A Receding Horizon Sliding Controller for Automotive Engine Coldstart: Design and Hardware‐in‐the‐Loop Testing With an Echo State Network High‐Fidelity Model
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
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 l 1 , l 2 , 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.
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 | 0,003 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle