MétaCan
Menu
Retour à la cohorte
Enregistrement W2614484082 · doi:10.25046/aj020126

Real Time Implementation of an Improved Hybrid Fuzzy Sliding Mode Observer Estimator

2017· article· en· W2614484082 sur OpenAlexaff
Sorin Mihai Radu, Elena-Roxana Tudoroiu, Wilhelm Kecs, Nicolae Iliaş, Nicolae Tudoroiu

Notice bibliographique

RevueAdvances in Science Technology and Engineering Systems Journal · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensJohn Abbott College
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Observer (physics)EstimatorFuzzy logicComputer scienceMode (computer interface)MathematicsArtificial intelligenceStatisticsPhysicsControl (management)

Résumé

récupéré en direct d'OpenAlex

This paper extends some of our research results disseminated in the most recent awarded international conference paper concerning the implementation in real time of a sliding mode observer state estimator.For the same case study developed in the conference paper, more precisely a DC servomotor angular speed control system, we extend the proposed concept of sliding mode observer state estimator to a fuzzy sliding mode observer version, more suitable in control applications field such as fault detection of the possible faults that might take place inside the actuators and sensors.The hybrid architecture implemented in a real time MATLAB/SIMULINK simulation environment consists of an integrated control loop structure with a switching bench of two sliding mode observers, one built by using a new approach that improves slightly the proposed sliding mode observer for the conference paper, and second one is an improved intelligent fuzzy version sliding mode observer estimator.The both estimators are implemented in SIMULINK to work independently by using a manual switch.The simulation results for the experimental setup show the effectiveness of the improved fuzzy version of sliding mode observer compared to the standard one, as well as its high accuracy and robustness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,278
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Science Technology and Engineering Systems JournalMême sujetFault Detection and Control SystemsTravaux en français237 207