A novel <scp>PID</scp> type iterative learning controller optimized by two‐dimensional infinite horizon linear quadratic iterative learning control for batch processes
Notice bibliographique
Résumé
Abstract Although a proportional integral derivative type iterative learning control (PIDILC) scheme can achieve good performance, its application is limited by open‐loop structure, parameter tuning, and initial state. In this paper, a novel PIDILC optimized by two‐dimensional infinite horizon linear quadratic regulator (PIDILC‐2D‐IHLQR) is proposed. First, by synthesizing the advantage of the conventional PIDILC method and proportional integral derivative (PID) strategy, a novel closed‐loop PIDILC scheme is obtained. Then, a novel two‐dimensional infinite horizon linear quadratic regulator (2D‐IHLQR) is developed to optimize the parameters of the PIDILC strategy. The limitations of parameter tuning and initial state are solved by this PIDILC‐2D‐IHLQR method. Therefore, the proposed method not only solves the aforementioned limitations but also inherits the advantages of PIDILC algorithm, PID method, and the novel 2D‐IHLQR scheme. Moreover, a stability condition is given based on Lyapunov theory and it can help judge whether the selection of control parameters meets the stability condition. The effectiveness of the proposed method is demonstrated by the case study on an 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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».