MétaCan
Menu
Retour à la cohorte
Enregistrement W4413801068 · doi:10.1002/rnc.70159

Finite‐Time Adaptive Resilient Control With Prescribed Performance for Uncertain Nonlinear Systems Under False Data Injection and Actuator Faults

2025· article· en· W4413801068 sur OpenAlexaff
Hongtao Lan, Ning Sheng, Xiaoping Liu, Shaoyuan Li

Notice bibliographique

RevueInternational Journal of Robust and Nonlinear Control · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdaptive Control of Nonlinear Systems
Établissements canadiensLakehead University
Organismes subventionnairesNatural Science Foundation of Shandong ProvinceNational Natural Science Foundation of China
Mots-clésControl theory (sociology)ActuatorNonlinear systemComputer scienceControl (management)Adaptive controlControl engineeringEngineeringArtificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT In this article, we present a novel adaptive resilient control strategy for a class of uncertain strict‐feedback nonlinear cyber‐physical systems (CPSs) suffering false data injection (FDI) and actuator faults. In contrast to most studies on nonlinear systems, the unknown state‐dependent gains are considered during system modeling. By formulating convergence‐region‐related piecewise functions, we construct a novel Lyapunov candidate. Then, an adaptive resilient controller, which is proved to guarantee both prescribed performance and finite‐time stability of this system, is subsequently developed using the dynamic surface control (DSC) technique. Specifically, Nussbaum functions and fuzzy logic systems (FLSs) are introduced to address the adverse effects induced by FDI and actuator faults. Through rigorous analysis, it is demonstrated that all signals within the closed‐loop system are semi‐globally bounded, and the state errors can be constrained within any predefined negative exponential function under appropriate parameters. In the end, the feasibility of this control strategy is verified through a simulation based on wing rock dynamics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,250
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Robust and Nonlinear ControlMême sujetAdaptive Control of Nonlinear SystemsTravaux en français237 207