論文の概要: A Hybrid Data-Driven Algorithm for Real-Time Friction Force Estimation in Hydraulic Cylinders
- arxiv url: http://arxiv.org/abs/2602.05967v1
- Date: Thu, 05 Feb 2026 18:21:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:09.112174
- Title: A Hybrid Data-Driven Algorithm for Real-Time Friction Force Estimation in Hydraulic Cylinders
- Title（参考訳）: 油圧シリンダにおける実時間摩擦力推定のためのハイブリッドデータ駆動アルゴリズム
- Authors: Mohamad Amin Jamshidi, Mehrbod Zarifi, Zolfa Anvari, Hamed Ghafarirad, Mohammad Zareinejad,
- Abstract要約: 本研究では,Long Short-Term Memory(LSTM)ネットワークとランダムフォレストに基づく非線形摩擦力推定のためのデータ駆動ハイブリッドアルゴリズムを提案する。
様々な動作条件と外部負荷変動に対して10%未満の一貫性と安定したモデル誤差を実現する。
提案手法は,高精度で計算効率の高い解析モデルの限界に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hydraulic systems are widely utilized in industrial applications due to their high force generation, precise control, and ability to function in harsh environments. Hydraulic cylinders, as actuators in these systems, apply force and position through the displacement of hydraulic fluid, but their operation is significantly influenced by friction force. Achieving precision in hydraulic cylinders requires an accurate friction model under various operating conditions. Existing analytical models, often derived from experimental tests, necessitate the identification or estimation of influencing factors but are limited in adaptability and computational efficiency. This research introduces a data-driven, hybrid algorithm based on Long Short-Term Memory (LSTM) networks and Random Forests for nonlinear friction force estimation. The algorithm effectively combines feature detection and estimation processes using training data acquired from an experimental hydraulic test setup. It achieves a consistent and stable model error of less than 10% across diverse operating conditions and external load variations, ensuring robust performance in complex situations. The computational cost of the algorithm is 1.51 milliseconds per estimation, making it suitable for real-time applications. The proposed method addresses the limitations of analytical models by delivering high precision and computational efficiency. The algorithm's performance is validated through detailed analysis and experimental results, including direct comparisons with the LuGre model. The comparison highlights that while the LuGre model offers a theoretical foundation for friction modeling, its performance is limited by its inability to dynamically adjust to varying operational conditions of the hydraulic cylinder, further emphasizing the advantages of the proposed hybrid approach in real-time applications.
- Abstract（参考訳）: 油圧システムは、高力発生、精密制御、厳しい環境下で機能する能力のために、産業用途で広く利用されている。
これらの系のアクチュエータとしての油圧シリンダーは流体の変位によって力と位置を印加するが、その動作は摩擦力に大きく影響される。
油圧シリンダーの高精度化には、様々な運転条件下での正確な摩擦モデルが必要である。
既存の分析モデルは、しばしば実験から派生したもので、影響要因の同定や推定を必要とするが、適応性や計算効率に制限がある。
本研究では,Long Short-Term Memory(LSTM)ネットワークとランダムフォレストに基づく非線形摩擦力推定のためのデータ駆動ハイブリッドアルゴリズムを提案する。
このアルゴリズムは、実験的な油圧試験装置から取得したトレーニングデータを用いて、特徴の検出と推定を効果的に組み合わせる。
様々な動作条件と外部負荷変動に対して10%未満の一貫性と安定したモデル誤差を達成し、複雑な状況下での堅牢な性能を保証する。
アルゴリズムの計算コストは推定1ミリ秒あたり1.51ミリ秒であり、リアルタイムアプリケーションに適している。
提案手法は,高精度で計算効率の高い解析モデルの限界に対処する。
このアルゴリズムの性能は、LuGreモデルとの直接比較を含む詳細な分析と実験結果によって検証される。
この比較はLuGreモデルが摩擦モデリングの理論的基礎を提供する一方で、その性能は油圧シリンダの様々な運転条件に動的に適応できないことで制限されており、提案したハイブリッドアプローチの利点をさらに強調している。
関連論文リスト
- Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - Real-Time Structural Deflection Estimation in Hydraulically Actuated Systems Using 3D Flexible Multibody Simulation and DNNs [0.0]
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。
論文 参考訳（メタデータ） (2025-03-10T16:56:35Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。
このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。
MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks [1.6874375111244329]
本研究では,ESPシステムの流体特性,動的状態,重要なパラメータを間接的に推定する物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
PINNモデルの有効性は,これらの圧力測定を入力データとして,未知の状態とパラメータを推定することによって検証した。
論文 参考訳（メタデータ） (2023-10-04T17:40:46Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - 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) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
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。