論文の概要: Real-Time Structural Deflection Estimation in Hydraulically Actuated Systems Using 3D Flexible Multibody Simulation and DNNs

• arxiv url: http://arxiv.org/abs/2503.07528v1
• Date: Mon, 10 Mar 2025 16:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 18:53:41.989792
• Title: Real-Time Structural Deflection Estimation in Hydraulically Actuated Systems Using 3D Flexible Multibody Simulation and DNNs
• Title（参考訳）: 3次元フレキシブル・マルチボディ・シミュレーションとDNNを用いた油圧作動系のリアルタイム構造偏向推定
• Authors: Qasim Khadim, Peter Manzl, Emil Kurvinen, Aki Mikkola, Grzegorz Orzechowski, Johannes Gerstmayr,
• Abstract要約: 本研究では,油圧作動系におけるリアルタイム構造偏向を推定するための新しい枠組みを提案する。 これは、強制励起を受ける機械系の動的応答を推定する機械学習に基づくSLIDEに基づいている。 PyTorch、ADAM、各種センサー入力、最小出力データから標準パラメータを使用して、少ない時間でトレーニングされる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The precision, stability, and performance of lightweight high-strength steel structures in heavy machinery is affected by their highly nonlinear dynamics. This, in turn, makes control more difficult, simulation more computationally intensive, and achieving real-time autonomy, using standard approaches, impossible. Machine learning through data-driven, physics-informed and physics-inspired networks, however, promises more computationally efficient and accurate solutions to nonlinear dynamic problems. This study proposes a novel framework that has been developed to estimate real-time structural deflection in hydraulically actuated three-dimensional systems. It is based on SLIDE, a machine-learning-based method to estimate dynamic responses of mechanical systems subjected to forced excitations.~Further, an algorithm is introduced for the data acquisition from a hydraulically actuated system using randomized initial configurations and hydraulic pressures.~The new framework was tested on a hydraulically actuated flexible boom with various sensor combinations and lifting various payloads. The neural network was successfully trained in less time using standard parameters from PyTorch, ADAM optimizer, the various sensor inputs, and minimal output data. The SLIDE-trained neural network accelerated deflection estimation solutions by a factor of $10^7$ in reference to flexible multibody simulation batches and provided reasonable accuracy. These results support the studies goal of providing robust, real-time solutions for control, robotic manipulators, structural health monitoring, and automation problems.
• Abstract（参考訳）: 重機における軽量高強度鋼構造物の精度, 安定性, 性能は, 高非線形力学の影響を受けている。 これにより、制御がより難しくなり、より計算集約的にシミュレーションされ、標準的なアプローチを使用してリアルタイムの自律性を達成することは不可能になる。 しかし、データ駆動、物理インフォームド、物理にインスパイアされたネットワークによる機械学習は、非線形の動的問題に対するより計算的かつ正確な解決策を約束する。 本研究では,油圧駆動3次元システムにおけるリアルタイム構造偏向を推定するための新しい枠組みを提案する。 これは、強制励起を受ける機械系の動的応答を推定する機械学習に基づくSLIDEに基づいている。 さらに, ランダム化初期構成と油圧を用いた油圧駆動システムからのデータ取得のためのアルゴリズムを導入する。 この新しいフレームワークは、様々なセンサーの組み合わせと様々なペイロードを持ち上げる油圧作動可能なフレキシブルブームでテストされました。 ニューラルネットワークは、PyTorch、ADAMオプティマイザ、各種センサ入力、最小出力データから標準パラメータを使用して、少ない時間でトレーニングされた。 SLIDEでトレーニングされたニューラルネットワークは、柔軟な多体シミュレーションバッチに対して10^7$の係数で偏向推定ソリューションを加速し、妥当な精度を提供した。 これらの結果は、制御、ロボットマニピュレータ、構造的健康モニタリング、自動化問題に対する堅牢でリアルタイムなソリューションを提供することを目標とする研究を支援する。

関連論文リスト

• SLIDE: A machine-learning based method for forced dynamic response estimation of multibody systems [42.87502453001109]
  SLiding-Window初期停止型動的応答推定器(SLIDE) メカニカル・マルチボディシステムの出力シーケンスを推定する深層学習法 その結果、シミュレーションから数百万までの大幅な高速化が示され、リアルタイム性能を大きく上回った。
  論文  参考訳（メタデータ） (2024-09-26T20:34:07Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Adaptive learning of effective dynamics: Adaptive real-time, online modeling for complex systems [2.6144444305800234]
  本稿では,大規模シミュレーションを橋渡しし,適応的に有効な力学を抽出・予測する新しいフレームワークを提案する。 AdaLEDはオートエンコーダを使用して、システムダイナミクスの低次表現と確率的リカレントニューラルネットワーク(RNN)のアンサンブルを遅延時間ステップ時間として識別する。 このフレームワークは、計算解法とサロゲートを交互に組み合わせ、学習力学を加速し、まだ学習されていない力学系を元の解法に残す。
  論文  参考訳（メタデータ） (2023-04-04T12:05:51Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• DynNet: Physics-based neural architecture design for linear and nonlinear structural response modeling and prediction [2.572404739180802]
  本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。 このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
  論文  参考訳（メタデータ） (2020-07-03T17:05:35Z)
• Multiscale Simulations of Complex Systems by Learning their Effective Dynamics [10.52078600986485]
  本稿では,大規模シミュレーションをブリッジし,注文モデルを削減し,実効ダイナミクスを学習するシステムフレームワークを提案する。 LEDは複雑なシステムの正確な予測に新しい強力なモダリティを提供する。 LEDは化学から流体力学に至るまでのシステムに適用でき、計算の労力を最大2桁まで削減できる。
  論文  参考訳（メタデータ） (2020-06-24T02:35:51Z)

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。