Model Predictive Control of Tethered Underwater Sensor Payload
Notice bibliographique
Résumé
A buoy-based sensor system is being developed to acquire high-quality water column data, and requires a controller to accurately position an array of sensors at various depths. The sensor system will be deployed to aquaculture sites, potentially in rough ocean conditions. Depth is measured by a pressure sensor and adjusted through a rotating drum powered by a stepper motor. The stepper motor's speed can be controlled by varying the pulse rate sent to the motor driver. The proposed controller uses a model predictive control (MPC) algorithm, a type of optimal control that predicts system response to optimize control actions. The controller determines control actions as pulse rates, which are sent to the motor-drum system to track a desired variable depth set-point profile. The profile is calculated to ensure smooth motion of the system, preventing motor malfunction. A simplified system model was created and used to simulate an open-loop test and system response. Constraints were applied to the control actions sent to the system to match the practical limitations of the stepper motor. The simulated results show successful tracking of both a shallow and deep profile. While the effect of constraining control actions is noticeable in the deeper profile simulation, it does not prevent the system from functioning correctly. At this stage of initial testing, the effects of ocean currents are not considered. Work is ongoing to construct a practical prototype that can implement the model predictive controller on the physical buoy-based system.
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 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».