Handling Constraints and Raw Material Variability in Rotomolding through Data-Driven Model Predictive Control
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
This work addresses the problems of uniquely specifying and robustly achieving user-specified product quality in a complex industrial batch process, which has been demonstrated using a lab-scale uni-axial rotational molding process. In particular, a data-driven modeling and control framework is developed that is able to reject raw material variation and achieve product quality which is specified through constraints on quality variables. To this end, a subspace state-space model of the rotational molding process is first identified from historical data generated in the lab. This dynamic model predicts the evolution of the internal mold temperature for a given set of input move trajectory (heater and compressed air profiles). Further, this dynamic model is augmented with a linear least-squares based quality model, which relates its terminal (states) prediction with key quality variables. For the lab-scale process, the chosen quality variables are sinkhole area, ultrasonic spectra amplitude, impact energy and shear viscosity. The complete model is then deployed within a model-based control scheme that facilitates specifying on-spec products via limits on the quality variables. Further, this framework is demonstrated to be capable of rejecting raw material variability to achieve the desired specifications. To replicate raw material variability observed in practice, in this work, the raw material is obtained by blending the matrix resin with a resin of slightly different viscosity at varying weight fractions. Results obtained from experimental studies demonstrate the capability of the proposed model predictive control (MPC) in meeting process specifications and rejecting raw material variability.
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 | 0,000 | 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 | 0,000 |
| 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