論文の概要: Analysis of Centrifugal Clutches in Two-Speed Automatic Transmissions with Deep Learning-Based Engagement Prediction

• arxiv url: http://arxiv.org/abs/2409.09755v1
• Date: Sun, 15 Sep 2024 14:57:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 17:30:42.007781
• Title: Analysis of Centrifugal Clutches in Two-Speed Automatic Transmissions with Deep Learning-Based Engagement Prediction
• Title（参考訳）: 深層学習に基づくエンゲージメント予測を用いた2速自動伝送における遠心クラッチの解析
• Authors: Bo-Yi Lin, Kai Chun Lin,
• Abstract要約: 本研究は,様々なクラッチ構成が伝達力学に及ぼす影響を系統的に検討した。 Deep Neural Network(DNN)モデルは、スプリングプリロードや靴の質量といったパラメータを用いてクラッチエンゲージメントを予測する。
• 参考スコア（独自算出の注目度）: 0.18416014644193066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a comprehensive numerical analysis of centrifugal clutch systems integrated with a two-speed automatic transmission, a key component in automotive torque transfer. Centrifugal clutches enable torque transmission based on rotational speed without external controls. The study systematically examines various clutch configurations effects on transmission dynamics, focusing on torque transfer, upshifting, and downshifting behaviors under different conditions. A Deep Neural Network (DNN) model predicts clutch engagement using parameters such as spring preload and shoe mass, offering an efficient alternative to complex simulations. The integration of deep learning and numerical modeling provides critical insights for optimizing clutch designs, enhancing transmission performance and efficiency.
• Abstract（参考訳）: 本稿では,2速自動変速機と一体化した遠心クラッチシステムの総合的数値解析について述べる。 遠心クラッチは、外部制御なしで回転速度に基づくトルク伝達を可能にする。 本研究は, 異なる条件下でのトルク伝達, アップシフト, ダウンシフト挙動に着目し, 伝達力学に対するクラッチ構成の影響を系統的に検討した。 ディープニューラルネットワーク(DNN)モデルは、スプリングプリロードや靴の質量といったパラメータを使ってクラッチエンゲージメントを予測し、複雑なシミュレーションの効率的な代替手段を提供する。 ディープラーニングと数値モデリングの統合はクラッチ設計を最適化し、伝達性能と効率を向上するための重要な洞察を提供する。

関連論文リスト

• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Differentiable Hybrid Traffic Simulation [29.86954929536965]
  本稿では,マクロモデルと顕微鏡モデルの両方のハイブリッドモデルを用いて,トラフィックをシミュレートする,新しい差別化可能なハイブリッドトラフィックシミュレータを提案する。 これは、時間ステップと不均一レーン間のトラフィック状態の勾配を計算することができる、マクロおよびハイブリッドモデルの初めての微分可能なトラフィックシミュレータである。
  論文  参考訳（メタデータ） (2022-10-14T18:20:15Z)
• Network-wide traffic signal control optimization using a multi-agent deep reinforcement learning [20.385286762476436]
  非効率な交通制御は、交通渋滞やエネルギー廃棄物などの多くの問題を引き起こす可能性がある。 本論文では,交通信号間の協調性を高めることで最適制御を実現するマルチエージェント強化学習手法であるKS-DDPGを提案する。
  論文  参考訳（メタデータ） (2021-04-20T12:53:08Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Optimization of Operation Strategy for Primary Torque based hydrostatic Drivetrain using Artificial Intelligence [0.0]
  静水圧移動機のための新しい一次トルク制御の概念が2018年に導入された。 Yサイクルで作業している間、一次トルク制御ホイールローダは、二次制御土木よりも効率が悪くなる。 本稿では,CNN,RNN,DNNを組み合わせた一連のCRDNNを提案し,Yサイクルを正確に検出する。
  論文  参考訳（メタデータ） (2020-03-22T22:16:39Z)
• Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
  我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。 提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
  論文  参考訳（メタデータ） (2020-01-21T12:52:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。