Utafiti huu unatengeneza mbinu mseto inayounganisha uundaji wa modeli za kimitambo unaotegemea fizikia na ujifunzaji wa mashine ili kutabiri tabia ya dinamiki ya majukwaa ya mwendo wa usahihi yenye kasi na mchapuko mkubwa na kuboresha vigezo vya udhibiti wa servo. Mfumo kwanza hugawanywa katika miundo-tanzu na sehemu za miunganisho ya kimitambo kwa kutumia Generalized Receptance Coupling Substructure Analysis (GRCSA); kazi za mwitikio wa masafa huundwa kwa modeli za kimwili za mtetemo na majaribio ya modali. Kisha modeli za akili bandia hujifunza mahusiano yasiyo ya mstari kati ya vigezo vya udhibiti, ugumu/upunguzaji wa mtetemo wa sehemu za muunganisho na mwitikio wa masafa.

Katika utafiti, vigezo vya modeli ya kimwili vilirekebishwa kwa algoriti za Differential Evolution, Simulated Annealing na Clustered Simulated Annealing iliyotengenezwa mahsusi kwa kazi hii. Hitilafu ya awali ya modeli ya FRF ya takriban %3,50 ilipunguzwa hadi karibu %2,6–2,7 katika hatua ya uboreshaji wa kiheuristiki. Katika sehemu ya muhtasari ya chanzo, thamani ya hitilafu ya %2,47 pia imeripotiwa kando baada ya uboreshaji uliounganishwa.

Kwa upande wa ujifunzaji wa mashine, tatizo la mbele, tatizo la kinyume na utabiri wa mwisho-hadi-mwisho vilichunguzwa kando. Katika modeli za mwelekeo mmoja za kigezo cha sehemu ya muunganisho → FRF, R² ilifikia kiwango cha 0,9908–0,9954. Katika utabiri wa kurudisha nyuma vigezo vya kimitambo vya sehemu za muunganisho kutoka FRF, ResNet-1D ilionyesha utendaji mzuri hasa katika matatizo ya mwelekeo mmoja; R²=0,9980 ilipatikana katika mwelekeo X, 0,9943 katika Y na 0,9975 katika Rz.

Hitimisho muhimu la utafiti ni kwamba modeli ya kimwili na akili bandia si mbinu zinazochukua nafasi ya moja kwa nyingine. Katika mwendo wa X na Y, muundo wa moduli unaohifadhi modeli ya kimwili ya GRCSA/MATLAB hutoa hitilafu ndogo zaidi, huku katika mwelekeo wa mzunguko wa Rz modeli ya akili bandia ya mwisho-hadi-mwisho ikiwa na mafanikio zaidi. Hivyo, ufasiri wa kimwili na ujifunzaji wa data zisizo za mstari vimeunganishwa katika usanifu mmoja wa kihandisi.

Kwa Nini Ni Vigumu Kutabiri Tabia ya Dinamiki ya Majukwaa ya Mwendo wa Usahihi?

Katika majukwaa ya mwendo wa usahihi wa juu, kubadilisha viwango vya gain vya servo hakubadilishi tu mwitikio wa mota. Ugumu na upunguzaji wa mtetemo wa miongozo, viungio, meza, vipengele vinavyozunguka na sehemu nyingine za kimuundo pia huathiri mwitikio wa masafa wa mfumo.

Kwa hiyo, huenda kusiwe na uhusiano wa moja kwa moja na rahisi wa mstari kati ya vigezo vya udhibiti wa mfumo na tabia halisi ya mtetemo.

Modeli ya vipengele finiti inaweza kuwakilisha jiometri changamani kwa undani mkubwa; lakini gharama ya uundaji wa modeli na utengenezaji wa mesh ni kubwa. Modeli rahisi za uchanganuzi ni za haraka lakini huenda zisichukue maelezo yote ya muundo halisi. Majaribio ya modali yanaweza kupima dinamiki halisi, lakini kupima moja kwa moja kila kigezo katika viwango vyote vya uhuru si jambo la vitendo.

Utafiti huu unajaribu kutatua tatizo hili la pande tatu kwa kuunganisha modeli ya kimwili ya muundo-tanzu na utabiri unaotegemea data.

GRCSA Ni Nini na Inarahisishaje Mfumo?

Badala ya kutatua mfumo changamani wa kimitambo kama kitu kimoja, GRCSA hugawanya mfumo katika miundo-tanzu na sehemu za muunganisho zinazoiunganisha. Mwitikio wa masafa wa kila muundo-tanzu huhesabiwa kando; kisha mwitikio wa dinamiki wa mfumo mzima huundwa upya kwa kutumia masharti ya muunganisho.

Jukwaa la mwendo lililochunguzwa limegawanywa katika miundo-tanzu saba iliyopewa majina A–G.

Urahisishaji huu wa jiometri haumaanishi kwamba maelezo yote ya mashine halisi hayana umuhimu. Modeli inalenga kupunguza gharama ya ukokotoaji huku ikihifadhi sifa muhimu kidinamiki kama vile wingi na momenti ya inersia ya sehemu ya msalaba.

FRF inaonyesha nini?

Frequency Response Function (FRF) huonyesha ukubwa na awamu ya mwitikio wa mtetemo unaotokea katika mfumo wa kimitambo kutokana na msisimko wa masafa fulani.

Wakati uchanganuzi wa masafa unafanywa, maeneo yenye resonansi, masafa ambayo mfumo hutetemeka zaidi na jinsi vigezo vya udhibiti vinavyobadilisha mwitikio huo yanaweza kuonekana.

Katika utafiti huu, FRF ndiyo matokeo makuu ya utabiri wa modeli.

Kwa nini modeli ya boriti ya Timoshenko inatumika?

Ili kuhesabu tabia ya mtetemo ya miundo-tanzu, mitetemo ya kupinda, ya longitudinali na ya kujipinda imeundwa kwa milinganyo tofauti ya kimwili.

Tatizo la kupinda linashughulikiwa kwa nadharia ya boriti ya Timoshenko. Tofauti na mkabala wa kawaida wa Euler–Bernoulli, nadharia hii inaweza pia kuzingatia deformation ya shear na inersia ya mzunguko.

Baada ya masafa asilia na maumbo ya modali kupatikana, taarifa hizi hutumika kuunda matrisi za FRF.

Modeli Inathibitishwaje kwa Vipimo vya Mashine Halisi?

Uchanganuzi wa majaribio wa modali ulifanywa kwenye jukwaa. Mfumo ulipewa msisimko wa kimitambo wa muda mfupi kwa nyundo ya athari iliyokalibishwa, na mtetemo uliotokea ukarekodiwa kwa akseleromita za mihimili mitatu.

Majaribio haya hutumiwa kulinganisha miitikio ya masafa iliyohesabiwa na modeli ya kimwili ya GRCSA na tabia ya mashine halisi.

Kwa Nini Differential Evolution na Simulated Annealing Zilitumika?

Ugumu na upunguzaji wa mtetemo wa kiunganishi halisi cha kimitambo huenda usiweze kupimwa moja kwa moja na bila hitilafu. Hitilafu ndogo katika makadirio ya awali ya kiuchanganuzi zinaweza kubadilika kuwa mikengeuko mikubwa zaidi katika FRF ya mfumo.

Kwa hiyo tatizo la uboreshaji linaundwa kama ifuatavyo:

Badilisha vigezo vya sehemu ya muunganisho / muundo-tanzu → endesha GRCSA → hesabu hitilafu kati ya FRF iliyohesabiwa na FRF iliyopimwa → punguza hitilafu

Differential Evolution na Simulated Annealing zilitumika kutafuta michanganyiko bora ya vigezo vya kimitambo katika nafasi pana ya vigezo.

Clustered Simulated Annealing inabadilisha nini?

Watafiti walizingatia kwamba vigezo vinavyoboreshwa si huru kabisa. Vigezo vinavyohusiana na muundo-tanzu au sehemu ileile ya muunganisho hufanya kazi pamoja kimitambo.

Kwa hiyo vigezo kwanza viligawanywa katika makundi 13 ya kimwili. Kila kundi huboreshwa kando, kisha kwa kutumia matokeo yaliyopatikana utafutaji wa mwisho wa kimataifa hufanywa katika nafasi yote ya vigezo.

Chanzo kinaripoti kuwa muundo huu hupunguza muda wa utafutaji kwa takriban %50 ikilinganishwa na Simulated Annealing ya kawaida.

Mkabala wa makundi haukutoa hitilafu ndogo kabisa; faida yake ni kufikia kiwango kinachofanana cha hitilafu kwa iteresheni chache zaidi.

Ujifunzaji wa Mashine Unakamilishaje Mapungufu ya Modeli ya Kimwili?

GRCSA hutoa mfumo unaoweza kufasiriwa kimwili; lakini uhusiano kati ya vigezo vya udhibiti wa servo na ugumu pamoja na upunguzaji wa mtetemo wa sehemu halisi ya muunganisho unaweza kuwa changamani na usio wa mstari.

Kwa hiyo utafiti hutumia ujifunzaji wa mashine katika matatizo matatu tofauti.

Tofauti kati ya MLP na ResNet-1D

MLP huchakata viingizo vyote katika tabaka zilizounganishwa kikamilifu. ResNet-1D hutazama spektra ya masafa kama data ya mfuatano wa mwelekeo mmoja na hujifunza muundo wa eneo wa nukta za masafa zilizo jirani kupitia konvolusheni.

Katika ishara kama FRF zinazobadilika kwa mpangilio kwenye masafa, muundo huu wa eneo unaweza kuwa muhimu. Matokeo ya chanzo ya modeli ya kinyume ya mwelekeo mmoja pia yanaonyesha kuwa ResNet-1D inatoa faida dhahiri katika kazi hii.

Mbinu na Matokeo ya Utafiti

Modeli ya Mbele Inatabiri kwa Usahihi Gani?

Modeli za mwelekeo mmoja hutoa matokeo bora kuliko modeli ya pamoja yenye vipimo vingi. Chanzo kinaeleza hili kwa kwamba taarifa zenye vipimo vingi na zinazohusiana za mielekeo tofauti hufanya tatizo la ujifunzaji kuwa gumu zaidi.

Je, Kigezo cha Sehemu ya Muunganisho Kinaweza Kutabiriwa kwa Kurudi Nyuma kutoka FRF?

Katika tatizo ambalo mielekeo yote mitatu iliingizwa katika modeli moja ya kinyume, R² ilishuka hadi 0,7004. Matokeo haya yanaonyesha kuwa tatizo la kinyume ambapo idadi ndogo ya vigezo vya kimwili hutolewa kutoka FRF yenye vipimo vingi si uhusiano mmoja ulioainishwa vizuri.

Je, Vigezo vya Udhibiti wa Servo Vinaweza Kuunganishwa Moja kwa Moja na FRF?

Sehemu yenye matumizi ya moja kwa moja zaidi kihandisi ya utafiti ni modeli ya hatua kwa hatua inayotoka kwenye vigezo vya udhibiti hadi mwitikio wa mfumo.

Mtandao wa kwanza huzalisha ugumu na upunguzaji wa mtetemo wa sehemu ya muunganisho kutoka kwa vigezo vya udhibiti. Mtandao wa pili hutabiri mwitikio wa masafa kutoka kwa vigezo hivi vya kimwili. Kisha mitandao huboreshwa kwa pamoja chini ya fungsi moja ya hasara.

Katika mkakati bora wa mafunzo ya pamoja wa mwelekeo X:

• kigezo cha sehemu ya muunganisho R² = 0,9574,
• FRF R² = 0,8427

vilipatikana.

Ilipopanuliwa hadi mwelekeo Y, FRF R² iliongezeka hadi 0,9530.

Modeli ya Kimwili na AI ya Mwisho-Hadi-Mwisho Zinapolinganishwa, Ipi Ni Bora?

Katika mielekeo X na Y, ukweli kwamba modeli ya kihisabati ya GRCSA hubeba wazi mahusiano ya uunganishaji wa kimwili umetoa faida.

Katika mwelekeo Rz, uwezo wa akili bandia kujifunza mwingiliano fiche kati ya mielekeo ulitoa matokeo bora zaidi.

Ugunduzi huu unaonyesha kuwa mikabala inayotegemea fizikia na inayotegemea data inaweza kukamilishana.

Kwa Nini Mwelekeo wa Mzunguko wa Rz Ni Mgumu Zaidi Kuunda Modeli?

Amplitudo na varianzi ya miitikio ya masafa ya Rz ni kubwa sana kuliko X na Y.

Zaidi ya hayo, ingawa FRF za mwendo wa mstari zinaweza kupimwa moja kwa moja katika majaribio ya modali, imeelezwa kuwa FRF ya mzunguko ilipatikana kwa njia isiyo ya moja kwa moja kwa kutumia mbinu ya tofauti finiti.

Hali hii inaonyesha kuwa angalau sehemu ya hitilafu ya uundaji modeli katika mwelekeo Rz haitokani na algoriti ya utabiri, bali na tatizo la kipimo lenyewe.

Ni Data Kiasi Gani Kilitumika katika Utafiti?

Chanzo kilitumia michakato miwili tofauti ya kuzalisha data.

• Kwa modeli za mbele na za kinyume kati ya vigezo vya sehemu za muunganisho na FRF, modeli ya kihisabati ya muundo-tanzu iliendeshwa mara kwa mara na jumla ya seti 10.000 za data ziliundwa.
• Ili kuchunguza mpito kutoka kwa vigezo vya udhibiti hadi mwitikio halisi wa masafa, seti 200 za data zilikusanywa katika majaribio ya mashine halisi kwa kila mwelekeo.

Kwa hiyo, sampuli zote 10.000 hazipaswi kutafsiriwa kama majaribio halisi ya kimwili.

Hitimisho Zinazoungwa Mkono na Utafiti

• GRCSA inaweza kubadilisha majukwaa changamani ya mwendo wa usahihi kuwa modeli za dinamiki zinazoweza kufasiriwa zinazojumuisha miundo-tanzu na sehemu za muunganisho.
• Uboreshaji wa kiheuristiki unaweza kupunguza hitilafu ya FRF katika modeli ya awali ya kimwili.
• Clustered Simulated Annealing inaweza kufikia kiwango kinachofanana cha hitilafu kwa iteresheni chache za utafutaji.
• Modeli za AI za mwelekeo mmoja zinaweza kujifunza mahusiano kati ya vigezo vya sehemu za muunganisho na FRF kwa thamani za juu sana za R².
• ResNet-1D ina mafanikio zaidi kuliko MLP katika tatizo la kinyume la mwelekeo mmoja FRF → kigezo cha sehemu ya muunganisho.
• Utabiri wa moja kwa moja kutoka vigezo vya udhibiti hadi mwitikio wa masafa umeonyeshwa kuwa mkabala unaoweza kutumika kihandisi.
• Katika X na Y, modeli ya moduli inayotegemea fizikia, na katika Rz, modeli ya mwisho-hadi-mwisho, ilitoa hitilafu ndogo ya utabiri.
• Modeli ya kimwili na akili bandia zinapotumika pamoja katika mfumo mmoja, ufasiri wa kimitambo na uwezo wa utabiri usio wa mstari vinaweza kupatikana kwa pamoja.

Hitimisho Zisizoungwa Mkono na Utafiti

• Haijaonyeshwa kuwa akili bandia hufanya modeli za kimwili zisiwe na umuhimu kwa ujumla.
• Haijathibitishwa kwa majaribio kwamba modeli itafanya kazi kwa usahihi uleule katika majukwaa yote ya mwendo wa usahihi.
• Haijaonyeshwa kwamba thamani za R² humaanisha hitilafu ya uwekaji nafasi katika uzalishaji halisi imepungua kwa uwiano uleule.
• Haiwezi kusemwa kwamba sampuli 10.000 zote zilitokana na majaribio ya mashine halisi.
• Clustered Simulated Annealing si mbinu iliyotoa hitilafu ndogo kabisa ya FRF; faida yake kuu ni kuongeza kasi ya ukokotoaji/utafutaji.
• Thamani ya hitilafu ya %2,47 katika Abstract si ya hatua ileile kabisa na matokeo ya uboreshaji wa kiheuristiki katika Jedwali 5.
• Haiwezi kusemwa kwamba hitilafu kubwa zaidi ya utabiri katika Rz inatokana tu na usanifu wa mtandao wa neva; mbinu ya kipimo pia ni chanzo muhimu cha hitilafu.
• Hitimisho pana la chanzo kwamba mbinu hiyo inaweza kutumika kwa ujumla katika mifumo mingine yote changamani ya kimitambo halijathibitishwa kwa kujitegemea kwa kutumia jukwaa hili moja.

Maelezo ya Chanzo na Mbinu

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

Waandishi: 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.

Taasisi kuu: Shandong University; Goertek Inc.; Northeastern University; Qilu University of Technology.

Jarida:Machines.

Mwaka / juzuu / makala: 2026, 14, 691.

Tarehe ya kuchapishwa: 16 Juni 2026.

DOI: 10.3390/machines14060691.

Leseni: Creative Commons Attribution (CC BY).

Aina ya utafiti: Utafiti wa kihandisi unaounganisha jaribio la modali, uundaji wa modeli za dinamiki unaotegemea fizikia, uboreshaji wa kiheuristiki na ujifunzaji wa mashine.

Mbinu kuu ya kimwili: Generalized Receptance Coupling Substructure Analysis (GRCSA), nadharia ya boriti ya Timoshenko na jaribio la modali.

Mbinu za uboreshaji: Differential Evolution, Simulated Annealing na Clustered Simulated Annealing.

Ujifunzaji wa mashine: Multi-Layer Perceptron (MLP) na one-dimensional Residual Network (ResNet-1D).

Programu ya AI: PyTorch 1.12.1+cu116; Adam kwa uboreshaji.

Vyanzo vikuu vya data: Sampuli 10.000 za data za kigezo cha sehemu ya muunganisho–FRF kutoka modeli inayotegemea fizikia na sampuli 200 za kigezo cha udhibiti–FRF kwa kila mwelekeo kutoka majaribio ya mashine halisi.

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

Upatikanaji wa data: Imeripotiwa kuwa seti za data zilizochunguzwa haziko wazi kwa umma kutokana na makubaliano ya usiri wa viwandani; zinaweza kuombwa kutoka kwa mwandishi anayewajibika kwa ombi lenye msingi.

Mgongano wa maslahi: Chanzo kinaeleza kwamba Fengguo Li, Xinyu Mao, Hongyi Sun, Jubin Zhang, Wei Wu, Jiaofeng Ma, Yang Yu na Wenxiu Yu ni wafanyakazi wa Goertek Inc. Waandishi wengine hawakuripoti uhusiano husika wa kibiashara au kifedha.

Maelezo ya ulinganifu wa ndani wa chanzo: Ingawa katika sehemu ya utangulizi kuna mara moja kauli “six driving directions”, modeli kuu ya udhibiti inawasilishwa kwa mielekeo mitatu ya X, Y na Rz. Zaidi ya hayo, vichwa vya grafu katika Kielelezo 8 vinatumia “Z”, huku majedwali na maelezo ya mbinu katika sehemu hiyo hiyo yakitumia istilahi “Rz”. Tofauti hizi hazijatafsiriwa upya au kusahihishwa kimyakimya katika maandishi ya Verianla.

Maelezo ya matokeo ya nambari: Katika Abstract imeelezwa kwamba hitilafu ya awali ya utabiri wa FRF ilipunguzwa kutoka %3,50 hadi %2,47. Hata hivyo, katika Jedwali 5 matokeo yaliyo wazi ya uboreshaji wa vigezo wa kiheuristiki ni %2,6094, %2,7089 na %2,6875. Kwa hiyo thamani ya %2,47 haijawasilishwa kama matokeo ya algoriti moja ya uboreshaji katika Jedwali 5.

Maelezo ya mbinu ya Verianla: Maudhui haya si tafsiri ya aya kwa aya ya makala chanzo. Modeli ya GRCSA, mbinu ya jaribio la modali, uboreshaji wa kiheuristiki, usanifu wa MLP/ResNet-1D, kazi za utabiri wa mbele na wa kinyume, modeli ya hatua kwa hatua ya kigezo cha udhibiti, ulinganisho wa hitilafu na vikwazo vya ndani ya chanzo vimepangwa upya katika muundo huru wa kufundishia. Hitimisho kuhusu utendaji wa jumla au matumizi ya viwandani ambalo chanzo hakikulijaribu moja kwa moja halijaongezwa.