Safe-Parking Framework for Fault-Tolerant Control of Transport−Reaction Processes
Notice bibliographique
Résumé
This work considers the problem of handling actuator faults in transport−reaction processes described by quasi-linear parabolic partial differential equations (PDEs) subject to input constraints. To this end, first, by exploiting the separation between the fast and slow eigenmodes of the parabolic spatial differential operator in combination with Galerkin’s method, a finite set of ordinary differential equations (ODEs) that captures the dominant dynamics of the PDE system are constructed. This finite ODE system is used to develop a Lyapunov-based model predictive controller which provides an explicit characterization of the set of initial conditions from where closed-loop stability of the parabolic PDE system is guaranteed. This control design is then subsequently used to develop a safe-parking framework for handling faults. In particular, faults which preclude the possibility of maintaining operation at the nominal equilibrium distribution, using the existing robust or reconfiguration-based fault-tolerant control approaches are considered. The key idea is to temporarily maintain the process at an appropriate “safe-park” distribution using the available depleted control action. This “safe-park” distribution is chosen to prevent onset of hazardous situations as well as to ensure smooth resumption of nominal operation upon fault repair. Utilizing the stability region characterization provided by the developed predictive controller, safe-park distributions from the safe-park candidates (equilibrium distributions subject to the remaining functioning and fail-safe values of the failed actuators) are chosen to preserve closed-loop stability upon fault repair. The proposed framework is illustrated on a diffusion−reaction 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.
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 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».