<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
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
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.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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