С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Details

Title: Параметризация модели трения методом машинного обучения: выпускная квалификационная работа магистра: 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа на иностранном языке)
Creators: Макхиджа Харлиин Сингх Харджиит Сингх
Scientific adviser: Шкодырев Вячеслав Петрович
Other creators: Киселева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2018
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Нейронные сети; Трение; машинное обучение
UDC: 004.032.26
Document type: Master graduation qualification work
File type: PDF
Language: English
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия
DOI: 10.18720/SPBPU/2/v18-6344
Rights: Свободный доступ из сети Интернет (чтение)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Трение может рассматриваться и как преимущество, и как недостаток в приложениях практических задач. По тематике моделирования и компенсации трения в механизмах двигателей были выполнены обширные исследования и опубликован значительный ряд статей. В настоящей работе рассматривается исследование процесса моделирования трения с учетом его модельной сложности, приводятся результаты расчетов, выполненных с помощью искусственных нейронных сетей (ANN). Нейронные сети являются мощным инструментом для моделирования сложных нелинейных процессов и явлений, к каким относится трение. Положительный опыт в использовании нейронных сетей применительно к моделированию трения в течение последних 20 лет трудно переоценить. В данном исследовании предпринята попытка рассмотрения этого опыта под другим углом, с целью ответить на вопросы о позиционной зависимости трения, и проанализировать необходимость перекрестной проверки и информационные критерии для регуляризации.

Friction can be seen both as an advantage and the other way around according to the applications. Extensive research has been made and papers have been published to model it and compensate it in the control applications. The report here talks about the study to model Friction according to its Model Complexity and it has been estimated by Artificial Neural Networks (ANN) as they are powerful tool for modeling non-linearity and Friction has been said as a complex, non-linear phenomenon. The aid of Neural Networks in assisting Friction modeling has been enormous in the last 20 years or so and the effort has been made in this study to view it from a different angle so to answer questions of position dependency of friction and to analyze the need to cross validation and Information Criteria for Regularization.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
Internet Authorized users Read
-> Internet Anonymous

Table of Contents

  • ЗАДАНИЕ
    • The task is accepted ____/_____/2018г.
  • ABSTRACT
  • INTRODUCTION
  • 1. Literature Review
  • 2. Modeling
    • 2.1 Test Setup
    • 2.2 Procedure
    • 2.3 Data Acquisition
    • 2.4 Analytical Modeling
      • 2.4.1 Coulomb friction model
      • The next plot is the only coulomb friction model. It is calculated using Moore-Penrose Pseudoinverse of velocity and multiplying it with torque.
      • So, the equation becomes as
      • 2.4.2 Coulomb + Viscous model.
      • 2.4.3 Lastly comes the Stribeck friction model.
    • 2.5 Neural Network Modeling
  • 3. Results of experiment
  • CONCLUSION
  • Reviewers
  • Appendix A

Usage statistics

stat Access count: 41
Last 30 days: 0
Detailed usage statistics