Utilization of Artificial Neural Networks in the Control, Identification and Condition Monitoring of Hydraulic Systems - An Overview
Notice bibliographique
Résumé
There has been considerable interest and activity in the area of application of the artificial neural network (ANN) to hydraulic systems. The pattern recognition capabilities of the ANN has led to an early investigation in areas where the neural networks could be trained using signals that were at least statistically similar to those signals which the trained ANN would be exposed during operation. The dynamic and encompassing nature of hydraulic system signals poses more of a challenge to ANN training and implementation than one of only pattern recognition. However, in the past decade, there has been considerable activity and progress in the application of ANN techniques for hydraulic systems control, identification and condition monitoring. This paper provides an overview of work in this area. The ANN has proven to be a valuable addition to the current existing techniques. The learned behavior capability is a definite asset in the control of the nonlinear, complex systems encountered in the fluid power area. Training is a fundamental requirement for the ANN and this is very often accomplished using a simulation model of the system. ANN based controllers have demonstrated superior performance when compared to conventional PID controllers although these controllers are often an integral part of the training regime or in system operation with the ANN playing a supervisory role. In adaptive control, the ANN can be used to replace the plant model where the ability to emulate or mimic a nonlinear system plays a crucial role. As well, the control algorithm can utilize ANN capability. Fuzzy based controllers also have an approximate reasoning or intelligence capability based on a qualitative description of their dependencies. ANN techniques have been successfully employed in a form of parameter adjustment to enhance the performance of these controllers. Condition monitoring is perhaps a more natural application of the ANN where the pattern recognition capability can be fully utilized in a “stand alone” fashion. Simulation models have been successfully used to train the ANN for fault detection in physical systems.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».