Data-Driven Modeling for Multiphase Processes: Application to a Rotomolding Process
Notice bibliographique
Résumé
This paper addresses the problem of capturing the multiphase nature of a rotational molding process using subspace identification (SSID) to enable improved control. Existing SSID techniques are not designed to utilize any known, multiphase nature of a process in the model identification stage. This work adapts existing SSID methods to account for multiple phases by splitting the data into phases during the identification step and building a distinct SSID model for each phase while carefully connecting the individual models through the means of subspace states. This is achieved via a partial least-squares (PLS) model that relates the final states of the preceding phase to the initial states of the proceeding phase. This multiphase subspace identification (MPSSID) approach exploits the ability of SSID techniques for dynamic modeling of batch processes, which allows for model construction using batches of nonuniform length. In this work, the proposed approach is applied to the rotational molding process. For rotational molding, the final product quality is dependent on the temperature trajectory of the polymer inside the mold, and the process goes through visibly distinct phases that can be recognized when a specific temperature (not time) is reached. Data from past experiments are used to build the model and validate it, comparing the predictive ability of multiphase models to conventional one-phase models. Results demonstrate the ability of the multiphase models to better predict both the temperature trajectories and final product quality of validation batches.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».