論文の概要: Fast Data-Driven Modeling of Hydraulic Clutch Control Pressure with Latch-State Classification and Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2607.10477v1
• Date: Sat, 11 Jul 2026 21:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.439107
• Title: Fast Data-Driven Modeling of Hydraulic Clutch Control Pressure with Latch-State Classification and Gaussian Process Regression
• Title（参考訳）: ラッチ状態分類とガウス過程回帰による水圧クラッチ制御圧力の高速データ駆動モデリング
• Abstract要約: 本稿では,油圧クラッチ制御回路の圧力応答をモデル化するためのデータ駆動方式を提案する。 提案手法は未知のランプレートデータを用いて評価し,物理に基づくアメシムモデルと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a data-driven method for modeling the pressure response of a hydraulic clutch control circuit. The system consists of a variable-force solenoid, accumulator, pressure regulator valve, and latch valve, and exhibits nonlinear behavior caused by hysteresis, latch transitions, and actuator dynamics. A baseline model using commanded current variables captured the general pressure response but failed to represent hysteresis and latch behavior accurately. The input vector was therefore extended with current derivative information, and several classifiers were tested to separate latch-related operating regimes before fitting Gaussian Process regression models to the resulting partitions. Nonlinear SVC and gradient boosting produced the highest latch-classification accuracy, and nonlinear SVC was selected for the final local-regression pipeline. The proposed approach was evaluated on unseen ramp-rate data and compared against a physics-based Amesim model. The machine-learning model reproduced the measured pressure response and hysteresis behavior more accurately than the physics-based simulation for the tested operating conditions. These results suggest that machine-learning plant models can complement physics-based hydraulic models during hardware development and controller calibration when representative test-stand data are available.
• Abstract（参考訳）: 本稿では,油圧クラッチ制御回路の圧力応答をモデル化するためのデータ駆動方式を提案する。 このシステムは可変力ソレノイド、アキュミュレータ、圧力調節弁、ラッチバルブで構成され、ヒステリシス、ラッチ遷移、アクチュエータダイナミクスによって引き起こされる非線形挙動を示す。 指令電流変数を用いたベースラインモデルでは, 一般的な圧力応答が得られたが, ヒステリシスやラッチの挙動を正確に表現できなかった。 そのため、入力ベクトルは現在の微分情報で拡張され、ガウス過程回帰モデルと結果の分割とを適合させる前に、ラッチ関連操作機構を分離するためにいくつかの分類器が試験された。 非線形SVCと勾配推力はラッチ分類の精度が最も高く, 最終局所回帰パイプラインでは非線形SVCが選択された。 提案手法は未知のランプレートデータを用いて評価し,物理に基づくAmesimモデルと比較した。 実験条件に対する物理シミュレーションよりも, 測定された圧力応答とヒステリシスの挙動を高精度に再現した。 これらの結果から, ハードウェア開発における物理系油圧モデルと, 代表的なテストスタンドデータが存在する場合のコントローラキャリブレーションを, 機械学習プラントモデルで補完できる可能性が示唆された。

関連論文リスト

• Rapid FinFET Modelling Using an Autoencoder [0.0]
  我々は、全I-V曲線を低次元潜在空間に圧縮するオートエンコーダを訓練する。 重要な革新は、入力特徴としてドレインからソース電圧(VDS)などのパラメータを明示的に組み込むことである。 トレーニングされたモデルは、完全なI-V曲線を再構築し、重要なデバイスメトリクスを直接抽出する。
  論文  参考訳（メタデータ） (2026-06-23T01:15:50Z)
• Regularized Machine Learning for System Identification of Ship Free-Running Manoeuvres from CFD-Based Synthetic Data: A Comparative Study [0.0]
  本研究では,CFD生成データから船舶の流体力学係数を同定するための教師付き機械学習手法について検討した。 トレーニングおよび検証データセットは、ジグザグと回転円運動のURANSシミュレーションから導かれる。 正規化回帰技術は、多重線型性を効果的に軽減し、予測精度を顕著に向上させる。
  論文  参考訳（メタデータ） (2026-06-15T12:42:29Z)
• Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control [0.34376560669160394]
  単純なリカレントニューラルネットワークアーキテクチャとワンステップ予測制御により,プロセス性能が向上することを示す。 ラインスキャナフィードバックを統合したロボットWAAMテストベッドの実験は、高さと幅の整合性を著しく改善した。
  論文  参考訳（メタデータ） (2026-05-27T22:15:24Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions [0.0]
  本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-12T14:16:27Z)
• Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
  イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。 既存のmemristorの汎用モデルをイベント駆動設定に拡張する。 本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
  論文  参考訳（メタデータ） (2024-06-14T13:17:19Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Discovery of sparse hysteresis models for piezoelectric materials [1.3669389861593737]
  本稿では, スパース・レグレッション法を用いて圧電材料をモデル化する手法を提案する。 提案したアプローチは、従来の回帰ベースのニューラルネットワーク手法と比較され、その効率性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-02-10T15:21:36Z)
• 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)
• 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)

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。