Hybrid Active–Passive Robust Control Framework of a Flexure-Joint Dual-Drive Gantry Robot for High-Precision Contouring Tasks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For high-precision contouring tasks in a typical Cartesian motion system, multiaxis cooperation is a long-standing challenging issue. Inevitably, various factors pose substantial difficulty in the multiaxis cooperation leading to degraded contouring performance, such as the strong coupling effect between different axes, nonlinearity, the unknown dynamics due to the friction, and the difficulties in accurate system identification. To enhance the contouring performance of a flexure-joint dual-drive gantry system against the aforementioned issues, this article presents a hybrid active–passive robust control framework leveraging a model-free architecture. In this control scheme, all the coupling effects, nonlinearity, disturbance, and unknown dynamics are considered as “lumped uncertainty”. Then, a super-twisting sliding mode control method with a signum-type iterative learning law is proposed to passively suppress the lumped uncertainty during iterations; and an extended state observer is deployed to actively compensate the lumped uncertainty and ensure the establishment of sliding motion in the time domain. As supported by theoretical analysis, the proposed controller is shown to exhibit several important properties. First, the establishment of the sliding motion is guaranteed globally, in both the time domain and the iteration domain. Second, the properties of short establishment time of the sliding motion, fast convergence during the iterations, and low chattering are achieved. Moreover, a series of comparative experiments are conducted, and the proposed method is shown to be rather effective in achieving excellent contouring performance in the high-speed and complex-curvature contouring tasks, without relying on the system model.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle