Observer-based sensor fault estimation in nonlinear systems
Notice bibliographique
Résumé
Sensor bias faults and sensor gain faults are two important types of faults in sensor. Simultaneous estimation of these sensor faults in nonlinear systems in the presence of input disturbance and measurement noise is challenging and has not been adequately addressed in literature. Hence, this article develops an observer-based sensor fault estimation method for generalized sector-bounded nonlinear systems in the presence of input disturbance and measurement noise. A generalized sector-bounded nonlinearity was chosen because it encompasses a wide range of nonlinearities including Lipschitz, positive real, and dissipative. This article presents necessary and sufficient conditions to achieve a suboptimal cost for a cost function consisting of the sum of the square integrals of the estimation errors to the square integrals of the disturbances in the form of linear matrix inequality. The linear matrix inequality can be solved offline to explicitly calculate observer gain, and the resulting observer simultaneously estimates the system states as well as both bias and gain faults in the sensors. Compared to previous literature, the proposed methodology is designed to work in the presence of both input disturbance and measurement noise. Additionally, this article considers a generalized sector-bounded nonlinearity which encompasses a variety of different physical nonlinearities. Furthermore, the observer does not require the online solution of the Riccati equation and is thus computationally less intensive compared with the methods of extended Kalman filtering. The observer design procedure is demonstrated through two illustrative examples consisting of a fourth-order double spring–mass system and a third-order wind turbine power transmission mechanism.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».