Data-Driven Iterative Learning Temperature Control for Rubber Mixing Processes
Notice bibliographique
Résumé
Considering the four challenges of non-identical initial states, non-repetitive uncertainties, different batch lengths, and unavailable mathematical model of a rubber mixing process (RMP), this article proposes a data-driven iterative learning temperature control (DDILTC) for the RMP. Specifically, an iterative linear data model (iLDM) is developed to formulate the iterative dynamics of RMP and is further used as a one-step iterative linear predictive model to estimate the RMP’s temperature that is unavailable when the current batch length is shorter than the desired one. The unknown parameters of the iLDM are estimated iteratively by designing an iterative adaption law. Further, an iterative learning based observer is designed to estimate the non-repetitive uncertainties and non-identical initial states as an extended state. The proposed DDILTC is a data-driven method and the iLDM is only used to formulate the iterative relationship of the input-output between two batches instead of a mathematical model of the RMP with physical meanings. Simulation study verifies the results. Note to Practitioners—The mixing temperature of a rubber mixing process (RMP) is a critical variable, ensuring the desired plasticity and viscosity of the rubber compounds. Indeed, RMP is a typical batch process performing repetitively over the finite time interval. However, no ILC results about the RMP temperature control have been reported even though ILC can learn the control experience from the past batches to improve control performance. The main reason lies in that the practical environments of RMP make it impossible to satisfy the strictly repetitive conditions, i.e., the initial states, disturbances, and batch lengths are all iteration-varying. Furthermore, it is difficult to establish a mathematical model of the RMP due to its large production scale and complex dynamics along both time and iteration directions. Therefore, the main motivation of this paper is to study the iterative learning temperature control problem of RMP by considering the nonrepetitive uncertainties of initial states, disturbances, and batch lengths, bypassing the use of any model information. An iterative linear data model (iLDM) is established to equivalently reformulate the unavailable two-dimensional dynamic behavior of RMP and to facilitate the controller design and analysis. The gradient uncertainty of RMP is reformulated as the unknown parameters in the iLDM and can be iteratively estimated by designing an iterative adaptation algorithm. The non-repetitive initial states and disturbances can be estimated by designing an iterative observer. Moreover, the unavailable mixing temperatures at the unreachable operation points are estimated by using the iLDM as the iterative predictive model. To summarize, the proposed method is simple in computation and easy in implementation since only the I/O data is used, and thus it is of great practical significance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».