Convex Inner Approximation for Mixed $H_2$/$H_\infty$ Control With Application to a 2-DoF Flexure-Based Nanopositioning System
Notice bibliographique
Résumé
This article presents a convex inner approximation approach for mixed${H}_2$/${H}_\infty$control of a flexure-based nanopositioning system. Generally for such positioning systems, the inevitable existence of model mismatch renders it often times difficult-to-achieve satisfying system performance. Additionally, it is essential to also note that the high-order resonances typically presented are prone to be activated if the controller is not designed appropriately, especially in the case when the control input variation arising from the design is unnecessarily drastic. Therefore, to circumvent the above undesirable possibilities, this work aims to improve the tracking performance with a suitable controller design that effectively suppresses the control input variation. Furthermore, despite the existence of model uncertainties, it is shown that it is possible for a subset of stabilizing controller gains to be characterized appropriately via convex inner approximation, which then further facilitates the determination of the controller by means of convex optimization. Rather importantly, this approach provides a performance guarantee with an optimized limiting bound to the$H_2$-norm level (which assures optimal behavior for the system), and also concurrently limits the$H_\infty$-norm level within a prescribed attenuation level (which satisfies a prescribed robustness measure). Finally, numerical optimization and comparative experiments are carried out for demonstrative purposes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 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 ».