Documents disponibles écrits par cet auteur

Estimating Model Uncertainty Using Confidence Interval Networks: Applications to Robust Control / Buckner, Gregory D. in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 128 N° 3 (Septembre 2006) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 3 (Septembre 2006) . - 626-635 p. Titre : Estimating Model Uncertainty Using Confidence Interval Networks: Applications to Robust Control Titre original : Estimer l'Incertitude Modèle en Utilisant des Réseaux d'Intervalle de Confiance : Applications à la Commande Robuste Type de document : texte imprimé Auteurs : Buckner, Gregory D., Auteur ; Choi, Heeju, Auteur ; Gibson, Nathan S. Article en page(s) : 626-635 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Technique  robuste  Modèle  dynamique  Stabilité  Circuit  fermé  Conservateur  Réseau  d'intervalle  Réseau  radical  Coût  bilinéaire  asymétrique Résumé : Robust control techniques require a dynamic model of the plant and bounds on model uncertainty to formulate control laws with guaranteed stability. Although techniques for modeling dynamic systems and estimating model parameters are well established, very few procedures exist for estimating uncertainty bounds. In the case of H[infinity] control synthesis, a conservative weighting function for model uncertainty is usually chosen to ensure closed-loop stability over the entire operating space. The primary drawback of this conservative, "hard computing" approach is reduced performance. This paper demonstrates a novel "soft computing" approach to estimate bounds of model uncertainty resulting from parameter variations, unmodeled dynamics, and nondeterministic processes in dynamic plants. This approach uses confidence interval networks (CINs), radial basis function networks trained using asymmetric bilinear error cost functions, to estimate confidence intervals associated with nominal models for robust control synthesis. This research couples the "hard computing" features of H[infinity] control with the "soft computing" characteristics of intelligent system identification, and realizes the combined advantages of both. Simulations and experimental demonstrations conducted on an active magnetic bearing test rig confirm these capabilities. Les techniques robustes de commande exigent d'un modèle dynamique de l'usine et des limites sur l'incertitude modèle de formuler des lois de commande avec la stabilité garantie. Bien que les techniques pour modeler les systèmes dynamiques et estimer les paramètres modèles soient bien établies, très peu de procédures existent pour estimer des limites d'incertitude. Dans le cas de la synthèse de commande de H∞, une fonction pesante conservatrice pour l'incertitude modèle est habituellement choisie pour assurer la stabilité en circuit fermé au-dessus de l'espace de fonctionnement entier. L'inconvénient primaire de ce conservateur, approche "dur de calcul" est exécution réduite. Cet article démontre un roman approche de calcul "doux" aux limites d'évaluation de l'incertitude modèle résultant des variations de paramètre, unmodeled la dynamique, et les processus nondeterministic aux usines dynamiques. Cette approche emploie les réseaux d'intervalle de confiance (CINs), réseaux radiaux de fonction de base qualifiés en utilisant des fonctions de coût bilinéaires asymétriques d'erreur, pour estimer des intervalles de confiance liés aux modèles nominaux pour la synthèse robuste de commande. Cette recherche couple les dispositifs "dur de calcul" de la commande de H∞ avec les caractéristiques de calcul de "doux" de l'identification intelligente de système, et réalise les avantages combinés de tous les deux. Les simulations et les démonstrations expérimentales conduites sur un banc d'essai magnétique actif de roulement confirment ces possibilités. En ligne : greg_buckner@ncsu.edu [article] Estimating Model Uncertainty Using Confidence Interval Networks: Applications to Robust Control = Estimer l'Incertitude Modèle en Utilisant des Réseaux d'Intervalle de Confiance : Applications à la Commande Robuste [texte imprimé] / Buckner, Gregory D., Auteur ; Choi, Heeju, Auteur ; Gibson, Nathan S. . - 626-635 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 3 (Septembre 2006) . - 626-635 p. Mots-clés : Technique  robuste  Modèle  dynamique  Stabilité  Circuit  fermé  Conservateur  Réseau  d'intervalle  Réseau  radical  Coût  bilinéaire  asymétrique Résumé : Robust control techniques require a dynamic model of the plant and bounds on model uncertainty to formulate control laws with guaranteed stability. Although techniques for modeling dynamic systems and estimating model parameters are well established, very few procedures exist for estimating uncertainty bounds. In the case of H[infinity] control synthesis, a conservative weighting function for model uncertainty is usually chosen to ensure closed-loop stability over the entire operating space. The primary drawback of this conservative, "hard computing" approach is reduced performance. This paper demonstrates a novel "soft computing" approach to estimate bounds of model uncertainty resulting from parameter variations, unmodeled dynamics, and nondeterministic processes in dynamic plants. This approach uses confidence interval networks (CINs), radial basis function networks trained using asymmetric bilinear error cost functions, to estimate confidence intervals associated with nominal models for robust control synthesis. This research couples the "hard computing" features of H[infinity] control with the "soft computing" characteristics of intelligent system identification, and realizes the combined advantages of both. Simulations and experimental demonstrations conducted on an active magnetic bearing test rig confirm these capabilities. Les techniques robustes de commande exigent d'un modèle dynamique de l'usine et des limites sur l'incertitude modèle de formuler des lois de commande avec la stabilité garantie. Bien que les techniques pour modeler les systèmes dynamiques et estimer les paramètres modèles soient bien établies, très peu de procédures existent pour estimer des limites d'incertitude. Dans le cas de la synthèse de commande de H∞, une fonction pesante conservatrice pour l'incertitude modèle est habituellement choisie pour assurer la stabilité en circuit fermé au-dessus de l'espace de fonctionnement entier. L'inconvénient primaire de ce conservateur, approche "dur de calcul" est exécution réduite. Cet article démontre un roman approche de calcul "doux" aux limites d'évaluation de l'incertitude modèle résultant des variations de paramètre, unmodeled la dynamique, et les processus nondeterministic aux usines dynamiques. Cette approche emploie les réseaux d'intervalle de confiance (CINs), réseaux radiaux de fonction de base qualifiés en utilisant des fonctions de coût bilinéaires asymétriques d'erreur, pour estimer des intervalles de confiance liés aux modèles nominaux pour la synthèse robuste de commande. Cette recherche couple les dispositifs "dur de calcul" de la commande de H∞ avec les caractéristiques de calcul de "doux" de l'identification intelligente de système, et réalise les avantages combinés de tous les deux. Les simulations et les démonstrations expérimentales conduites sur un banc d'essai magnétique actif de roulement confirment ces possibilités. En ligne : greg_buckner@ncsu.edu