MétaCan
Menu
Retour à la cohorte
Enregistrement W2086043887 · doi:10.2316/journal.206.2007.4.206-2956

OPTIMAL MANIPULATOR TOLERANCE DESIGN USING HYBRID EVOLUTIONARY OPTIMIZATION TECHNIQUE

2007· article· en· W2086043887 sur OpenAlexvenueno aff
B.K. Rout, Ravi Kant Mittal

Notice bibliographique

RevueInternational Journal of Robotics and Automation · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Mechanisms and Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDifferential evolutionProcess (computing)Optimal designSelection (genetic algorithm)Computer scienceEvolutionary algorithmManipulator (device)Mathematical optimizationNoise (video)Control theory (sociology)Task (project management)EngineeringAlgorithmMathematicsArtificial intelligenceRobotMachine learning

Résumé

récupéré en direct d'OpenAlex

There is a need to select optimal parameter tolerance of manipulator to reach an economic balance between the desired performance and its manufacturing cost. However, selection of optimal parameter tolerances of manipulator is a challenging task. Present paper discusses an offline approach to incorporate effect of noise in simulation of performance and handle its effect in optimization process of parameters tolerances. To determine optimal parameter tolerances, a hybrid evolutionary optimization technique has been used. The hybrid is formed between differential evolution optimization technique and orthogonal array used in design of experiments technique. Proposed technique has been illustrated by selecting optimal tolerances of 2-DOF RR planar manipulator. It has been observed that the methodology is a viable alternative to the costly prototype testing, where only mathematical models are dealt with.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,322
Score d'incertitude au seuil0,389

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,014
Tête enseignante GPT0,241
Écart entre enseignants0,227 · 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 tête enseignante, 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
GenreMéthodes

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

En bref

Citations5
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Robotics and AutomationMême sujetRobotic Mechanisms and DynamicsTravaux en français237 207