Intelligent work-situation fault diagnosis and fault-tolerant system for the shaft-furnace roasting process
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
During roasting in a shaft furnace (used for the deoxidizing roasting of ore), work-situation faults (WSFs) arise as a result of variations in process conditions and off-spec operation. These work-situation faults can be potentially disastrous and can lead to a total collapse of the control system if they are not detected and diagnosed in time. Furthermore, by their very nature they have to be distinguished from the results addressed by existing methods of diagnosis and tolerance control. This paper presents an innovative work-situation fault diagnosis (WSFD) and fault-tolerance control (FTC) strategy for a control system where a combination of neural networks, expert system, and case-based reasoning is used. As such, a system is established that consists of a magnetic tube recovery rate (MTRR) prediction model, a work-situation fault diagnosis unit, and a fault-tolerance controller. The proposed system diagnoses imminent work-situation faults, and then the fault-tolerance controller adjusts the set-points of the control loops. The outputs of the lower-level control system track the modified set-points, which makes the process deviate gradually from work-situation faults with an acceptable product quality. The proposed system has been applied to the shaft-furnace roasting process in the largest minerals processing factory in China and has reduced the frequency of all work-situation faults by more than 50 per cent, with the ratio of furnace operation increased by 2.98 per cent. It has been proven to provide many benefits to the factory.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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