MétaCan
Menu
Retour à la cohorte

Joint sensor fault detection for fault tolerant parallel manipulators

2000· article· en· W2012502856 sur OpenAlexaff
Leila Notash

Notice bibliographique

RevueJournal of Robotic Systems · 2000
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Mechanisms and Dynamics
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPayload (computing)Fault detection and isolationFault toleranceJoint (building)KinematicsDisplacement (psychology)Fault (geology)Control theory (sociology)Computer scienceParallel manipulatorActuatorStewart platformEngineeringControl engineeringReal-time computingArtificial intelligenceRobotDistributed computingStructural engineering

Résumé

récupéré en direct d'OpenAlex

Parallel manipulators with redundant joint displacement sensing can be exploited to develop fault tolerant implementations. This is possible since fundamental problems of the associated kinematics can still be solved after the elimination of faulty sensor readings. The ability of detecting faulty sensor readings is a requirement of any fault tolerant implementation scheme. A sensor fault detection method is presented for redundantly sensed parallel manipulators. A broad class of three-branch manipulators is considered where each branch consists of three main-arm joints and supports a common payload through respective passive spherical joints. The detection method is based on the comparison of forward displacement solutions for different cases of joint sensor readings. The existence of common solutions based on the branches–sensors considered, is used to effectively identify the existence of a failed sensor. Once a faulty sensor is identified, continued (fault tolerant) operation is possible using a forward displacement solution based on the readings of the accurate sensors. The detection method is implemented in a computer simulation of a calibrated three-branch parallel manipulator. © 2000 John Wiley & Sons, Inc.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,214
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Robotic SystemsMême sujetRobotic Mechanisms and DynamicsTravaux en français237 207