Commande prédictive robuste pour un perçage de voilure au micron près
Aperçu
En quoi consiste ce défi.
Votre mission est de proposer, formuler et évaluer une architecture de commande prédictive robuste associée à un estimateur d'état, pour tenir l'écart de position sous 0,2 mm malgré la souplesse du bras et l'incertitude sur la raideur de la pièce. Sur le plan fonctionnel, la loi de commande doit rejeter une variation de raideur d'un facteur deux entre lots, converger en moins de 300 millisecondes après contact, et rester stable lorsque l'estimation de raideur est fausse de 30 %. Sur le plan non fonctionnel, la boucle tourne à 250 hertz sur un calculateur temps réel modeste, ce qui borne sévèrement le nombre d'itérations d'optimisation par pas de temps ; aucun capteur d'effort supplémentaire ne peut être ajouté au poignet ; et la solution doit rester explicable au responsable qualité, car la traçabilité du procédé est auditée par le client. Vous partirez du module de simulation fourni, du relevé de mesures de perçage fourni et de la spécification d'interface du contrôleur fournie. La réussite se reconnaît à ceci : la note énonce clairement quelle classe d'incertitude est couverte par la garantie théorique et laquelle ne l'est pas, et l'évaluation par tirages aléatoires le confirme au lieu de le contredire.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Quelle loi de commande prédictive, couplée à quel estimateur, permet de maintenir l'écart de perçage sous 0,2 mm alors que la raideur de contact varie d'un lot à l'autre et n'est jamais connue exactement au moment du perçage ?
Earning criteria — what you'll demonstrate
- Formuler un problème de commande optimale sous contraintes en présence d'incertitude paramétrique structurée, et distinguer robustesse garantie et robustesse empirique
- Coupler un estimateur d'état à une loi de commande prédictive et analyser l'effet d'une estimation biaisée sur la stabilité de la boucle fermée
- Dimensionner un solveur d'optimisation sous contrainte temps réel dure, en reliant horizon de prédiction, nombre d'itérations et fréquence de boucle
- Concevoir une évaluation statistique honnête d'une loi de commande, capable d'exhiber les cas de défaillance plutôt que de les masquer
- Rédiger une note de recherche appliquée dont les revendications théoriques sont exactement celles que l'expérimentation soutient
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceScientifique en IA Appliquée
Vous traduisez un problème industriel mal posé en formulation mathématique, vous choisissez la garantie que vous pouvez réellement défendre et vous la testez de façon adverse. C'est la démarche attendue d'un scientifique appliqué qui doit livrer une méthode utilisable et non une démonstration élégante.
Ce défi renforce
- optimal-control
- uncertainty-quantification
- ai-assisted-research-synthesis
Chercheur en Machine Learning
La séparation stricte entre réglage et évaluation, la présentation de distributions plutôt que de moyennes et l'énoncé explicite des hypothèses reproduisent les exigences méthodologiques quotidiennes d'un poste de recherche, transposées à la commande sous incertitude.
Ce défi renforce
- uncertainty-quantification
- state-estimation
- ai-assisted-research-synthesis
Ingénieur Machine Learning
Faire tenir une boucle d'optimisation dans un budget de 4 millisecondes sur un calculateur modeste, puis arbitrer entre coût de calcul et marge de performance, est le type de contrainte de déploiement qu'un ingénieur machine learning affronte à chaque mise en production.
Ce défi renforce
- optimal-control
- ai-assisted-coding
- state-estimation