Fuzzy Nonlinear Unknown Input Observer Design with Fault Diagnosis Applications
Notice bibliographique
Résumé
An approach for nonlinear unknown input observer (NUIO) design is proposed for a class of nonlinear systems representable by a Takagi—Sugeno (TS) fuzzy system. The proposed NUIO design for TS fuzzy systems is carried out for two cases: (1) the premise variables do not depend on the unmeasured state variables; and (2) the premise variables depend on the unmeasured state variables. Sufficient conditions for the existence of NUIOs are derived, and a linear matrix inequality (LMI)-based design strategy is presented for NUIO design purposes. The proposed NUIO design approach is then applied to solve actuator fault detection and isolation problems for nonlinear systems described by TS fuzzy systems. To this end, a system structure with two groups of inputs where one group of inputs is treated as unknown inputs is developed. Based on the system structure, a bank of NUIOs are then designed using the developed NUIO design approach in order to investigate the following fault diagnosis problems. (1) How can the NUIOs be used for detecting faults? (2) Under what conditions is it possible to isolate single and/or multiple faults? (3) What is the maximum number of faults that can be isolated simultaneously? (4) How can multiple fault isolation be achieved? In this article we present a NUIO-based fault-detection scheme for problem (1), give sufficient conditions for problem (2), determine the maximum number of faults that can be isolated for problem (3), and propose a fault-diagnosis scheme using a bank of NUIOs to solve problem (4). As an illustrative example, Lorenz’s chaotic system with multi-inputs is chosen to show the effect of the designed NUIOs and the proposed fault detection and isolation scheme. Simulation results show that accurate state estimation is achieved and actuator faults can be detected and isolated successfully.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».