Deep Learning-Based Wrench Model for Magnetically Levitated Actuators
Notice bibliographique
Résumé
Magnetic levitation actuators (MLAs) are employed in flexible manufacturing, precision positioning and machining, and haptic devices due to untethered motions. However, the MLAs with disc-magnet movers and static coils rely on multidimensional and memory-expensive lookup tables (LUTs) for operation, lacking online force and torque (wrench) models. We propose a deep neural network model to predict the wrench between individual disc magnets and each coil using a programmable logic controller. The approach utilizes residual blocks to deepen the architecture without enlarging network scales, and we train and validate the wrench model using datasets generated with random mover poses inside the operating range. We show that after training, the residual-based model outperforms a two-hidden-layer baseline model in implementation performance and test accuracy. The test/prediction accuracy is verified through load cell measurements and LUTs on two datasets with$\text{0.96}$and 25 million samples. After obtaining the wrench matrix of the disc-magnet magnetic levitation actuator, the weighted pseudoinverse commutation law is adopted to decouple the system. Experimental validation shows multidisc-magnet mover control resolutions of$\pm$10$\mu$m and$\pm$10 mdegrees in the translational and rotational axes, respectively, with a processing time of 4.1$\mu$s. Full operating range sinusoidal responses demonstrate the capability of dynamic motion controls and motion ranges in all axes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».