Comparison of SVSF-KF Adaptive Estimation Algorithms on an Electrohydrostatic Actuator Subject to a Fault
Notice bibliographique
Résumé
State estimation strategies are vital for obtaining knowledge of a dynamic system’s state when faced with limited measurement capability, sensor noise, or uncertain system dynamics. The Kalman filter (KF) is one of the most widely recognized filters and provides the optimal solution for linear state estimation problems. The smooth variable structure filter (SVSF) is a model-based strategy that is also formulated as a predictor-corrector. Despite being a suboptimal estimator, the SVSF is highly robust to modeling uncertainties, errors, and system change. The combination of the SVSF with the KF (SVSF-KF) results in an adaptive estimation algorithm that provides an optimal KF estimate in normal operating conditions, and a robust SVSF estimate in the presence of faults or uncertainties. While effective in some cases, the SVSF-KF has been shown to suffer from several drawbacks associated with the time-varying smoothing boundary layer (SBL) and adaptive gain used to detect system change. Several new approaches have been proposed in recent years with the aim of improving the SVSF-KF’s performance. Among these approaches is a novel gain formulation based on the normalized innovation squares (NISs), while another makes use of the interacting multiple model (IMM) framework. In this article, we review the newly proposed SVSF-KF formulations and compare their performance on an electrohydrostatic actuator (EHA) test case.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».