Fault tolerance in non‐linear systems: A model‐based approach with a robust soft sensor design
Notice bibliographique
Résumé
Abstract A novel multiple Kalman filtre (KF)‐based scheme is proposed, as a generalisation of conventional gain‐scheduling techniques, for fault diagnosis and tolerance in a large class of multiple‐input and multiple‐output non‐linear systems. The outputs are corrupted by unknown stochastic disturbance and measurement noise. A reliable and computationally efficient, two‐stage identification of a piecewise linear parameter‐varying Box–Jenkins dynamic model that better approximates the non‐linear system, at each operating point, and the design of the associated KFs are proposed. Novel emulators, whose induced parameter changes mimic likely and predictive operating scenarios, are used to provide an accurate model identification and robustness to noise, disturbance, non‐linearity errors and model perturbations. These crucial emulators generate missing representative data, aid predictive analytics, and improve the reliability and accuracy of the identified KF model. A novel formulation of the KF is used for fault isolation, and the Bayes strategy is used to isolate difficult‐to‐detect incipient faults in noisy environments. The proposed scheme leads to the design of a novel robust soft sensor aimed at replacing the maintenance‐prone hardware sensor in practical applications including product quality assessment, performance monitoring, condition‐based maintenance, fault diagnosis and fault‐tolerant control. The proposed soft sensor was successfully evaluated on simulated and laboratory‐scale physical control systems.
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 | 0,002 |
| 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 | 0,001 |
| 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) | 0,002 | 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 ».