A Receding Horizon Sliding Controller for Automotive Engine Coldstart: Design and Hardware‐in‐the‐Loop Testing With an Echo State Network High‐Fidelity Model
Notice bibliographique
Résumé
Abstract The aim of the current study is to probe the potential of receding horizon sliding control (RHSC) technique for reducing the coldstart hydrocarbon (HC) emissions of automotive spark‐ignited (SI) engines. The RHSC approach incorporates the potentials of sliding control (SC) and nonlinear model predictive control (NMPC) to employ the future information of the considered engine to keep the system's trajectories close to a stable manifold. To calculate the control commands, the authors adopt an efficient optimization technique, known as the multivariate quadratic fit sectioning algorithm (MQFSA), and also, define three different objective functions, based on l1, l2, and l∞ norms. To demonstrate the efficacy of RHSC controller, its performance is compared with two other well‐known controllers extracted from the literature, namely NMPC and Pontryagin's minimum principle (PMP)‐based controllers. Through numerical simulations for three distinctive operating conditions, it is demonstrated that the RHSC controller is very effective for reducing the total tailpipe HC emissions over the coldstart period of the considered engine system. Moreover, by conducting a hardware‐in‐the‐loop (HIL) test using an echo state network high‐fidelity model, it is indicated that the computational speed of calculating control commands is fast enough to enable RHSC to be used for real‐time implementations in practice.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».