MétaCan
Menu
Retour à la cohorte
Enregistrement W4283317069 · doi:10.1088/1742-6596/2281/1/012011

Extending the Force Balancing Method of Adjusting Kinematic Parameter to Spatial Mechanisms

2022· article· en· W4283317069 sur OpenAlexaff
Ruyi He, Anil Borugadda, Bing Zhang, Wenjun Zhang

Notice bibliographique

RevueJournal of Physics Conference Series · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Mechanisms and Dynamics
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésCounterweightKinematicsMechanism (biology)InertiaComputer scienceActuatorControl theory (sociology)RobotPlanarForce field (fiction)MATLABSimulationCentripetal forceVariable (mathematics)Control engineeringEngineeringMechanical engineeringArtificial intelligenceMathematicsPhysicsClassical mechanics

Résumé

récupéré en direct d'OpenAlex

Abstract Robotic mechanisms is one that the mechanism includes no less than one variable speed actuator. As for force balancing, which refers to mechanisms with a complete cancelation of the inertia-induced force on the ground (shaking force). A few strategies are accessible for reducing shaking force, including the counterweight (CW), add-of-spring (AOS), add-of-linkage (AOL), and adjusting kinematic parameter (AKP). AKP is only applicable to planar robotic mechanisms when it was developed. The primary goal of the present paper is to extend AKP approach to a spatial mechanism. Considering the complex kinematic characteristics of spatial mechanism, a simple spherical parallel robot (SPR) is used as the research tool. The equations for force balancing of the spherical robotic mechanism using AKP were derived. Simulation verification was performed by a reliable software called SPACAR available in the Matlab environment. The results demonstrated the effectiveness of the AKP method in eliminating the unbalanced force to spatial mechanisms. The main contribution is the provision of a new force balancing method to spatial mechanisms, which will enrich the field of balancing of spatial robotic mechanisms.

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)0,001
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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,017
Tête enseignante GPT0,243
Écart entre enseignants0,226 · 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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Physics Conference SeriesMême sujetRobotic Mechanisms and DynamicsTravaux en français237 207