Robust Nonlinear Model Predictive Control With Model Predictive Sliding Mode for Continuous-Time Systems
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 This paper presents a robust, tube-based nonlinear model predictive controller for continuous-time systems with additive disturbances which cascades two sampled-data model predictive controllers: the first creates a desired path using nominal dynamics, and the second maintains the true state close to the nominal state by regulating a sliding variable designed on the error between the true and nominal states. The sampled-data model predictive approach permits easy incorporation of continuous-time sliding mode dynamics, allowing a dynamic boundary layer and tube design to be included. In this way, the control applied to the system capitalizes on the robustness properties of traditional sliding mode control (SMC) while incorporating system constraints. Stability analysis is presented in the context of input-to-state stability (ISS) for continuous-time systems. The proposed controller is implemented on two case studies, is compared to benchmark tube-based model predictive controllers, and is evaluated using average root-mean-square (RMS) values on the state and input variables, in addition to average integral square error (ISE) and integral absolute error (IAE) values on the position states. Results reveal that the proposed technique responds to higher levels of disturbance with significant increases in control effort, eliminates constraint violation by using of constrained SMC as the secondary controller, and maintains similar tracking performance to benchmark controllers at lower levels of control effort.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,000 | 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