<scp>DBFact</scp> : A better approach to calculate the minimum variance control law for nonminimum phase <scp>MIMO</scp> 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 the diagonal with Blaschke products factorization (DBFact) approach to factor out multivariable time delay and nonminimum phase zeros from multi‐input multi‐output (MIMO) systems. Based on that, a new output‐order independent minimum variance (MV) control law for MIMO systems is proposed. The DBFact method is a two‐step factorization procedure, relying on the diagonal and Blaschke factorization methods. This method has the advantage of being a direct and non‐iterative procedure. This new factorization approach allows the calculation of an MV control law considering the multivariable time delay as a limiting‐performance factor and the nonminimum phase zeros and their corresponding directions. Based on the proposed MV control law, a performance benchmark is introduced, which can be calculated by the DBFact filters and routine operating data. The DBFact methodology was applied to two control structures of the linear plant model of Linde's heat integrated air separation, in which the MV control law output‐order dependency property and the suitability of the performance benchmark were evaluated. Some results were compared with those obtained by admitting the generalized interactor matrix instead of the DBFact filters. The results show the capability of the DBFact methodology to factor the nonminimum phase terms to provide a reliable MIMO controller performance benchmark and illustrate the importance of considering the nonminimum phase zeros and their actual directionality in the MV control law.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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