MétaCan
Menu
Retour à la cohorte
Enregistrement W4407099585 · doi:10.1016/j.prime.2025.100915

Hybrid control strategy using iterative learning and state-dependent Riccati equation for enhanced precision in parallel delta robots

2025· article· en· W4407099585 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

Revuee-Prime - Advances in Electrical Engineering Electronics and Energy · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueIterative Learning Control Systems
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésRiccati equationIterative learning controlAlgebraic Riccati equationControl (management)Computer scienceControl theory (sociology)State (computer science)RobotArtificial intelligenceMathematicsAlgorithmDifferential equationMathematical analysis

Résumé

récupéré en direct d'OpenAlex

• controller design for parallel delta robot. • Iterative Learning Control for parallel delta robot. • The SDRE/SDDRE Control Design to improve the optimality and stability of parallel delta robot. • SDRE/SDDRE augmented by iterative learning. • ILC with PD control to make high performance and error reduction. Parallel delta robots are widely used in industrial automation for high-speed, high-precision tasks such as pick-and-place operations. However, traditional control methods like Proportional-Derivative (PD) controllers often struggle to handle the nonlinear dynamics of these systems, leading to suboptimal performance and stability issues. This study proposes an innovative control framework that combines a PD-type controller with a State-Dependent Riccati Equation (SDRE) approach, augmented by Iterative Learning Control (ILC), to address these challenges. The SDRE framework dynamically adjusts system parameters to enhance stability margins, while the ILC component iteratively refines control inputs based on error patterns, achieving progressively improved precision. The proposed method was validated through both simulations and experimental testing on a parallel delta robot, focusing on regulation and tracking tasks. The experimental setup included a mechanical manipulator controlled via the hybrid SDRE-ILC framework, with performance benchmarks compared to traditional PD controllers. Results demonstrated an 85 % reduction in system errors across successive iterations, confirming the efficacy of the approach. The hybrid framework not only improved stability and tracking accuracy but also provided adaptability to dynamic conditions. This study offers a robust and scalable solution for enhancing the performance of parallel delta robots, particularly in applications demanding high precision and reliability, such as assembly lines, packaging, and surgical robotics. The findings emphasize the potential of integrating advanced control strategies to overcome the inherent limitations of conventional methods, paving the way for more efficient industrial automation 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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,927
Score d'incertitude au seuil1,000

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 Opus0,005
Tête enseignante GPT0,238
Écart entre enseignants0,233 · 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