Data‐driven plant‐model mismatch quantification in closed‐loop system based on output predictions
Notice bibliographique
Résumé
Abstract The assessment and diagnosis of controller performance for model‐based closed‐loop control systems has received considerable attention in recent years. A recognized factor dilapidating the controller performance is mismatching the true dynamical model of the plant and the mathematic model employed in the controller. In order to reduce the heavy effort to re‐identify the entire model, a large amount of recent works have been focusing on locating the mismatch. To further improve the mathematic model as well as controller performance, in this article, we provide a novel prediction‐based plant‐model mismatch quantification approach, which belongs to the class of moment match methodology. In particular, two cases of output prediction are considered: one‐step ahead prediction and multistep ahead prediction. Compared with existing efforts along the same line of mismatch quantification, when using the one‐step ahead prediction, our method shows an advantage of light computational complexity. On the other hand, when utilizing multistep predictions, it shows better convergence and robustness than the former, especially in the case of structural mismatches, and the long‐term prediction capability of the model is employed. With both predictions and consideration of the existence of unknown noise models in practice, we show that the plant‐model mismatch and unknown parameters of noise models can be quantified as the solution of a minimization issue that penalizes the discrepancy between the sample of plant outputs and the predictions calculated by considering the plant‐model mismatch and noise model parameters. Several examples are provided to demonstrate the effectiveness of the proposed methods, respectively.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».