Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig von 22.06.2026 ab 19 Uhr bis 23.06.2026 24 Uhr auf Spielzeug, Schreibwaren, Filme, Geschenke & Trends, Musik, tolino eReader & Zubehör, Hörbücher und Hörbuch-Downloads (außer Abo), nicht preisgebundene Bücher und Kalender online auf thalia.at und in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Aufgrund der Buchpreisbindung sind deutschsprachige Bücher und eBooks ausgenommen. Zusätzlich ausgenommen sind preisgebundene Artikel, Abos & Flatrates, eBooks, Games, Geschenkkarten/-boxen, Shelfies, Software, Zeitschriften sowie einzelne Artikel von tonies®. Pro Einkauf einmal einlösbar. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Versandkosten und Services.
Produktbild: A Hardware-in-Loop Digital Twin Approach for Intelligent Optimization of Municipal Solid Waste Incineration

A Hardware-in-Loop Digital Twin Approach for Intelligent Optimization of Municipal Solid Waste Incineration AI and Its Application to Complex Industrial Processes

149,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

01.12.2025

Verlag

Wiley

Seitenzahl

624

Maße (L/B/H)

15,8/23,7/4,1 cm

Gewicht

1093 g

Sprache

Englisch

ISBN

978-1-394-35401-6

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

01.12.2025

Verlag

Wiley

Seitenzahl

624

Maße (L/B/H)

15,8/23,7/4,1 cm

Gewicht

1093 g

Sprache

Englisch

ISBN

978-1-394-35401-6

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
Die Leseprobe wird geladen.
  • Produktbild: A Hardware-in-Loop Digital Twin Approach for Intelligent Optimization of Municipal Solid Waste Incineration

  • List of Figures xvii

    List of Tables xxix

    About the Authors xxxiii

    Preface xxxv

    Abbreviations xxxvii

    Symbol Meaning xliii

    1 Introduction 1

    1.1 Municipal Solid Waste Incineration (MSWI) Process and Optimal Control 1

    1.2 AI-Based Modeling and Monitoring 17

    1.3 Control and Optimization Based on AI and DT 32

    1.4 Hardware-in-Loop DT for MSWI Processes 36

    1.5 Book's Structure 42

    Part I 42

    Part II 45

    Part III 47

    References 48

    Part I Modeling and Monitoring Based on AI 67

    2 Numerical Simulation and Modeling Analysis on Whole Industrial Process by Coupling Multiple Software 69

    2.1 Simulated Plant and Simulation Modeling 69

    2.2 Modeling Strategy with Virtual Data-driven 92

    2.3 Modeling Implementation for Whole Process 94

    2.4 Numerical Simulation and Modeling Results 103

    2.5 Conclusion 124

    References 125

    3 Conventional Pollutant Deep Modeling Using Virtual Data and Real Data Hybrid-Driven 129

    3.1 Virtual-Real Data-Driven Conventional Pollutant Modeling 129

    3.2 Real Data Hybrid-Driven Modeling Implementation 133

    3.3 Deep Modeling Results and Discussion 142

    3.4 Conclusion 157

    References 160

    4 Trace Pollutant Modeling Using the Selective Ensemble Algorithm 163

    4.1 Selective Ensemble Modeling Strategy 163

    4.2 Trace Pollutant Modeling Implementation 168

    4.3 Data-Driven Ensemble Modeling Results and Discussion 176

    4.4 Conclusion 201

    References 201

    5 Trace Pollutant Modeling Based on Semi-supervised Random Forest Optimization 205

    5.1 Data-Driven Trace Pollutant Semi-supervised Random Forest Optimization Modeling Strategy 205

    5.2 Data-Driven Trace Pollutant Modeling Implementation 212

    5.3 Experimental Verification 221

    5.4 Conclusion 238

    References 239

    6 Combustion State Identification Using ViT-IDFC with Global Flame Feature 243

    6.1 Combustion State Identification and Global Flame Feature 243

    6.2 State Monitoring Implementation Using ViT-IDFC 249

    6.3 Experimental Results 256

    6.4 Conclusion 273

    References 273

    7 Online Combustion Status Recognition of Using IDFC based on Convolutional Multi-Layer Feature Fusion 277

    7.1 Convolutional Multi-layer Feature Fusion Based Online Combustion Identification 277

    7.2 Convolutional-Feature-IDFC-Based Implementation 280

    7.3 State Monitoring Results and Discussion 289

    7.4 Conclusion 298

    References 298

    Part II Control and Optimization Based on AI and Digital Twin 301

    8 Bayesian Optimization-Based Interval Type-2 Fuzzy Neural Network (IT2FNN) for Furnace Temperature Control 303

    8.1 Bayesian Optimization-Based Interval Type-2 Fuzzy Neural Network Control Strategy 303

    8.2 BO-Based Interval Type-2 Fuzzy Neural Network Control 309

    8.3 Simulation Results 320

    8.4 Conclusion 339

    References 340

    9 Interval Type-2 Fuzzy Control with Multiple Event Triggers for Furnace Temperature Control 345

    9.1 Type-2 Fuzzy Broad Control with Multiple Event Triggers 345

    9.2 METM-Based Interval Type-2 Fuzzy Broad Control 351

    9.3 Stability Analysis 358

    9.4 Simulation Results 362

    9.5 Conclusion 376

    References 377

    10 Intelligent Optimal Control of Furnace Temperature Using Multi-loop Controller and PSO Optimization 381

    10.1 Multi-loop Controller Using PSO Optimization 381

    10.2 Data-Driven Furnace Temperature Optimization 392

    10.3 Simulation Results 400

    10.4 Conclusion 415

    References 416

    11 Data-Driven Multi-objective Intelligent Optimal Control of Industrial Process 419

    11.1 Multiple Objectives Multiple Controlled Variables Optimization 419

    11.2 Data-Driven Multiple Controlled Variables Optimization Implementation 429

    11.3 Simulation Results 437

    11.4 Conclusion 453

    References 454

    Part III Hardware-in-loop Digital Twin Platform Design and Validation 457

    12 Description of Hardware-in-Loop Digital Twin Platform Requirements for Industrial Process 459

    12.1 Overview 459

    12.2 Laboratory Research on Platform Functionality Requirements 459

    12.3 Industrial Applications on Platform Functionality Requirements 461

    12.4 Platform Functional Requirements from a Flex Reconfiguration Perspective 463

    12.5 Conclusion 466

    13 Design and Realization of Hardware-in-Loop Digital Twin Platform 467

    13.1 Digital Twin Functional Design 467

    13.2 Hardware-in-Loop Structural Design 468

    13.3 Hardware Setup 477

    13.4 Software Design 479

    13.5 Platform Realization 487

    14 Testing and Validation of Hardware-in-Loop Digital Twin Platform 495

    14.1 System Effectiveness Testing and Verification 495

    14.2 Laboratory Scene Intelligent Algorithm Testing and Validation 500

    14.3 Intelligent Algorithm Transplantation Application in Industrial Scenarios 512

    15 Summary and Outlook of Hardware-in-Loop Digital Twin Platform 519

    15.1 Summary 519

    15.2 Future AI Algorithm Research and Validation End-Edge-Cloud Platform 520

    Index 537