A New Multi-Criteria Mechatronic Design Methodology Using Niching Genetic Algorithm
Notice bibliographique
Résumé
Due to the presence of a wide range of interactive criteria involved in a mechatronic system, a system-based design methodology is needed to achieve optimum mechatronic design. Mechatronic Design Quotient (MDQ) is employed as a multi-criteria design evaluation index in order to develop a concurrent and system-based design approach. MDQ is a multi-criteria index reflecting the global sense of design satisfaction, which is computed by a nonlinear fuzzy integral for aggregation of different criteria. It can be used for the purposes of optimization and/or decision making in different stages of design. In this paper, it serves to evaluate the fitness of design trials in an optimization process. Optimization process is performed in two stages because comprehensive MDQ evaluation of each design trial is time consuming. In the first stage, niching genetic algorithm is used to find local and global optimal design alternatives with respect to some essential MDQ attributes. In the second stage, these local optima will compete with each other, with respect to all criteria involved in MDQ. The developed design methodology offers a concurrent, integrated, and multi-criteria approach, which will provide a mechatronic design that is optimal with respect to the design criteria included in the MDQ. The performance of the developed methodology is validated by applying it to the design of the motion system of an industrial fish cutting machine called Iron Butcher an electromechanical system which falls into the class of mixed or multi-domain.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».