Image based Modeling and Control for Batch Processes
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 manuscript addresses the problem of leveraging thermal images for modeling and feedback control, specifically tailored for terminal quality control of batch processes. The primary objective, common in many batch processes, is to produce products with quality variables aligning with user specifications, available for measurement only at batch termination, precluding the direct use of classical control strategies. Furthermore, in many instances, traditional online sensors such as thermocouples may not be available, but instead spectral inputs like thermal images or acoustic data may be more readily available for feedback control. The challenge is to not only use the non-traditional sensor data for building a dynamic model but also to use that model for terminal quality control. The proposed approach involves a multi-layered modeling strategy. Initially, a dimensionality reduction technique is employed to condense the high-dimensional image into a set of representative outputs. Subsequently, subspace identification (SSID) is applied to develop a Linear Time-Invariant (LTI) State Space (SS) model between the inputs and the reduced outputs. Finally, a Partial Least Squares (PLS) model is constructed linking the terminal states of a batch (identified using SSID) with the product qualities obtained for that specific batch. This model is then incorporated into a Model Predictive Control (MPC) formulation. The effectiveness of the MPC is illustrated by showcasing its capability to generate products of high quality by deploying the MPC on a bi-axial lab-scale rotational molding setup. • Handling high dimensional output feedback in quality control for batch processes • Implemented on pilot-scale biaxial rotational molding process • Output feedback is in the form of thermal images in the current application • Neural Networks and Dimensionality reduction used to reduce the images first • Achieved quality control in a closed loop setting on an actual process
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 | 0,000 |
| 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