度控制方法，该方法包括将注射过程建模为含测量扰动的实际输出模型；构建具有滤波器的控制律，计算控制输入，发送到注塑系统，采集运行后的测量输出；若采样时刻小于最大采样时刻，则更新测量输出，重新计算控制输入；否则进行结束判断：若测量误差大于误差阈值，则进入下一次迭代重新计算控制输入；否则将当前的控制输入作为学习完成的控制输入。本申请将测量扰动纳入模型，使模型能够更真实地反映注塑系统；此外，本申请通过滤波器滤除测量误差中的高频扰动，使其更加贴近注射速度的真实偏差，显著提升了注射速度的跟踪精度。

本发明授权基于滤波器的无模型自适应迭代学习注塑速度控制方法在权利要求书中公布了：1.一种基于滤波器的无模型自适应迭代学习注塑速度控制方法，其特征在于，包括： 步骤1：获取单次迭代的最大采样时刻、伪偏导数初值、系统运行的初始控制输入和初始系统输出数据； 其中，为控制输入，表示第次迭代、时刻注射过程中的液压系统的流量；为系统输出，表示第次迭代、时刻注射过程中的注射速度；为采样时刻，；为迭代次数，； 步骤2：基于所述输入和输出数据，将注射过程建模为具备迭代特征的非线性系统模型； 步骤3：通过引入伪偏导数，将步骤2的所述具备迭代特征的非线性系统模型在迭代轴上进行线性化处理，得到紧格式动态线性化模型； 步骤4：基于步骤3的所述紧格式动态线性化模型，将步骤2的所述具备迭代特征的非线性系统模型推导为紧格式动态线性化输出模型； 步骤5：通过引入测量扰动，将步骤4的所述紧格式动态线性化输出模型扩展为含测量扰动的实际输出模型： ； 其中，为第次迭代、时刻下，含测量扰动的测量输出；测量扰动为随机信号，统计特性为，其中为数学期望因子，为方差因子，测量扰动与所述采样时刻、所述迭代次数、所述测量输出、所述系统输出、所述控制输入和所述伪偏导数均不相关，测量扰动的初始扰动值为0； 步骤6：基于期望输出和所述测量输出，计算出测量误差； 步骤7：构建低通滤波器，并通过所述低通滤波器将所述测量误差处理为误差信号： ； 其中，为所述步骤6的测量误差；为所述低通滤波器传递函数，用于滤除所述测量误差中的高频扰动； 其中，所述低通滤波器传递函数为： ； 其中，为前移因子；为滤波器参数；为滤波器阶数；滤波器对于满足； 步骤8：构建伪偏导数估计算法，并计算出伪偏导数估计值； 步骤9：基于步骤7的所述误差信号和步骤8的所述伪偏导数估计值，构建具有滤波器的控制律，计算所述控制输入，将所述控制输入发送到注塑系统，采集运行后的所述测量输出； 其中，所述具有滤波器的控制律为： ； 其中，为步长因子，，用于使所述具有滤波器的控制律更具一般性；为权重因子； 步骤10：对所述采样时刻与所述单次迭代的最大采样时刻进行比较，若，则返回步骤6，并将步骤6的所述测量输出更新为步骤9中采集的运行后的所述测量输出；否则执行步骤11； 步骤11：收集本次迭代内所有时刻的所述测量误差，对所述测量误差最大值的绝对值与误差阈值进行比较，若，则返回步骤6，否则将最终的所述控制输入发送到注塑系统，结束迭代学习过程。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京石油化工学院，其通讯地址为：102627 北京市大兴区清源北路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。