Ushbu tadqiqot yuqori tezlik va yuqori tezlanishli aniq harakat platformalarining dinamik xatti-harakatini bashoratlash hamda servo boshqaruv parametrlarini optimallashtirish uchun fizikaga asoslangan mexanik modellashtirish bilan mashinaviy o‘rganishni birlashtiradigan gibrid usulni ishlab chiqadi. Tizim avval Generalized Receptance Coupling Substructure Analysis (GRCSA) yordamida quyi tuzilmalarga va mexanik ulanish interfeyslariga ajratiladi; chastota javob funksiyalari fizik tebranish modellari va modal tajribalar orqali hosil qilinadi. So‘ngra sun’iy intellekt modellari boshqaruv parametrlari, interfeys qattiqligi/so‘nishi va chastota javobi o‘rtasidagi chiziqli bo‘lmagan munosabatlarni o‘rganadi.

Tadqiqotda differensial evolyutsiya, imitatsion tavlash va ushbu ishga xos klasterlangan imitatsion tavlash algoritmlari yordamida fizik model parametrlari tuzatilgan. Dastlabki taxminan %3,50 bo‘lgan FRF model xatosi evristik optimallashtirish bosqichida taxminan %2,6–2,7 darajasiga tushirilgan. Manbaning annotatsiya bo‘limida integrallashgan optimallashtirishdan keyin %2,47 xato qiymati alohida qayd etiladi.

Mashinaviy o‘rganish tomonida to‘g‘ri masala, teskari masala va uchdan-uchga bashoratlash alohida o‘rganilgan. Bir yo‘nalishli interfeys parametri → FRF modellarida R² 0,9908–0,9954 oralig‘iga yetgan. FRFdan mexanik interfeys parametrlarini teskari bashoratlashda ResNet-1D ayniqsa bir yo‘nalishli masalalarda kuchli natija ko‘rsatgan; X yo‘nalishida R²=0,9980, Yda 0,9943 va Rzda 0,9975 olingan.

Tadqiqotning muhim natijasi fizik model va sun’iy intellekt bir-birining o‘rnini bosadigan usullar emasligini ko‘rsatishidir. X va Y harakatlarida GRCSA/MATLAB fizik modelini saqlab qolgan modulli tuzilma kamroq xato beradi, Rz aylanish yo‘nalishida esa uchdan-uchga sun’iy intellekt modeli muvaffaqiyatliroq bo‘lgan. Shu tariqa fizik izohlanuvchanlik bilan chiziqli bo‘lmagan ma’lumotlarni o‘rganish bitta muhandislik arxitekturasida birlashtirilgan.

Yuqori Aniqlikdagi Harakat Platformalarining Dinamik Xatti-Harakatini Bashoratlash Nega Qiyin?

Yuqori aniqlikdagi harakat platformalarida servo kuchaytirish koeffitsiyentlari o‘zgartirilganda faqat dvigatelning javobi o‘zgarmaydi. Yo‘naltirgichlar, ulanishlar, stol, aylanuvchi elementlar va boshqa konstruktiv qismlarning qattiqlik va so‘nish xususiyatlari ham tizimning chastota javobiga ta’sir qiladi.

Shuning uchun tizimning boshqaruv parametrlari bilan haqiqiy tebranish xatti-harakati o‘rtasida bevosita va sodda chiziqli munosabat bo‘lmasligi mumkin.

Chekli elementlar modeli murakkab geometriyalarni yuqori tafsilotda ifodalashi mumkin; biroq modellashtirish va to‘r yaratish xarajati yuqori. Soddalashtirilgan analitik modellar tez ishlaydi, ammo haqiqiy tuzilmaning barcha tafsilotlarini qamrab olmasligi mumkin. Modal sinovlar haqiqiy dinamikani o‘lchashi mumkin, lekin barcha erkinlik darajalarida har bir parametrni bevosita o‘lchash amaliy jihatdan qiyin.

Ushbu tadqiqot ushbu uch tomonlama muammoni fizik quyi tuzilma modeli bilan ma’lumotlarga asoslangan bashoratni birlashtirish orqali hal qilishga urinadi.

GRCSA Nima va U Tizimni Qanday Soddalashtiradi?

GRCSA murakkab mexanik tizimni bir butun holda yechish o‘rniga uni quyi tuzilmalarga va ularni bir-biriga bog‘laydigan interfeyslarga ajratadi. Har bir quyi tuzilmaning chastota javobi alohida hisoblanadi; so‘ng ulanish shartlaridan foydalanib butun tizimning dinamik javobi qayta hosil qilinadi.

Ko‘rib chiqilgan harakat platformasi A–G deb nomlangan yettita quyi tuzilmaga bo‘linadi.

Bu geometrik soddalashtirish haqiqiy mashinaning barcha tafsilotlari ahamiyatsiz degani emas. Model massa va kesim inertsiya momenti kabi dinamik jihatdan muhim xususiyatlarni saqlagan holda hisoblash xarajatini kamaytirishni ko‘zlaydi.

FRF nimani ko‘rsatadi?

Frequency Response Function (FRF) ma’lum chastotadagi qo‘zg‘atish mexanik tizimda qanday kattalikda va qaysi fazada tebranish javobini hosil qilishini ko‘rsatadi.

Chastota bo‘yicha skanerlash bajarilganda rezonanslar joylashgan sohalar, tizim qaysi chastotalarda kuchliroq tebranishi va boshqaruv parametrlari bu javobni qanday o‘zgartirishi ko‘rinadi.

Ushbu tadqiqotda FRF modelning asosiy bashorat chiqishidir.

Nima uchun Timoshenko balkasi modeli ishlatiladi?

Quyi tuzilmalarning tebranish xatti-harakatini hisoblash uchun egilish, bo‘ylama va buralish tebranishlari alohida fizik tenglamalar bilan modellashtirilgan.

Egilish masalasi Timoshenko balkasi nazariyasi bilan ko‘rib chiqiladi. Bu nazariya klassik Euler–Bernoulli yondashuvidan farqli ravishda siljish deformatsiyasi va aylanish inertsiyasini ham hisobga olishi mumkin.

Tabiiy chastotalar va moda shakllari olingandan keyin bu ma’lumotlar FRF matritsalarini hosil qilishda ishlatiladi.

Model Haqiqiy Mashina O‘lchovlari Bilan Qanday Tasdiqlanadi?

Platformada eksperimental modal tahlil o‘tkazilgan. Tizimga kalibrlangan zarba bolg‘asi bilan qisqa muddatli mexanik qo‘zg‘atish berilgan va hosil bo‘lgan tebranish uch o‘qli akselerometrlar yordamida qayd etilgan.

Ushbu tajribalar fizik GRCSA modeli hisoblagan chastota javoblarini haqiqiy mashina xatti-harakati bilan taqqoslash uchun ishlatiladi.

Nima Uchun Differensial Evolyutsiya va Imitatsion Tavlash Ishlatildi?

Haqiqiy mexanik ulanishning qattiqligi va so‘nishini bevosita hamda xatosiz o‘lchash har doim ham mumkin emas. Dastlabki analitik baholardagi kichik xatolar tizim FRFida kattaroq og‘ishlarga aylanishi mumkin.

Shuning uchun optimallashtirish masalasi quyidagicha tuziladi:

Interfeys / quyi tuzilma parametrlarini o‘zgartir → GRCSAni ishga tushir → hisoblangan FRF bilan o‘lchangan FRF orasidagi xatoni hisobla → xatoni kamaytir

Differensial evolyutsiya va imitatsion tavlash keng parametrlar fazosida yaxshiroq mexanik parametr kombinatsiyalarini izlash uchun ishlatilgan.

Klasterlangan imitatsion tavlash nimani o‘zgartiradi?

Tadqiqotchilar optimallashtirilayotgan parametrlar butunlay mustaqil emasligini hisobga olgan. Bir xil quyi tuzilma yoki interfeysga tegishli parametrlar mexanik jihatdan birgalikda ishlaydi.

Shu sababli parametrlar avval 13 ta fizik guruhga ajratilgan. Har bir guruh alohida optimallashtiriladi, so‘ng olingan natijalar bilan butun parametrlar fazosida yakuniy global qidiruv bajariladi.

Manba bu tuzilma klassik imitatsion tavlashga nisbatan qidiruv vaqtini taxminan %50 qisqartirishini bildiradi.

Klasterlangan yondashuv eng kichik mutlaq xatoni bermagan; uning afzalligi ancha kam iteratsiyada o‘xshash xato darajasiga erishishidir.

Mashinaviy O‘rganish Fizik Modelning Qaysi Kamchiliklarini To‘ldiradi?

GRCSA fizik jihatdan izohlanuvchi tizimni beradi; ammo servo boshqaruv parametrlari bilan haqiqiy interfeys qattiqligi va so‘nishi o‘rtasidagi bog‘lanish murakkab va chiziqli bo‘lmasligi mumkin.

Shu sababli tadqiqot mashinaviy o‘rganishni uchta alohida masalada qo‘llaydi.

MLP va ResNet-1D o‘rtasidagi farq

MLP barcha kirishlarni to‘liq bog‘langan qatlamlarda qayta ishlaydi. ResNet-1D esa chastota spektrini bir o‘lchovli ketma-ket ma’lumot sifatida ko‘radi va qo‘shni chastota nuqtalarining mahalliy tuzilishini konvolyutsiyalar orqali o‘rganadi.

FRF kabi chastota bo‘ylab tartibli o‘zgaradigan signallarda bu mahalliy tuzilish muhim bo‘lishi mumkin. Manbaning bir yo‘nalishli teskari model natijalari ham ResNet-1D bu vazifada yaqqol ustunlik berganini ko‘rsatadi.

Tadqiqot Usuli va Natijalari

To‘g‘ri Model Qanchalik Aniq Bashorat Qiladi?

Bir yo‘nalishli modellar umumiy yuqori o‘lchovli modelga qaraganda yaxshiroq natija beradi. Manba buni turli yo‘nalishlarning o‘zaro bog‘liq yuqori o‘lchovli ma’lumotlari o‘rganish masalasini qiyinlashtirishi bilan izohlaydi.

FRFdan Interfeys Parametrini Teskari Bashoratlash Mumkinmi?

Uch yo‘nalish bir xil teskari modelga berilgan masalada esa R²=0,7004 gacha tushgan. Bu natija yuqori o‘lchovli FRFdan oz sonli fizik parametrlar ajratib olinadigan teskari masala yagona va yaxshi shartlangan munosabat emasligini ko‘rsatadi.

Servo Boshqaruv Parametrlarini Bevosita FRFga Bog‘lash Mumkinmi?

Tadqiqotning muhandislik nuqtai nazaridan eng amaliy qismi boshqaruv parametrlaridan tizim javobigacha cho‘zilgan bosqichli modeldir.

Birinchi tarmoq boshqaruv parametrlaridan interfeys qattiqligi va so‘nishini hosil qiladi. Ikkinchi tarmoq ushbu fizik parametrlardan chastota javobini bashoratlaydi. So‘ng tarmoqlar umumiy yo‘qotish funksiyasi ostida birgalikda optimallashtiriladi.

Eng yaxshi X-yo‘nalishidagi umumiy o‘qitish strategiyasida:

• interfeys parametri R² = 0,9574,
• FRF R² = 0,8427

olingan.

Y yo‘nalishiga kengaytirilganda FRF R² 0,9530 gacha ko‘tarilgan.

Fizik Model bilan Uchdan-Uchga AI Taqqoslanganda Qaysi Biri Yaxshiroq?

X va Y yo‘nalishlarida matematik GRCSA modelining fizik bog‘lanish munosabatlarini ochiq ifodalashi ustunlik bergan.

Rz yo‘nalishida esa sun’iy intellektning yo‘nalishlar orasidagi yashirin o‘zaro ta’sirlarni o‘rgana olishi yaxshiroq natija bergan.

Bu topilma fizikaga asoslangan va ma’lumotlarga asoslangan yondashuvlar bir-birini to‘ldira olishini ko‘rsatadi.

Rz Aylanish Yo‘nalishini Nega Modellashtirish Qiyinroq?

Rz chastota javoblarining amplitudasi va dispersiyasi X va Yga qaraganda ancha katta.

Bundan tashqari, translatsion FRFlar modal tajribalarda bevosita o‘lchanishi mumkin bo‘lsa, aylanish FRFi chekli ayirmalar usuli yordamida bilvosita olingani qayd etiladi.

Bu holat Rz yo‘nalishidagi modellashtirish xatosining kamida bir qismi bashoratlash algoritmidan emas, balki o‘lchash muammosining o‘zidan kelib chiqishini ko‘rsatadi.

Tadqiqotda Qancha Ma’lumot Ishlatildi?

Manba ikkita alohida ma’lumot hosil qilish jarayonidan foydalangan.

• Interfeys parametrlari bilan FRF o‘rtasidagi to‘g‘ri va teskari modellar uchun matematik quyi tuzilma modeli qayta-qayta ishga tushirilib, jami 10.000 ma’lumotlar to‘plami yaratilgan.
• Boshqaruv parametrlaridan haqiqiy chastota javobiga o‘tishni o‘rganish uchun haqiqiy mashina tajribalarida har bir yo‘nalishda 200 ma’lumotlar to‘plami yig‘ilgan.

Shu sababli 10.000 ta namunani to‘liq haqiqiy fizik tajriba sifatida talqin qilib bo‘lmaydi.

Tadqiqot Qo‘llab-Quvvatlaydigan Xulosalar

• GRCSA murakkab aniq harakat platformalarini quyi tuzilmalar va interfeyslardan tashkil topgan izohlanuvchi dinamik modellarga aylantirishi mumkin.
• Evristik optimallashtirish boshlang‘ich fizik modeldagi FRF xatosini kamaytirishi mumkin.
• Klasterlangan imitatsion tavlash o‘xshash xato darajasiga kamroq qidiruv iteratsiyalari bilan erishishi mumkin.
• Bir yo‘nalishli AI modellari interfeys parametrlari bilan FRF o‘rtasidagi munosabatlarni juda yuqori R² qiymatlari bilan o‘rganishi mumkin.
• ResNet-1D bir yo‘nalishli FRF → interfeys parametri teskari masalasida MLPga qaraganda muvaffaqiyatliroq.
• Boshqaruv parametrlaridan chastota javobiga bevosita bashorat muhandislik jihatdan amaliy yondashuv sifatida ko‘rsatilgan.
• X va Yda fizikaga asoslangan modulli model, Rzda esa uchdan-uchga model pastroq bashorat xatosini ta’minlagan.
• Fizik model va sun’iy intellekt bir xil doirada birgalikda ishlatilganda ham mexanik izohlanuvchanlik, ham chiziqli bo‘lmagan bashoratlash qobiliyatiga erishish mumkin.

Tadqiqot Qo‘llab-Quvvatlamaydigan Xulosalar

• Sun’iy intellekt fizik modellarni umuman keraksiz qilishi ko‘rsatilmagan.
• Model barcha aniq harakat platformalarida bir xil aniqlikda ishlashi eksperimental ravishda isbotlanmagan.
• R² qiymatlari haqiqiy ishlab chiqarishdagi pozitsiyalash xatosi ham xuddi shu nisbatda kamayganini anglatishi ko‘rsatilmagan.
• 10.000 namunaning haqiqiy mashina tajribasidan olinganini aytib bo‘lmaydi.
• Klasterlangan imitatsion tavlash eng kichik mutlaq FRF xatosini beradigan usul emas; asosiy afzalligi hisoblash/qidiruvni tezlashtirishdir.
• Abstractdagi %2,47 xato qiymati 5-jadvaldagi evristik optimallashtirish natijalari bilan aynan bir xil bosqichga tegishli emas.
• Rzdagi yuqoriroq bashoratlash xatosi faqat neyron tarmoq arxitekturasidan kelib chiqadi deb bo‘lmaydi; o‘lchash usuli ham muhim xato manbaidir.
• Manbaning usul boshqa barcha murakkab mexanik tizimlarga universal tarzda qo‘llanishi mumkinligi haqidagi keng xulosasi ushbu bitta platforma bilan mustaqil tasdiqlanmagan.

Manba va Usul Qaydi

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

Mualliflar: 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.

Asosiy muassasalar: Shandong University; Goertek Inc.; Northeastern University; Qilu University of Technology.

Jurnal:Machines.

Yil / jild / maqola: 2026, 14, 691.

Nashr sanasi: 16 Iyun 2026.

DOI: 10.3390/machines14060691.

Litsenziya: Creative Commons Attribution (CC BY).

Tadqiqot turi: Eksperimental modal sinov, fizikaga asoslangan dinamik modellashtirish, evristik optimallashtirish va mashinaviy o‘rganishni birlashtiradigan muhandislik tadqiqoti.

Asosiy fizik usul: Generalized Receptance Coupling Substructure Analysis (GRCSA), Timoshenko balkasi nazariyasi va eksperimental modal sinov.

Optimallashtirish usullari: Differensial evolyutsiya, imitatsion tavlash va klasterlangan imitatsion tavlash.

Mashinaviy o‘rganish: Multi-Layer Perceptron (MLP) va one-dimensional Residual Network (ResNet-1D).

AI dasturiy ta’minoti: PyTorch 1.12.1+cu116; optimallashtirish uchun Adam.

Asosiy ma’lumot manbalari: Fizikaga asoslangan modeldan 10.000 interfeys parametri–FRF ma’lumot namunasi va haqiqiy mashina tajribalaridan har bir yo‘nalish uchun 200 boshqaruv parametri–FRF namunasi.

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

Ma’lumotlardan foydalanish: Ko‘rib chiqilgan ma’lumotlar to‘plamlari sanoat maxfiylik kelishuvlari sababli ommaga ochiq emasligi; asosli so‘rov bilan mas’ul muallifdan so‘ralishi mumkinligi bildirilgan.

Manfaatlar to‘qnashuvi: Manbada Fengguo Li, Xinyu Mao, Hongyi Sun, Jubin Zhang, Wei Wu, Jiaofeng Ma, Yang Yu va Wenxiu Yu Goertek Inc. xodimlari ekani ochiqlangan. Boshqa mualliflar tegishli tijoriy yoki moliyaviy munosabatlarni bildirmagan.

Manba ichidagi izchillik qaydi: Kirish bo‘limida bir marta “six driving directions” iborasi uchrasa-da, asosiy boshqaruv modeli X, Y va Rz bo‘yicha uchta yo‘nalishda taqdim etiladi. Bundan tashqari, 8-rasm grafik sarlavhalarida “Z” ishlatilgan bo‘lsa, ayni bo‘limdagi jadvallar va usul bayonida “Rz” termini qo‘llanadi. Bu farqlar Verianla matnida indamay qayta talqin qilinmagan.

Raqamli natija qaydi: Abstract bo‘limida dastlabki FRF bashorat xatosi %3,50dan %2,47gacha tushirilgani aytiladi. Biroq 5-jadvalda evristik parametr optimallashtirishning ochiq natijalari %2,6094, %2,7089 va %2,6875. Shu sababli %2,47 qiymati 5-jadvaldagi bitta optimallashtirish algoritmining natijasi sifatida taqdim etilmagan.

Verianla usul qaydi: Ushbu mazmun manba maqolaning paragrafma-paragraf tarjimasi emas. Maqoladagi GRCSA modeli, modal sinov usuli, evristik optimallashtirish, MLP/ResNet-1D arxitekturalari, to‘g‘ri va teskari bashoratlash vazifalari, bosqichli boshqaruv-parametri modeli, xato taqqoslashlari va manba ichidagi cheklovlar mustaqil o‘quv tuzilmasida qayta tashkil etilgan. Manba bevosita sinamagan umumiy ishlash yoki sanoatda qo‘llash mumkinligi haqidagi xulosalar qo‘shilmagan.