Improved gain conditioning for linear model predictive control
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
Industrial practitioners who develop linear model predictive control (MPC) applications want to prevent undesirable controller behaviour caused by ill-conditioned gain matrices and model mismatch. In this work, we propose improvements to an existing orthogonalization-based method for gain conditioning. In this offline algorithm, manipulated variables (MVs) are ranked based on their influences on the controlled variables (CVs), so that problematic MVs with correlated effects can be identified. A constrained linear least-squares optimization problem is then solved to adjust columns in the gain matrix that correspond to problematic MVs. Our goal is to update this optimization problem to prevent the optimizer from switching the signs of some gains. The updated algorithm also permits control practitioners to hold key gains constant if their estimated values are trusted. Finally, we extend the methodology to condition gain submatrices, which arise when CVs are removed from the MPC problem. An industrial fluidized catalytic cracking case study is used to test the proposed method. The conditioned gains lead to improved controller performance and less aggressive movement of MVs when there is a plant-model mismatch. • Ill-conditioned gain matrices with plant mismatch may cause poor MPC performance. • Problematic manipulated variables with correlated effects are identified. • Constrained linear optimization is used for gain conditioning. • Scenarios where controlled variables are removed from MPC are addressed. • Industrial fluid catalytic cracking case study is used to validate the method.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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