Transfer Learning Approach for Estimating Modal Parameters of Robot Manipulators Using Minimal Experimental Data
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
Robots are used more and more in manufacturing, especially in tasks like robotic machining, where understanding their vibration behavior is very important. However, robot vibrations vary with posture, and evaluating all representative postures requires significant time and cost. This study proposes a deep learning (DL) based transfer learning (TL) approach to predict robot vibration behavior using fewer experiments. A large dataset was collected from a KUKA KR300 robot (Robot A) by testing nearly 250 postures. This dataset was then used to train a model to predict modal parameters such as natural frequencies (ω_n), damping ratios (ξ), and modal stiffness (k) within the workspace. TL was then used to apply the knowledge from Robot A to two other robots: a Comau NJ 650-2.7 (Robot B, high-payload) and an ABB IRB 4400 (Robot C, low-payload). Only a small number of postures were tested for Robots B and C. They were chosen carefully to cover different workspace areas and avoid collisions. Hammer tests were performed, and a four-step process was used to identify the real vibration modes. Stabilization diagrams were applied to confirm valid modes and remove noise. The results show that TL can accurately predict modal parameters for both Robot B and Robot C, even with limited data. These predictions were also used to estimate frequency response functions (FRFs), which matched well with experimental results. The main novelties of this work are: achieving accurate prediction of posture-dependent dynamics using minimal experimental data, demonstrating generalization across robots with different payload capacities, and revealing that data coverage across the workspace is more critical than dataset size.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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