Бул изилдөө жогорку ылдамдыктагы жана жогорку ылдамдануудагы так кыймыл платформаларынын динамикалык жүрүм-турумун болжолдоо жана серво башкаруу параметрлерин оптималдаштыруу үчүн физикага негизделген механикалык моделдөө менен машиналык үйрөнүүнү бириктирген гибриддик ыкманы иштеп чыгат. Система алгач Generalized Receptance Coupling Substructure Analysis (GRCSA) колдонулуп, ички түзүмдөргө жана механикалык туташуу интерфейстерине бөлүнөт; жыштыктык жооп функциялары физикалык термелүү моделдери жана модалдык эксперименттер аркылуу түзүлөт. Андан кийин жасалма интеллект моделдери башкаруу параметрлери, интерфейстин катуулугу/демпфирлөөсү жана жыштыктык жооптун ортосундагы сызыктуу эмес байланыштарды үйрөнөт.

Изилдөөдө дифференциалдык эволюция, имитацияланган күйдүрүү жана ушул ишке мүнөздүү кластерленген имитацияланган күйдүрүү алгоритмдери менен физикалык моделдин параметрлери түзөтүлгөн. Баштапкы болжол менен %3,50 болгон FRF моделинин катасы эвристикалык оптималдаштыруу баскычында болжол менен %2,6–2,7 деңгээлине түшүрүлгөн. Булактын аннотация бөлүмүндө интеграцияланган оптималдаштыруудан кийин %2,47 ката мааниси өзүнчө билдирилет.

Машиналык үйрөнүү тарабында түз маселе, тескери маселе жана учтан-учка болжолдоо өз-өзүнчө каралган. Бир багыттуу интерфейс параметри → FRF моделдеринде R² 0,9908–0,9954 диапазонуна жеткен. FRFден механикалык интерфейс параметрлерин кайра болжолдоодо ResNet-1D өзгөчө бир багыттуу маселелерде күчтүү натыйжа көрсөткөн; X багытында R²=0,9980, Y багытында 0,9943 жана Rz багытында 0,9975 алынган.

Изилдөөнүн маанилүү жыйынтыгы физикалык модель менен жасалма интеллект бири-бирин алмаштырган ыкмалар эмес экенин көрсөтөт. X жана Y кыймылдарында GRCSA/MATLAB физикалык моделин сактаган модулдук түзүм төмөнүрөөк ката берет, ал эми Rz айлануу багытында учтан-учка жасалма интеллект модели ийгиликтүүрөөк болгон. Ошентип, физикалык түшүндүрмөлүүлүк менен сызыктуу эмес маалыматтарды үйрөнүү бир эле инженердик архитектурада бириктирилген.

Жогорку Тактыктагы Кыймыл Платформаларынын Динамикалык Жүрүм-Турумун Болжолдоо Эмне Үчүн Кыйын?

Жогорку тактыктагы кыймыл платформаларында серво күчөтүү коэффициенттери өзгөртүлгөндө кыймылдаткычтын жообу гана өзгөрбөйт. Багыттагычтардын, туташтыргычтардын, столдун, айланма элементтердин жана башка конструкциялык бөлүктөрдүн катуулук жана демпфирлөө жүрүм-туруму да системанын жыштыктык жообуна таасир берет.

Ошондуктан системанын башкаруу параметрлери менен чыныгы термелүү жүрүм-турумунун ортосунда түз жана жөнөкөй сызыктуу байланыш болбошу мүмкүн.

Чектүү элементтер модели татаал геометрияларды жогорку деталдуулукта көрсөтө алат; бирок моделдөө жана тор түзүү чыгымы жогору. Жөнөкөйлөштүрүлгөн аналитикалык моделдер тез, бирок чыныгы түзүмдүн бардык деталдарын кармай албашы мүмкүн. Модалдык тесттер чыныгы динамиканы өлчөй алат, бирок эркиндик даражаларынын баарында ар бир параметрди түздөн-түз өлчөө практикалык эмес.

Бул изилдөө ушул үч тараптуу көйгөйдү физикалык ички түзүм моделин маалыматка негизделген болжолдоо менен бириктирүү аркылуу чечүүгө аракеттенет.

GRCSA Деген Эмне жана Ал Системаны Кантип Жөнөкөйлөтөт?

GRCSA татаал механикалык системаны бир бүтүн катары чечүүнүн ордуна ички түзүмдөргө жана аларды бири-бирине байланыштырган интерфейстерге бөлөт. Ар бир ички түзүмдүн жыштыктык жообу өзүнчө эсептелет; андан соң туташуу шарттарын колдонуу менен бүт системанын динамикалык жообу кайра түзүлөт.

Каралып жаткан кыймыл платформасы A–G деп аталган жети ички түзүмгө бөлүнөт.

Бул геометриялык жөнөкөйлөштүрүү чыныгы машинанын бардык деталдары маанисиз дегенди билдирбейт. Модель масса жана кесилиштин инерция моменти сыяктуу динамикалык жактан маанилүү касиеттерди сактоо менен эсептөө чыгымын азайтууну көздөйт.

FRF эмнени көрсөтөт?

Frequency Response Function (FRF) белгилүү бир жыштыктагы козгоо механикалык системада кандай чоңдукта жана кайсы фазада термелүү жообун жаратарын көрсөтөт.

Жыштык боюнча сканерлөө жүргүзүлгөндө резонанс жайгашкан аймактар, система кайсы жыштыктарда күчтүүрөөк термелери жана башкаруу параметрлери бул жоопту кантип өзгөртөрү көрүнөт.

Бул изилдөөдө FRF моделдин негизги болжолдоо чыгышы болуп саналат.

Тимошенко балка модели эмне үчүн колдонулат?

Ички түзүмдөрдүн термелүү жүрүм-турумун эсептөө үчүн ийилүү, узунунан жана буралуу термелүүлөрү өзүнчө физикалык теңдемелер менен моделденген.

Ийилүү маселеси Тимошенко балка теориясы менен каралат. Бул теория классикалык Euler–Bernoulli ыкмасынан айырмаланып, жылышуу деформациясын жана айлануу инерциясын да эске ала алат.

Табигый жыштыктар жана мода формалары алынгандан кийин бул маалыматтар FRF матрицаларын түзүүдө колдонулат.

Модель Чыныгы Машинанын Өлчөөлөрү Менен Кантип Ырасталат?

Платформада эксперименттик модалдык анализ жүргүзүлгөн. Системага калибрленген сокку балкасы менен кыска мөөнөттүү механикалык козгоо берилген жана пайда болгон термелүү үч октуу акселерометрлер менен катталган.

Бул эксперименттер физикалык GRCSA модели эсептеген жыштыктык жоопторду чыныгы машинанын жүрүм-туруму менен салыштыруу үчүн колдонулат.

Эмне Үчүн Дифференциалдык Эволюция жана Имитацияланган Күйдүрүү Колдонулган?

Чыныгы механикалык туташуунун катуулугун жана демпфирлөөсүн түздөн-түз жана катасыз өлчөө мүмкүн болбошу мүмкүн. Алгачкы аналитикалык баалоолордогу майда каталар системанын FRFинде чоңураак четтөөлөргө айланышы мүмкүн.

Ошондуктан оптималдаштыруу маселеси төмөнкүдөй түзүлөт:

Интерфейс / ички түзүм параметрлерин өзгөрт → GRCSAны иштет → эсептелген FRF менен өлчөнгөн FRF ортосундагы катаны эсепте → катаны азайт

Дифференциалдык эволюция жана имитацияланган күйдүрүү кең параметр мейкиндигинде жакшыраак механикалык параметр комбинацияларын издөө үчүн колдонулган.

Кластерленген имитацияланган күйдүрүү эмнени өзгөртөт?

Изилдөөчүлөр оптималдаштырылган параметрлер толугу менен көз карандысыз эместигин эске алышкан. Бир эле ички түзүмгө же интерфейске тиешелүү параметрлер механикалык жактан биргелешип иштейт.

Ошондуктан параметрлер адегенде 13 физикалык топко бөлүнгөн. Ар бир топ өзүнчө оптималдаштырылат, андан кийин алынган натыйжалар менен бүт параметр мейкиндигинде акыркы глобалдык издөө жүргүзүлөт.

Булак бул түзүм классикалык имитацияланган күйдүрүүгө салыштырмалуу издөө убактысын болжол менен %50 кыскартарын билдирет.

Кластерленген ыкма эң төмөн абсолюттук катаны берген эмес; анын артыкчылыгы кыйла аз итерация менен окшош ката деңгээлине жетүүсүндө.

Машиналык Үйрөнүү Физикалык Моделдин Кайсы Кемчиликтерин Толуктап Турат?

GRCSA физикалык жактан түшүндүрүлө турган системаны берет; бирок серво башкаруу параметрлери менен чыныгы интерфейстин катуулугу жана демпфирлөөсүнүн ортосундагы байланыш татаал жана сызыктуу эмес болушу мүмкүн.

Ошондуктан изилдөө машиналык үйрөнүүнү үч өзүнчө маселеде колдонот.

MLP менен ResNet-1D ортосундагы айырма

MLP бардык киргизүүлөрдү толук байланышкан катмарларда иштетет. ResNet-1D болсо жыштык спектрин бир өлчөмдүү ырааттуу маалымат катары карап, коңшу жыштык чекиттеринин жергиликтүү түзүмүн конволюциялар аркылуу үйрөнөт.

FRF сыяктуу жыштык боюнча тартиптүү өзгөргөн сигналдарда бул жергиликтүү түзүм маанилүү болушу мүмкүн. Булактын бир багыттуу тескери модель жыйынтыктары да ResNet-1D бул тапшырмада айкын артыкчылык бергенин көрсөтөт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Түз Модель Канча Так Болжол Жасайт?

Бир багыттуу моделдер биргелешкен жогорку өлчөмдүү моделге караганда жакшыраак жыйынтык берет. Булак муну ар кандай багыттардын бири-бирине байланышкан жогорку өлчөмдүү маалыматы үйрөнүү маселесин татаалдаштырышы менен түшүндүрөт.

FRFден Интерфейс Параметрин Кайра Болжолдоого Болобу?

Үч багыт бир эле тескери моделге берилген маселеде болсо R²=0,7004кө түшкөн. Бул жыйынтык жогорку өлчөмдүү FRFден аз сандагы физикалык параметрлер чыгарылган тескери маселе жалгыз жана жакшы шартталган байланыш эмес экенин көрсөтөт.

Серво Башкаруу Параметрлерин Түздөн-Түз FRFке Байлоого Болобу?

Изилдөөнүн инженердик жактан эң практикалык бөлүгү башкаруу параметрлеринен системанын жообуна чейинки баскычтуу модель болуп саналат.

Биринчи тармак башкаруу параметрлеринен интерфейстин катуулугун жана демпфирлөөсүн чыгарат. Экинчи тармак ушул физикалык параметрлерден жыштыктык жоопту болжолдойт. Андан кийин тармактар жалпы жоготуу функциясынын астында бирге оптималдаштырылат.

Эң жакшы X-багытындагы биргелешкен окутуу стратегиясында:

• интерфейс параметри R² = 0,9574,
• FRF R² = 0,8427

алынган.

Y багытына кеңейтилгенде FRF R² 0,9530га чейин жогорулаган.

Физикалык Модель менен Учтан-Учка AI Салыштырылганда Кайсынысы Жакшы?

X жана Y багыттарында математикалык GRCSA моделинин физикалык байланышууларды ачык түрдө камтышы артыкчылык берген.

Rz багытында болсо жасалма интеллекттин багыттар ортосундагы жашыруун өз ара таасирлерди үйрөнө алышы жакшыраак жыйынтык берген.

Бул табылга физикага негизделген жана маалыматка негизделген ыкмалар бири-бирин толуктай аларын көрсөтөт.

Rz Айлануу Багытын Моделдөө Эмне Үчүн Кыйын?

Rz жыштыктык жоопторунун амплитудасы жана дисперсиясы X жана Yге караганда кыйла чоң.

Мындан тышкары, сызыктуу жылышуу FRFлери модалдык эксперименттерде түздөн-түз өлчөнө алат, ал эми айлануу FRFи чектүү айырмалар ыкмасы менен кыйыр алынганы айтылат.

Бул жагдай Rz багытындагы моделдөө катасынын жок дегенде бир бөлүгү болжолдоо алгоритминен эмес, өлчөө маселесинин өзүнөн келип чыгарын көрсөтөт.

Изилдөөдө Канча Маалымат Колдонулган?

Булак эки өзүнчө маалымат түзүү процессин колдонгон.

• Интерфейс параметрлери менен FRF ортосундагы түз жана тескери моделдер үчүн математикалык ички түзүм модели кайра-кайра иштетилип, жалпысынан 10.000 маалымат топтому түзүлгөн.
• Башкаруу параметрлеринен чыныгы жыштыктык жоопко өтүүнү изилдөө үчүн чыныгы машина эксперименттеринде ар бир багыт үчүн 200 маалымат топтому чогултулган.

Демек, 10.000 үлгүнүн баарын чыныгы физикалык эксперимент катары түшүндүрүүгө болбойт.

Изилдөө Колдогон Жыйынтыктар

• GRCSA татаал так кыймыл платформаларын ички түзүмдөрдөн жана интерфейстерден турган түшүндүрүлө турган динамикалык моделдерге айландыра алат.
• Эвристикалык оптималдаштыруу баштапкы физикалык моделдеги FRF катасын азайта алат.
• Кластерленген имитацияланган күйдүрүү окшош ката деңгээлине азыраак издөө итерациясы менен жетиши мүмкүн.
• Бир багыттуу AI моделдери интерфейс параметрлери менен FRF ортосундагы байланыштарды өтө жогорку R² маанилери менен үйрөнө алат.
• ResNet-1D бир багыттуу FRF → интерфейс параметри тескери маселесинде MLPге караганда ийгиликтүүрөөк.
• Башкаруу параметрлеринен жыштыктык жоопко түз болжолдоо инженердик жактан колдонууга мүмкүн болгон ыкма катары көрсөтүлгөн.
• X жана Y багыттарында физикага негизделген модулдук модель, Rz багытында болсо учтан-учка модель төмөнүрөөк болжолдоо катасын берген.
• Физикалык модель менен жасалма интеллект бир алкакта чогуу колдонулганда механикалык түшүндүрмөлүүлүк да, сызыктуу эмес болжолдоо жөндөмү да алынат.

Изилдөө Колдобогон Жыйынтыктар

• Жасалма интеллект физикалык моделдерди жалпысынан керексиз кылары көрсөтүлгөн эмес.
• Модель бардык так кыймыл платформаларында бирдей тактыкта иштей турганы эксперименттик түрдө далилденген эмес.
• R² маанилери чыныгы өндүрүштөгү позициялоо катасы ошол эле катышта азайганын билдирери көрсөтүлгөн эмес.
• 10.000 үлгүнүн чыныгы машина экспериментинен алынганы айтылбайт.
• Кластерленген имитацияланган күйдүрүү эң төмөн абсолюттук FRF катасын берген ыкма эмес; негизги артыкчылыгы эсептөөнү/издөөнү тездетүүдө.
• Abstract бөлүмүндөгү %2,47 ката мааниси 5-таблицадагы эвристикалык оптималдаштыруу натыйжалары менен так ошол эле баскычка таандык эмес.
• Rzдеги жогоруураак болжолдоо катасы нейрон тармак архитектурасынан гана келип чыгат деп айтууга болбойт; өлчөө ыкмасы да маанилүү ката булагы.
• Булактын ыкма башка бардык татаал механикалык системаларга универсалдуу колдонулушу мүмкүн деген кеңири жыйынтыгы ушул бир платформа менен өз алдынча ырасталган эмес.

Булак жана Ыкма Эскертүүсү

Түпнуска аталышы:Prediction of Dynamic Characteristics and Control Parameter Optimization for Precision Motion Stages by Integrating Generalized Receptance Coupling Substructure Analysis and Machine Learning.

Авторлор: Fengguo Li, Peng Yao, Yao Hou, Xinyu Mao, Zhonglei Zhang, Hongyi Sun, Jiarong Bai, Jubin Zhang, Tonghui Hu, Wei Wu, Jiaofeng Ma, Yang Yu, Wenxiu Yu.

Негизги мекемелер: Shandong University; Goertek Inc.; Northeastern University; Qilu University of Technology.

Журнал:Machines.

Жыл / том / макала: 2026, 14, 691.

Жарыяланган күнү: 16 Июнь 2026.

DOI: 10.3390/machines14060691.

Лицензия: Creative Commons Attribution (CC BY).

Изилдөөнүн түрү: Эксперименттик модалдык тестти, физикага негизделген динамикалык моделдөөнү, эвристикалык оптималдаштырууну жана машиналык үйрөнүүнү бириктирген инженердик изилдөө.

Негизги физикалык ыкма: Generalized Receptance Coupling Substructure Analysis (GRCSA), Тимошенко балка теориясы жана эксперименттик модалдык тест.

Оптималдаштыруу ыкмалары: Дифференциалдык эволюция, имитацияланган күйдүрүү жана кластерленген имитацияланган күйдүрүү.

Машиналык үйрөнүү: Multi-Layer Perceptron (MLP) жана one-dimensional Residual Network (ResNet-1D).

AI программасы: PyTorch 1.12.1+cu116; оптималдаштыруу үчүн Adam.

Негизги маалымат булактары: Физикага негизделген моделден 10.000 интерфейс параметри–FRF маалымат үлгүсү жана чыныгы машина эксперименттеринен ар бир багыт үчүн 200 башкаруу параметри–FRF үлгүсү.

Каржылоо: Major Scientific and Technological Innovation Project of Shandong Province, Grant No. 2023CXGC010207.

Маалыматка жетүү: Каралган маалымат топтомдору өнөр жай купуялуулук келишимдеринен улам жалпыга ачык эместиги; негиздүү суроо-талап боюнча жооптуу автордон суралышы мүмкүн экени билдирилген.

Кызыкчылыктардын кагылышы: Булакта Fengguo Li, Xinyu Mao, Hongyi Sun, Jubin Zhang, Wei Wu, Jiaofeng Ma, Yang Yu жана Wenxiu Yu Goertek Inc. кызматкерлери экени көрсөтүлгөн. Башка авторлор тиешелүү коммерциялык же финансылык байланыш билдиришкен эмес.

Булак ичиндеги ырааттуулук эскертүүсү: Киришүү бөлүмүндө бир жолу “six driving directions” деген сөз айкашы кездешсе да, негизги башкаруу модели X, Y жана Rz болуп үч багыт боюнча берилет. Мындан тышкары, 8-сүрөттүн график аталыштарында “Z” колдонулат, ошол эле бөлүмдөгү таблицаларда жана ыкма баянында болсо “Rz” термини колдонулат. Бул айырмачылыктар Verianla текстинде үнсүз кайра чечмеленген эмес.

Сандык жыйынтык боюнча эскертүү: Abstract бөлүмүндө баштапкы FRF болжолдоо катасы %3,50дөн %2,47ге түшүрүлгөнү айтылат. Бирок 5-таблицада эвристикалык параметр оптималдаштыруунун ачык жыйынтыктары %2,6094, %2,7089 жана %2,6875. Ошондуктан %2,47 мааниси 5-таблицадагы бир гана оптималдаштыруу алгоритминин натыйжасы катары берилген эмес.

Verianla ыкма эскертүүсү: Бул мазмун булак макаланын абзац-абзац котормосу эмес. Макаладагы GRCSA модели, модалдык тест ыкмасы, эвристикалык оптималдаштыруу, MLP/ResNet-1D архитектуралары, түз жана тескери болжолдоо тапшырмалары, баскычтуу башкаруу-параметри модели, ката салыштыруулары жана булак ичиндеги чектөөлөр өз алдынча окутуучу түзүмдө кайра уюштурулган. Булак түздөн-түз текшербеген жалпы өндүрүмдүүлүк же өнөр жайда колдонуу мүмкүнчүлүгү тууралуу жыйынтыктар кошулган эмес.