Identification of reheat furnace temperature models from closed‐loop data—an industrial case study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This work deals with the application of prediction error (PE) method to identify the furnace temperature models from a set of closed‐loop data. In this study, we gather a set of measurement data of the set points of the furnace zone temperatures as inputs and the furnace sidewall temperatures as outputs under a dynamic change of the slab pace rate. Owing to the complexity of its process dynamics, we assume no knowledge about the nature of the feedback mechanism. By treating the slab pace rate as an additive external signal, we show that the closed‐loop data is informative for applying a direct approach to the closed‐loop identification using the PE method, but only for a particular class of model structures. Model validation results support this analysis, in which the identified ARX, Box–Jenkins, and state‐space models are reasonably better than the identified FIR models, according to the Akaike's index and the one‐step‐ahead prediction criteria. The residual analysis reveals that the identified ARX, Box–Jenkins, and state‐space models do satisfy a 99% confidence region of its auto‐ and cross‐correlation functions. Moreover, we find out that, for the collected data, there is no significant difference in the model predictive quality when applying the MISO and MIMO PE methods using the state‐space model structure. © 2006 Curtin University of Technology and John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle