MétaCan
Menu
Retour à la cohorte
Enregistrement W3005336183 · doi:10.1155/2020/5640246

Dynamic Modeling and Adaptive Robust Synchronous Control of Parallel Robotic Manipulator for Industrial Application

2020· article· en· W3005336183 sur OpenAlexafffund
Haiqiang Zhang, Hairong Fang, Qi Zou, Dan Zhang

Notice bibliographique

RevueComplexity · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueIterative Learning Control Systems
Établissements canadiensYork University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesChina Scholarship CouncilYork University
Mots-clésControl theory (sociology)Computer scienceAdaptive controlTrajectoryRobust controlLyapunov functionLyapunov stabilityController (irrigation)KinematicsSynchronization (alternating current)Control engineeringControl systemControl (management)Nonlinear systemArtificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

Control of parallel manipulators is very hard due to their complex dynamic formulations. If part of the complexity is resulting from uncertainties, an effective manner for coping with these problems is adaptive robust control. In this paper, we proposed three types of adaptive robust synchronous controllers to solve the trajectory tracking problem for a redundantly actuated parallel manipulator. The inverse kinematic of the parallel manipulator was firstly developed, and the dynamic formulation was further derived by mean of the principle of virtual work. Furthermore, linear parameterization regression matrix was determined by virtue of command function “equationsToMatrix” in MATLAB. Secondly, the three adaptive robust synchronous controllers (i.e., sliding mode control, high gain control, and high frequency control) are developed, by incorporating the camera sensor technique into adaptive robust synchronous control architecture. The stability of the proposed controllers was proved by utilizing Lyapunov theory. A sequence of simulation tests were implemented to prove the performance of the controllers presented in this paper. The three proposed controllers can theoretically guarantee the errors including trajectory tracking errors, synchronization errors, and cross-coupling errors asymptotically converge to zero for a given trajectory, and the estimated unknown parameters can also approximately converge to their actual values in the presence of unmodeled dynamics and external uncertainties. Moreover, all the simulation comparative results were presented to illustrate that the adaptive robust synchronous high-frequency controller possess a much superior comprehensive performance than two other controllers.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,083
Tête enseignante GPT0,243
Écart entre enseignants0,160 · 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

Citations13
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComplexityMême sujetIterative Learning Control SystemsTravaux en français237 207