Magnetic telemanipulation device with mass uncertainty: Modeling, simulation and testing
Notice bibliographique
Résumé
Recently, magnetic telemanipulation devices have shown a great deal of promise in such areas as semi-conductor manufacturing, wind tunnels, drug delivery, and many more. However, these devices are generally associated with problems caused by payload variation and uncertainties in the parameters of the system which in turn, have limited the development and application of magnetic telemanipulation technology to its full capacity. This paper addresses and deals with these issues by implementation of a precise position control method for a magnetic telemanipulation system with high level of uncertainties in its parameters. The levitation system used in this study is primarily designed for performing remote pick and place operations. The levitated object is a 28 gr microrobot capable of grasping and releasing payloads as heavy as 8 gr. To cope with the uncertainties in the modeling and payload variation, a model reference adaptive feedback linearization (MRAFL) controller is designed and its performance compared with an ordinary feedback linearization (FL) controller. Through experimental results it is shown that the MRAFL controller enables the microrobot to grasp and transport a payload as heavy as 30% of its own weight without a considerable effect on its positioning accuracy. In the presence of the payload, the MRAFL controller resulted in a RMS positioning error of 8 μm} compared with 27.9 μm} of the FL controller. The approach presented in this work is versatile as it leads to the modeling and control of a highly nonlinear system through a modular approach that can be applied to a variety of magnetic levitation and telemanipulation 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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».