MétaCan
Menu
Retour à la cohorte
Enregistrement W4393988746 · doi:10.1002/rob.22332

Implementation of PID controller and enhanced red deer algorithm in optimal path planning of substation inspection robots

2024· article· en· W4393988746 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Field Robotics · 2024
Typearticle
Langueen
DomaineEngineering
ThématiquePower Line Inspection Robots
Établissements canadiensSimon Fraser University
Organismes subventionnairesState Grid Jiangsu Electric PowerScience and Technology Project of State Grid
Mots-clésPID controllerMotion planningPath (computing)RobotControl theory (sociology)Computer scienceAlgorithmController (irrigation)Control engineeringEngineeringReal-time computingArtificial intelligenceControl (management)Temperature controlBiology

Résumé

récupéré en direct d'OpenAlex

Abstract In contemporary power transmission systems, substation monitoring stands as a vital but challenging task. While robotics offers promise in this regard, its potential is still nascent, struggling to replicate human intelligence. This article's core aim was to optimize robot path planning (RPP). Employing the enhanced red deer algorithm (ERDA), we sought to bolster RPP for more efficient substation inspections. The key methods used seem to be modeling, experimentation, comparative analysis, and some elements of data benchmarking to systematically evaluate and validate their proposed technique and models both in simulation and the real world. Research aims to enhance substation inspection effectiveness and bolster the safety of power usage in society. Proposed hybrid approach, combining proportional–integral–derivative (PID) with ERDA (PID–ERDA), underpins an Intelligent Intelligent RPP framework tailored to substation inspections. Examining the PID–ERDA model's performance, it significantly improved path length by 18%–29% and reduced response times by 14%–26% compared with PID or ERDA alone. PID–ERDA consistently achieved optimal solutions in 40–60 trials out of 85, while PID and ERDA managed 20–40 trials with inconsistent optimization. Additionally, it reduced average response times to 17–20 s from 21 to 27 s observed when using PID and ERDA separately. PID–ERDA also demonstrated superior path accuracy, surpassing methods like improved adaptive control algorithm‐feedforward neural network, enhanced unified algorithm‐susceptible‐infected‐removed, and bounded behavior‐particle swarm optimization by 7%–13%. The study affirms that the PID–ERDA model significantly enhances path planning for substation inspections, representing a milestone in RPP for power station inspections within modern power transmission systems. The primary contribution of this research is the significant improvement it brings to RPP for power station inspections, especially in substation monitoring within modern power transmission systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,773
Score d'incertitude au seuil0,330

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,276
Écart entre enseignants0,268 · 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