A novel two‐dimensional <scp>PID</scp> controller design using two‐dimensional model predictive iterative learning control optimization for batch processes
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 It is known that the key indicators of batch processes are controlled by conventional proportional–integral–derivative (PID) strategies from the view of one‐dimensional (1D) framework. Under such conditions, the information among batches cannot be used sufficiently; meanwhile, the repetitive disturbances also cannot be handled well. In order to deal with such situations, a novel two‐dimensional PID controller optimized by two‐dimensional model predictive iterative learning control (2D‐PID‐MPILC) is proposed. The contributions of this paper can be summarized as follows. First, a novel two‐dimensional PID (2D‐PID) controller is developed by combining the advantages of a PID‐type iterative learning control (PIDILC) strategy and the conventional PID method. This novel 2D‐PID controller overcomes the aforementioned disadvantages and extends the conventional PID algorithm from one‐dimension to two‐dimensions. Second, the tuning guidelines of the presented 2D‐PID controller are obtained from the two‐dimensional model predictive control iterative control (2D‐MPILC) method. Thus, the proposed approach inherits the advantages of both PID control, PIDILC strategy, and 2D‐MPILC scheme. The superiority of the proposed method is verified by the case study on the injection modelling process.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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