<scp>A</scp> novel <scp>proportional‐integral‐derivative</scp> ‐type iterative learning control strategy based on <scp>2D</scp> model predictive iterative learning control optimization for batch processes with partial actuator failures
Notice bibliographique
Résumé
Abstract For control problems involving partial actuator failures during batch processes, this paper proposes a novel proportional‐integral‐derivative (PID)‐type iterative learning control strategy based on two‐dimensional model predictive iterative learning control optimization. First, a two‐dimensional extended non‐minimal state space model was constructed using actuator outputs, process variable outputs, and tracking error information, providing more freedom for subsequent controller design. At the same time, a setpoint learning strategy was constructed by introducing historical batch error information. Secondly, a novel model was constructed by combining the two‐dimensional extended non‐minimal state space model and the setpoint learning strategy, which significantly improved the iterative learning ability of the corresponding controller. Furthermore, a novel PID‐type iterative learning controller is constructed by combining an incremental PID controller and a traditional PID‐type iterative learning controller. Finally, the designed control law is used to optimize the parameters of the PID‐type iterative learning controller in real time, ensuring that the control system can simultaneously achieve control performance along the time axis and convergence performance along the batch axis. Based on the model mismatch in the injection moulding machine holding pressure control system, the effectiveness of the proposed strategy was verified by considering two types of partial actuator failures.
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 | 0,001 |
| 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 ».