Iterative Learning Control with application to hydraulic actuators
Notice bibliographique
Résumé
The concept of Iterative Leaming Control (ILC) was originated from the efforts to control systems that are required to perform repetitive tasks in the industrial field.The basic idea of ILC is that the information obtained from a previous trial is used to improve the control signal for the next trial until the desired performance level is reached.The iterative learning control has been developed and applied to many different fields, especially the robotic field.However, its application toward the hydraulic systems is rather sparse and is limited to a few articles.This thesis investigates the robust ILC of an -electrohydraulic positioning system with a faulty actuator piston seal.The goal is to develop an ILC scheme that is tolerant to a faulty condition such as intemal leakage.Toward this goal, three different aspects of iterative learning control are presented and compared, including the basic ILC, the ILC with proportional error feedback, and the ILC with current cycle feedback.The results prove that all ILC algorithms are tolerant to the intemal leakage given same initial conditions at each trial.It is also shown that both the ILC w'ith proportional enor feedback and the ILC with current cycle feedback are tolerant to the intemal leakage without the need of resetting the initial conditions.This study provided a groundwork for using an ILC-base, fault tolerant, control scheme for hydraulic actuators.Many operations that are repetitive in nature, such as injection molding or metal forming, will benefit from this approach.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».