Estimation des paramètres du modèle de frottement de lugre par l'analyse d'intervalle
Bibliographic record
Abstract
Une mauvaise connaissance a priori des paramètres des modèles de frottement rend difficile la conception des contrôleurs de position, spécialement dans les servomécanismes de haute précision. Les approches habituellement utilisées pour l'identification de systèmes, telle que la méthode des moindres carrés, peuvent être inefficaces pour identifier le modèle de frottement de LuGre puisqu'il ne peut être représenté sous une forme linéaire par rapport à ses paramètres incertains. \n \nL'approche à erreur bornée est efficace pour estimer des paramètres incertains de modèles fortement non linéaire. Cette approche est basée sur l'analyse d'intervalle et l'inversion ensembliste. Elle a été récemment utilisée avec succès dans plusieurs domaines notamment en électrochimie, en contrôle et en traitement des signaux. L'objectif de ce mémoire est d'appliquer cette approche au problème d'estimation des paramètres du modèle de frottement de LuGre. Pour valider la méthodologie présentée, des données expérimentales récoltées à partir d'un système électropneumatique sont utilisées pour identifier les paramètres du modèle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".