MétaCan
Menu
Retour à la cohorte
Enregistrement W2884089857 · doi:10.3390/s18082416

Design and Optimization of a Novel Three-Dimensional Force Sensor with Parallel Structure

2018· article· en· W2884089857 sur OpenAlexaff
Guanyu Huang, Dan Zhang, Sheng Guo, Haibo Qu

Notice bibliographique

RevueSensors · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueSensor Technology and Measurement Systems
Établissements canadiensYork University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésJacobian matrix and determinantReconfigurabilitySensitivity (control systems)StiffnessMeasure (data warehouse)KinematicsComputer scienceControl theory (sociology)EngineeringElectronic engineeringStructural engineeringPhysicsMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

To measure large external forces exerted on a loading platform, a novel three-dimensional force sensor is developed in this paper. The proposed sensor was designed with a parallel mechanism with three degrees of freedom. Kinematic analysis of this sensor was performed. Due to its structural characteristics, the working principle of the sensor was analyzed using a Jacobian matrix. The sensitivity diversity index and measuring capability were both calculated. The analysis showed that the proposed sensor is more suitable for measuring large forces than existing strain sensors. In addition, compared with existing strain sensors, this sensor is more suitable for measuring forces along the x and y axes. By changing the stiffness coefficients of the springs, the proposed sensor has reconfigurability. This sensor can change its measuring capability to meet different requirements. Next, the mode shapes and natural frequencies of the proposed sensor were performed. Finally, based on these performance indices, the design variables were optimized using a Multi-Objective Genetic Algorithm.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,026
Tête enseignante GPT0,225
Écart entre enseignants0,199 · 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'étudeExpérimental (laboratoire)
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

Citations14
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetSensor Technology and Measurement SystemsTravaux en français237 207