MétaCan
Menu
Retour à la cohorte
Enregistrement W4318603345 · doi:10.1109/ssci51031.2022.10022086

Discrete-time Linear and Nonlinear Observers for an Electromechanical Plant with State Feedback Control

2022· article· en· W4318603345 sur OpenAlexaff
Alexandra-Iulia Szedlak-Stinean, Radu‐Emil Precup, Raul‐Cristian Roman, Emil M. Petriu, Claudia‐Adina Bojan‐Dragos, Elena‐Lorena Hedrea

Notice bibliographique

Revue2022 IEEE Symposium Series on Computational Intelligence (SSCI) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdaptive Control of Nonlinear Systems
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)State observerKalman filterObserver (physics)Control engineeringNonlinear systemMechatronicsSliding mode controlExtended Kalman filterComputer scienceEngineeringAlpha beta filterSeparation principleControl (management)Artificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper proposes four estimation techniques, namely two linear and two nonlinear ones: Kalman filter observer, extended Luenberger state observer, extended Kalman filter observer and sliding mode observer for a mechatronics system with state feedback control. The laboratory equipment investigated in this study, namely ECP Model 220 Industrial Plant Emulator (ECPM220IPE), is an electromechanical plant, a complex and nonlinear system based on which a broad range of representative servo control applications can be emulated, designed and implemented. For achieving the simultaneous control of all the essential state variables, zero steady-state control error and better quality properties (behavior), all four estimation techniques are designed, implemented and tested using the mathematical models of ECPM220IPE with state feedback control. Their performance and effectiveness are validated through real-time experimental and digital simulation results in the framework of position control of ECPM220IPE by considering two circumstances, rigid body dynamics and flexible drive dynamics.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,834
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,015
Tête enseignante GPT0,231
Écart entre enseignants0,217 · 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 tête enseignante, pas un consensus.

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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE Symposium Series on Computational Intelligence (SSCI)Même sujetAdaptive Control of Nonlinear SystemsTravaux en français237 207