Assessing Model Prediction Control (MPC) Performance. 2. Bayesian Approach for Constraint Tuning
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
Performance assessment of model predictive control (MPC) systems has been focusing on evaluation of the variability with, for example, minimum variance or LQG/MPC tradeoff curve as benchmarks. These previous studies are mainly concerned with the dynamic performance of MPC. However, the benefit of MPC is largely attributed to its capability for economic optimization. The economic performance, on the other hand, is also dependent on the variability reduction achieved through dynamic control. There is a need to assess MPC performance by considering economic performance, variability reduction, and their relationships. One of the good indications of this relation is the constraint tuning. In practical MPC applications, the constraint setups are important whenever an MPC is commissioned, and constraint tunings are not uncommon, even when the MPC is already on-line. Thus, the questions to ask are which constraints should be adjusted, and what is the benefit to do so? By investigating the relationship between variability and constraints, problems of interest are solved under the Bayesian inference framework (namely, through the Bayesian approach for decision evaluation and decision-making). The decisions that are referenced are whether to tune the constraints to achieve the optimal economic MPC performance and which constraints should be tuned. A detailed case study for a distillation column MPC application is provided to illustrate the proposed performance assessment methods.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découle