CN113971474A - 预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质 - Google Patents

预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质 Download PDF

Info

Publication number
CN113971474A
CN113971474A CN202110631323.0A CN202110631323A CN113971474A CN 113971474 A CN113971474 A CN 113971474A CN 202110631323 A CN202110631323 A CN 202110631323A CN 113971474 A CN113971474 A CN 113971474A
Authority
CN
China
Prior art keywords
data
vibration
load
learning
displacement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110631323.0A
Other languages
English (en)
Inventor
中津川英治
山下诚二
堂上靖史
森田英宪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN113971474A publication Critical patent/CN113971474A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H15/00—Measuring mechanical or acoustic impedance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H13/00—Measuring resonant frequency
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Acoustics & Sound (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Feedback Control In General (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质。预测装置具备：取得部，其取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至防振部件上的各个时刻的速度的序列的速度数据；第一载荷数据生成部，其对于用于对表示从防振部件输出的载荷的载荷数据进行推断的模型，通过输入位移数据及速度数据而生成防振部件的第一载荷数据；第二载荷数据生成部，其对于用于对表示在防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型，通过输入位移数据及速度数据而生成防振部件的第二载荷数据；推断部，其通过将第一、第二载荷数据相加而对与防振部件相关的载荷数据进行推断。

Description

预测装置、学习装置、记录有预测程序的记录介质、以及记录 有学习程序的记录介质
技术领域
本公开涉及一种预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质。
背景技术
一直以来，已知一种对时间序列数据中的将来值进行高精度预测的时间序列数据预测装置(例如，参照日本特开2019-101490号公报)。在日本特开2019-101490号公报中所公开的时间序列数据预测装置选择所接收到的时间序列数据的一部分的数据，并将所选择的数据存储在数据存储信息中，且根据数据存储信息的空域，而对被存储在数据存储信息中的多个数据进行压缩从而形成压缩数据，进而增加数据存储信息的空域。而且，时间序列数据预测装置基于数据存储信息中的数据和压缩数据，从而生成时间序列数据的将来值的预测模型。预测部基于在时间序列数据中成为预测对象的部分时间序列、和预测模型，而对时间序列数据的将来值进行预测。
但是，在对某个对象的举动进行预测的情况下，有时该对象会具有非线性特性。在该情况下，在对对象的举动进行预测时，例如，会使用作为机器学习模型的一个示例的神经网络等。作为机器学习模型的一个示例的递归型神经网络由于能够利用具有非线性特性的对象的时间序列数据来对该对象的举动进行预测，因此是有用的。
例如，被搭载于车辆上的防振部件具有非线性特性。因此，能够利用递归型神经网络等递归型学习模型，而对车辆的防振部件的举动进行预测。在对防振部件的举动进行预测时所使用的数据例如为被输入到防振部件上的振动的数据等，该振动的数据在时间轴上具有较大的变动。
递归型神经网络等递归型学习模型利用当前时刻的数据和到前一时刻为止的数据，来对对象的举动进行预测。在此，考虑向递归型学习模型输入振动数据等在时间轴上具有较大的变动的数据并对防振部件的举动进行预测的情况。在该情况下，存在如下课题，即，递归型学习模型无法适当地考虑变动较大的到前一时刻为止的数据，从而使得其预测精度发生恶化的课题。
虽然在日本特开2019-101490号公报中公开的技术基于压缩数据而生成对时间序列数据的将来值进行预测的模型，但该技术并未关于其精度而进行考虑，并且该技术也不是关于防振部件的技术。因此，日本特开2019-101490号公报中公开的技术存在无法精度良好地预测具有非线性特性的防振部件的举动的课题。
发明内容
本公开考虑到上述事实，其目的在于，提供一种能够精度良好地对防振部件的举动进行预测的预测装置、学习装置、记录了预测程序的记录介质、以及记录了学习程序的记录介质。
第一方式的预测装置为一种预测装置，该预测装置具备：取得部，其取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至所述防振部件上的各个时刻的速度的序列的速度数据；第一载荷数据生成部，其对于表示所述防振部件的线性特性、且用于根据所述位移数据以及所述速度数据而对表示从所述防振部件输出的载荷的载荷数据进行推断的模型，通过输入由所述取得部所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第一载荷数据；第二载荷数据生成部，其对于表示所述防振部件的非线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型，通过输入由所述取得部所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第二载荷数据；推断部，其通过将所述第一载荷数据生成部所生成的所述第一载荷数据与所述第二载荷数据生成部所生成的所述第二载荷数据相加并总计，从而对与所述防振部件相关的载荷数据进行推断。
第二方式的预测装置的表示所述防振部件的线性特性的模型为力学系统模型，表示所述防振部件的非线性特性的递归型学习完毕模型为学习完毕的递归型神经网络。
第三方式的学习装置为一种学习装置，该学习装置具备：教师数据取得部，其取得表示学习用的位移数据以及学习用的速度数据与载荷数据的组合的教师数据，所述学习用的位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据，所述学习用的速度数据为表示被输入至所述防振部件上的各个时刻的速度的序列的数据，所述载荷数据为表示在被赋予学习用的所述速度数据以及学习用的所述位移数据时在所述防振部件上产生的载荷的数据；学习部，其基于所述教师数据取得部所取得的所述教师数据而使表示所述防振部件的非线性特性的递归模型进行机器学习，从而生成用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型。
第四方式的学习装置的所述教师数据取得部实施如下处理，即：通过从表示所述防振部件的要求性能的储能弹簧常数中减去与所述防振部件的线性特性相对应的弹簧常数K0，从而生成与所述防振部件的非线性特性相对应的弹簧常数Kd’；通过从表示所述防振部件的要求性能的衰减系数中减去与所述防振部件的线性特性相对应的衰减系数C0，从而生成与所述防振部件的非线性特性相对应的衰减系数C’；通过对与所述防振部件的非线性特性相对应的弹簧常数Kd’和与所述防振部件的非线性特性相对应的衰减系数C’进行变换，从而对与所述防振部件的要求性能相对应的绝对弹簧常数K和与所述防振部件的要求性能相对应的相位θ进行计算；基于对于所述防振部件而被输入的振动的振幅a和所述振动的角频率ω，并依照以下的式(1)，而对作为所述教师数据中的输入侧数据的、各个时刻t的所述位移数据x(t)以及各个时刻t的所述速度数据v(t)进行计算；基于对于所述防振部件而被输入的振动的振幅a、所述振动的角频率ω、所述绝对弹簧常数K和所述相位θ，并依照以下的式(2)，而对作为所述教师数据中的输出侧数据的、各个时刻t的所述载荷数据f(t)进行计算；将所述位移数据x(t)以及所述速度数据v(t)与所述载荷数据f(t)的组合作为所述教师数据而取得，
【数学式1】
x(t)＝a sinωt
v(t)＝dx/dt＝aωcosωt (1)
f(t)＝Kx(t+θ/ω)＝Ka sin(ωt+θ) (2)。
第五方式为一种记录有预测程序的非临时性记录介质。该程序使计算机执行如下的处理，即：取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至所述防振部件上的各个时刻的速度的序列的速度数据；对于表示所述防振部件的线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的模型，通过输入所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第一载荷数据；对于表示所述防振部件的非线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型，通过输入所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第二载荷数据；通过将所述第一载荷数据和所述第二载荷数据相加并总计，从而对与所述防振部件相关的载荷数据进行推断。
第六方式为记录有学习程序的非临时性记录介质。该程序使计算机执行如下的处理，即：取得表示学习用的位移数据以及学习用的速度数据与载荷数据的组合的教师数据，其中，所述学习用的位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据，所述学习用的速度数据为表示被输入至所述防振部件上的各个时刻的速度的序列的数据，所述载荷数据为表示在被赋予学习用的所述速度数据以及学习用的所述位移数据时在所述防振部件上产生的载荷的数据；通过基于所取得的所述教师数据而使表示所述防振部件的非线性特性的递归模型进行机器学习，从而生成用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型。
根据本公开，具有能够精度良好地预测防振部件的举动的效果。
附图说明
将基于以下附图详细描述本公开的示例性实施例，其中：
图1为用于对自主切换式液封悬架进行说明的图；
图2为利用递归型神经网络来对自主切换式液封悬架上产生的载荷进行预测时的结果的一个示例；
图3为利用递归型神经网络来对自主切换式液封悬架上产生的载荷进行预测时的结果的一个示例；
图4为表示实施方式所涉及的预测装置的硬件结构例的图；
图5为实施方式所涉及的预测装置的功能框图；
图6为用于对实施方式的防振部件模型进行说明的图；
图7A为用于对线性特性与非线性特性的分离进行说明的图；
图7B为用于对线性特性与非线性特性的分离进行说明的图；
图7C为用于对线性特性与非线性特性的分离进行说明的图；
图8为用于对绝对弹簧常数和相位进行说明的图；
图9为用于对教师数据的存储方法进行说明的图；
图10为表示实施方式的教师数据生成处理例程的一个示例的图；
图11为表示实施方式的学习处理例程的一个示例的图；
图12为表示实施方式的模拟处理例程的一个示例的图；
图13为表示实施例的结果的图；
图14为表示实施例的结果的图；以及
图15为表示实施例的结果的图。
具体实施方式
＜实施方式＞
在对如图1所示那样的被搭载于车辆V上的自主切换式液封悬架M的举动进行预测时，有时会实施通过已知的1D-CAE(Computer Aided Engineering：计算机辅助工程)而实现的模拟。在该情况下，需要考虑自主切换式液封悬架的举动的非线性特性。自主切换式液封悬架为车辆的防振部件的一个示例。
在对对象的举动进行预测时，例如，使用作为机器学习模型的一个示例的神经网络等。神经网络中的递归型神经网络由于能够利用时间序列数据而精度良好地对具有非线性特性的对象的举动进行预测，因此是有用的。
递归型神经网络以考虑到前一时刻为止的数据的方式而执行处理。由于递归型神经网络考虑当前时刻t1的数据和前一时刻的数据t2而执行处理，因此，从递归型神经网络输出的数据依赖于当前时刻t1与前一时刻t2之间的时间间隔Δt(以下，仅称为“采样时间步长Δt”)。因此，递归型神经网络的输出数据成为采样时间步长Δt的固定步长输出。
关于这一点，在向递归型学习模型输入振动数据等在时间轴上具有较大的变动的数据，并对防振部件的举动进行预测时，存在递归型学习模型无法适当地考虑具有较大的变动的到前一时刻为止的数据从而使得其预测精度发发生恶化的问题。
图2中示出了通过递归型神经网络而实施的自主切换式液封悬架的举动的预测结果的一个示例。图2为表示自主切换式液封悬架的加振评价的结果的图。图2所示的结果为，通过递归型神经网络而使根据被输入到自主切换式液封悬架上的振动的位移以及速度来对在自主切换式液封悬架上产生的载荷进行预测的问题模型化，并且根据被输入到自主切换式液封悬架上的振动的位移以及速度来对载荷进行预测的结果。
如图2所示，由于在被输入的振动的频率较小的情况(图2的“1Hz附近”)下时间历史数据的变动也较小，因此，由递归型神经网络实施的自主切换式液封悬架的载荷的预测值和理论值良好地一致。与此相对，可以看出在振动的频率较大的情况下(图2的“8Hz附近”、“30Hz附近”)，由递归型神经网络实施的在防自主切换式液封悬架上产生的载荷的预测值和理论值背离。
此外，图3为表示自主切换式液封悬架的平衡评价的结果的图。如图3所示而可知，尽管自主切换式液封支架的载荷的理论值为0，但是由递归型神经网络实施的自主切换式液封悬架的载荷的预测值上下大幅地振动，且预测值与理论值较大程度地背离。
因此，存在即使仅利用递归型神经网络来对防振部件的举动进行预测也无法精度良好地进行预测的课题。
因此，在本实施方式中，在使防振部件的举动模型化时，以使防振部件的线性特性与非线性特性分离的方式而进行模型化。具体而言，在本实施方式中，通过已有的力学系统模型而使防振部件的线性特性模型化，并通过递归型神经网络而使防振部件的非线性特性模型化。由此，能够精度良好地对防振部件的举动进行预测。
以下，利用附图，对实施方式的预测装置进行说明。
图4为表示实施方式所涉及的预测装置10的硬件结构的一个示例的框图。如图4所示，预测装置10具备CPU(Central Processing Unit，中央处理单元)11、ROM(Read OnlyMemory，只读存储器)12、RAM(Random Access Memory，随机存取存储器)13、存储器14、输入部15、显示部16以及通信接口(I/F)17。各个结构经由总线19而以能够相互通信的方式被连接。
CPU11为中央运算处理单元，其执行各种程序、或对各个部分进行控制。即，CPU11从ROM12或者存储器14读取程序，并将RAM13作为工作区域来执行程序。CPU11按照被存储于ROM12或者存储器14中的程序而实施上述各个结构的控制以及各种运算处理。CPU11为处理器的一个示例。在本实施方式中，在ROM12或者存储器14中存储有教师数据生成程序、学习程序以及预测程序。
ROM12对各种程序以及各种数据进行存储。RAM13作为工作区域而临时性对程序或者数据进行存储。存储器14由HDD(Hard Disk Drive，硬盘驱动器)或者SSD(Solid StateDrive，固态驱动器)而构成，并对包含操作系统在内的各种程序以及各种数据进行存储。
输入部15包括鼠标等的指示装置以及键盘，其为了对本装置实施各种输入而被使用。
显示部16例如为液晶显示器，并显示各种信息。显示部16可以采用触摸面板方式并作为输入部15而发挥功能。
通信接口17为用于本装置与其他的外部设备进行通信的接口，例如，使用以太网(注册商标)、FDDI(Fiber Distributed Data Interface，光纤分布式数据接口)、Wi-Fi(注册商标)等标准。
接下来，参照图5而对预测装置10的功能结构进行说明。
图5为表示实施方式所涉及的预测装置10的功能结构的一个示例的框图。如图5所示，预测装置10具备教师数据取得部101、教师数据存储部102、学习部103、学习完毕模型存储部104、力学系统模型存储部105、取得部106、第一载荷数据生成部107、第二载荷数据生成部108和推断部109。
教师数据取得部101生成用于使作为后述的递归型学习模型的一个示例的递归型神经网络进行机器学习的教师数据。教师数据为用于使对防振部件的举动进行预测的递归型神经网络进行学习的数据。
在图6中，示出了用于对本实施方式的防振部件模型BM进行说明的图。如图6所示，在本实施方式中，通过已有的力学系统模型RM而使防振部件中的呈现线性特性的部分模型化，并通过递归型神经网络KM而使防振部件中的呈现非线性特性的部分模型化。另外，递归型神经网络自身使用已知的递归型神经网络。
具体而言，如图6所示，向防振部件模型输入位移数据和速度数据的组合。位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据。速度数据为表示被输入至防振部件上的各个时刻的速度的序列的数据。而且，从防振部件模型BM输出表示在位移数据和速度数据的组合被输入到了防振部件上时的载荷的载荷数据。载荷数据为表示在防振部件上产生的各个时刻的载荷的数据。
另外，位移数据以及速度数据被输入至防振部件模型BM中的力学系统模型RM以及递归型神经网络KM的双方。从防振部件模型BM输出的载荷数据相当于，从力学系统模型RM输出的第一载荷数据与从递归型神经网络KM输出的第二载荷数据之和。
具体而言，教师数据取得部101为了使递归型神经网络进行学习而根据表示防振部件的要求性能的数据生成教师数据。
教师数据取得部101通过从表示防振部件的要求性能的储能弹簧常数Kd中减去与该防振部件的线性特性相对应的弹簧常数K0，从而生成与防振部件的非线性特性相对应的弹簧常数Kd’。此外，教师数据取得部101通过从表示防振部件的要求性能的衰减系数C中减去与防振部件的线性特性相对应的衰减系数C0，从而生成与防振部件的非线性特性相对应的衰减系数C’。
在图7A、图7B以及图7C中，示出了用于对线性特性与非线性特性的分离进行说明的图。
图7A为表示在线性特性和非线性特性被分离前的储能弹簧常数Kd和衰减系数C的图。图7A的上侧的曲线图为表示储能弹簧常数Kd的曲线图，其中的储能弹簧常数Kd表示防振部件的要求性能。此外，图7A的下侧的曲线图为表示衰减系数C的曲线图，其中的衰减系数C表示防振部件的要求性能。另外，图中的a1、a2、a3、a4表示对防振部件输入的振动的振幅a的大小。振幅a1、a2、a3、a4的关系为a1＜a2＜a3＜a4。
图7B为用于对线性特性与非线性特性的分离的前后进行说明的图。如图7B的上侧的曲线图所示，通过从储能弹簧常数Kd中减去与防振部件的线性特性相对应的弹簧常数K0，从而生成弹簧常数Kd’。另外，在图7B的上侧的曲线图中附加有“org”的线表示储能弹簧常数Kd，附加有“sep”的线表示弹簧常数Kd’(Kd’＝Kd-K0)。此外，如图7B的下侧的曲线图所示，通过从衰减系数C中减去与防振部件的线性特性相对应的衰减系数C0，从而生成衰减系数C’。另外，在图7B的下侧的曲线图中附加有“org”的线表示衰减系数C，附加有“sep”的线表示衰减系数C’(C’＝C-C0)。
图7C为表示线性特性与非线性特性被分离后的弹簧常数Kd’和衰减系数C’的图。
如图7A、图7B、以及图7C所示，预测装置10通过从储能弹簧常数Kd中减去与线性特性相对应的弹簧常数K0且从衰减系数C中减去与线性特性相对应的衰减系数C0，从而从这些常数中消除防振部件的线性特性。由此，生成了与非线性特性相对应的弹簧常数Kd’以及衰减系数C’，并利用这些参数而生成后述的教师数据。通过利用这些教师数据来学习递归型神经网络，从而生成了与防振部件的非线性特性相对应的学习完毕的递归型神经网络。
教师数据取得部101通过利用已知的方法而对与防振部件的非线性特性相对应的弹簧常数Kd’和与防振部件的非线性特性相对应的衰减系数C’进行变换，从而对与防振部件的要求性能相对应的绝对弹簧常数K和与防振部件的要求性能相对应的相位θ进行计算。
具体而言，教师数据取得部101基于与防振部件的非线性特性相对应的衰减系数C’，并依照以下的式(2)而对与各个频率f相对应的Ki进行计算。而且，教师数据取得部101基于与防振部件的非线性特性相对应的弹簧常数Kd’和通过式(2)而计算出的Ki，并依照以下的式(1)而对绝对弹簧常数K进行计算。此外，教师数据取得部101基于与防振部件的非线性特性相对应的弹簧常数Kd’和通过式(2)而计算出的Ki，并依照以下的式(3)而对相位θ进行计算。
【数学式2】
Figure BDA0003103645570000091
Ki＝2πf·C′ …(2)
θ＝arctan(Kr/K′d) …(3)
在图8中，示出了绝对弹簧常数K和相位θ的一个示例。如图8所示，针对各个频率f而计算出绝对弹簧常数K和相位θ。
而且，教师数据取得部101基于对于防振部件而被输入的振动的振幅a和振动的角频率ω，并依照以下的式(4)以及式(5)，而对作为教师数据中的输入侧数据的、各个时刻t的位移数据x(t)以及各个时刻t的速度数据v(t)进行计算。
【数学式3】
x(t)＝a sinωt …(4)
v(t)＝dx/dt＝aωcosωt …(5)
此外，教师数据取得部101基于对于防振部件而被输入的振动的振幅a、振动的角频率ω、绝对弹簧常数K和相位θ，并依照以下的式(6)，而对作为教师数据中的输出侧数据的、各个时刻t的载荷数据f(t)进行计算。
【数学式4】
f(t)＝Kx(t+θ/ω)＝Ka sin(ωt+θ) …(6)
而且，教师数据取得部101将位移数据x(t)以及速度数据v(t)与载荷数据f(t)的组合作为教师数据而取得。
在教师数据存储部102中，存储有通过教师数据取得部101而生成的教师数据。本实施方式的教师数据为表示学习用的位移数据以及学习用的速度数据、和载荷数据的组合的数据，所述学习用的位移数据为表示防振部件的各个时刻的位移的序列的数据，所述学习用的速度数据为表示防振部件的各个时刻的速度的序列的数据，所述载荷数据为表示在被赋予了学习用的速度数据以及学习用的位移数据时在防振部件上产生的载荷的数据。
在图9中，示出了被存储于教师数据存储部102中的教师数据的一个示例。如图9所示，位移数据以及速度数据和载荷数据的组合作为一个教师数据而被存储于教师数据存储部102中
学习部103通过基于被存储于教师数据存储部102中的教师数据来使表示防振部件的非线性特性的递归型神经网络进行机器学习，从而生成学习完毕的递归型神经网络。而且，学习部103向学习完毕模型存储部104中存储所生成的学习完毕的递归型神经网络。
在学习完毕模型存储部104中，存储有通过学习部103而生成的学习完毕的递归型神经网络。
在力学系统模型存储部105中，存储有相当于表示防振部件的线性特性的力学系统模型的计算式。具体而言，相当于力学系统模型的计算式由以下的式(7)来表示。另外，与线性特性相对应的弹簧常数K0以及与线性特性相对应的衰减系数C0为常数。
【数学式5】
fs(t)＝K0x(t)+C0v(t) …(7)
取得部106取得表示防振部件的各个时刻的位移的序列的位移数据和表示防振部件的各个时刻的速度的序列的速度数据。取得部106所取得的数据为对载荷数据进行推断的对象的位移数据以及速度数据。
第一载荷数据生成部107读取与被存储在力学系统模型存储部105中的力学系统模型相当的计算式。而且，第一载荷数据生成部107对于所读取出的力学系统模型，通过输入由取得部106所取得的位移数据以及速度数据，从而生成防振部件的第一载荷数据。具体而言，第一载荷数据生成部107对上述式(7)输入位移数据x(t)以及速度数据v(t)，从而对第一载荷数据fs(t)进行计算。
第二载荷数据生成部108读取被存储于学习完毕模型存储部104中的学习完毕的递归型神经网络。而且，第二载荷数据生成部108通过对所读取出的学习完毕的递归型神经网络输出由取得部106所取得的位移数据x(t)以及速度数据v(t)，从而生成防振部件的第二载荷数据fd(t)。
推断部109通过将由第一载荷数据生成部107所生成的第一载荷数据fs(t)和由第二载荷数据生成部108所生成的第二载荷数据fd(t)相加并总计，从而对在防振部件上产生的载荷数据进行推断。
而且，推断部109使显示部16显示推断出的防振部件的载荷数据。另外，由于载荷数据为时间序列数据，因此，使显示部16显示在各个时刻处防振部件上所产生的载荷。
接下来，对实施方式的预测装置10的作用进行说明。
当表示防振部件的要求性能的数据被输入给预测装置10时，预测装置10执行图10所示的教师数据生成处理例程。
＜教师数据生成处理例程＞
在步骤S100中，教师数据取得部101通过从表示防振部件的要求性能的储能弹簧常数Kd中减去与该防振部件的线性特性相对应的弹簧常数K0，从而生成与防振部件的非线性特性相对应的弹簧常数Kd’。
在步骤S102中，教师数据取得部101通过从表示防振部件的要求性能的衰减系数C中减去与防振部件的线性特性相对应的衰减系数C0，从而生成与防振部件的非线性特性相对应的衰减系数C’。
在步骤S104中，通过利用已知的方法来对与防振部件的非线性特性相对应的弹簧常数Kd’和与防振部件的非线性特性相对应的衰减系数C’进行变换，从而对与防振部件的要求性能相对应的绝对弹簧常数K和与防振部件的要求性能相对应的相位θ进行计算。
在步骤S106中，教师数据取得部101基于对于防振部件而被输入的振动的振幅a和振动的角频率ω，并依照上述式(4)、(5)，而对作为教师数据中的输入侧数据的、各个时刻t的位移数据x(t)以及各个时刻t的速度数据v(t)进行计算。
在步骤S108中，教师数据取得部101基于对于防振部件而被输入的振动的振幅a、振动的角频率ω、绝对弹簧常数K和相位θ，并依照上述式(6)，而对作为教师数据中的输出侧数据的、各个时刻t的载荷数据f(t)进行计算。
在步骤S110中，教师数据取得部101将位移数据x(t)以及速度数据v(t)和载荷数据f(t)的组合作为教师数据而向教师数据存储部102中进行存储。
通过上述的教师数据生成处理例程而生成了教师数据，当该教师数据被存储到教师数据存储部102中时，预测装置10执行图11所示的学习处理例程。
＜学习处理例程＞
在步骤S200中，学习部103读取被存储于教师数据存储部102中的教师数据。
在步骤S202中，学习部103基于被存储于教师数据存储部102中的教师数据而使表示防振部件的非线性特性的递归型神经网络进行机器学习，从而生成学习完毕的递归型神经网络。
在步骤S204中，学习部103将生成的学习完毕的递归型神经网络向学习完毕模型存储部104进行存储。
通过上述的学习处理例程而生成了学习完毕的递归型神经网络，当该学习完毕的递归型神经网络被存储到学习完毕模型存储部104中时，预测装置10执行图12所示的模拟处理例程。
＜模拟处理例程＞
在步骤S300中，取得部106取得对载荷数据进行推断的对象的位移数据x(t)以及速度数据v(t)。
在步骤S302中，第一载荷数据生成部107读取与被存储在力学系统模型存储部105中的力学系统模型相当的计算式。而且，第一载荷数据生成部107对于读取出的力学系统模型，通过输入在上述步骤S300中所取得的位移数据x(t)以及速度数据v(t)，从而生成防振部件的第一载荷数据fs(t)。
在步骤S304中，第二载荷数据生成部108读取出被存储在学习完毕模型存储部104中的学习完毕的递归型神经网络。而且，第二载荷数据生成部108对于读取出的学习完毕的递归型神经网络，通过输入在上述步骤S300中取得的位移数据x(t)以及速度数据v(t)，从而生成防振部件的第二载荷数据fd(t)。
在步骤S306中，推断部109通过将在上述步骤S302中生成的第一载荷数据fs(t)和在上述步骤S300中生成的第二载荷数据fd(t)相加并总计，从而对与防振部件相关的载荷数据进行推断。
在步骤S308中，推断部109将所推断出的防振部件的载荷数据作为结果而输出。
如以上所说明的那样，实施方式所涉及的预测装置10取得表示防振部件的各个时刻的位移的序列的位移数据、和表示防振部件的各个时刻的速度的序列的速度数据。而且，预测装置10对于表示防振部件的线性特性、且用于根据位移数据以及速度数据而对表示与防振部件相关的载荷的载荷数据进行推断的模型，通过输入所取得的位移数据以及速度数据，从而生成防振部件的第一载荷数据。预测装置10对于表示防振部件的非线性特性、且用于根据位移数据以及速度数据来对表示与防振部件相关的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型，通过输入所取得的位移数据以及速度数据，从而生成防振部件的第二载荷数据。预测装置10通过将第一载荷数据和第二载荷数据相加并总计，从而对与防振部件相关的载荷数据进行推断。由此，能够精度良好地对防振部件的举动进行预测。此外，能够稳定地对防振部件的举动进行预测。
另外，虽然将上述的实施方式中由各个装置所实施的处理设为通过执行程序而被实施的软件处理来进行了说明，但是也可以设为利用硬件来实施的处理。或者，也可以设为将软件以及硬件双方组合在一起的处理。此外，也可以通过将被存储于ROM中的程序存储在各种存储介质中而使之流通。
而且，本公开并不限定于上述内容，当然，除了上述内容以外，在不脱离其主旨的范围内能够进行各种变形而实施。
例如，虽然在上述实施方式中，以依照式(6)而生成教师数据的输出侧数据f(t)的情况为例而进行了说明，但是并不限定于此。例如，也可以依照下式来生成教师数据的输出侧数据f(t)。
【数学式6】
f(t)＝Kdx(t)+Cv(t)
【实施例】
接下来，对本实施方式的实施例进行说明。
图13为表示自主切换式液封悬架的平衡评价的结果的图。图13的R1-1为，关于弹簧常数以及衰减系数的双方而使非线性特性与线性特性分离，并通过力学系统模型而生成与非线性特性相对应的第一载荷数据，且通过递归型神经网络模型而生成与线性特性相对应的第二载荷数据，并且将第一载荷数据与第二载荷数据之和作为在自主切换式液封悬架上产生的载荷数据而进行推断的结果。R1-2为，仅关于弹簧常数而使非线性特性与线性特性分离的结果。R1-3为，在不使非线性特性与线性特性分离的条件下利用递归型神经网络来对在自主切换式液封悬架上产生的载荷数据进行推断的结果。
如图13所示，R1-3的结果上下大幅振动，从而载荷数据并没有被适当地推断出。相对于此，R1-2的结果虽然上下振动，但如果与R1-3相比则其变动受到了抑制。R1-3的结果上下的振动几乎消失，从而可知载荷数据被适当地推断出。
图14为表示自主切换式液封悬架的加振评价的结果的图。图14的R2-1为，关于弹簧常数以及衰减系数双方而使非线性特性与线性特性分离，并通过力学系统模型而生成与非线性特性相对应的第一载荷数据，且通过递归型神经网络模型而生成与线性特性相对应的第二载荷数据，并且将第一载荷数据与第二载荷数据之和作为在自主切换式液封悬架上产生的载荷数据而进行推断的结果。R2-2为，仅关于弹簧常数而使非线性特性与线性特性分离的结果。R2-3为，在不使非线性特性与线性特性分离的条件下利用递归型神经网络来对在自主切换式液封悬架上产生的载荷数据进行推断的结果。
如图14所示，R2-3的结果成为非连续的结果，从而没有适当地推断出载荷数据。与此相对，R2-2以及R2-3的结果虽然稍微上下振动，但是如果与R1-3相比，则其变动被抑制，可知适当地推断出了载荷数据。
接下来，为了确认计算稳定性，将没有切换的液封悬架作为题材而对由递归型神经网络单体所产生的预测结果和由使非线性特性与线性特性分离的本实施方式的模型所产生的预测结果进行比较。
在验证中所使用的1D-CAE模型为，将1自由度弹簧-质量系统的弹簧部分置换为液封悬架模型的模型。在该验证中，对使该1D-CAE模型的质量进行加振时的位移响应进行评价。通过使质量元素的质量变化为100/60/30/20kg，从而使1自由度系统的谐振频率逐渐升高，并定性地确认了是否对计算稳定性没有影响。
如图15的表所示，使非线性特性与线性特性分离的本实施方式的模型能够确认到其全部均具有计算稳定性(表中的“Stable(稳定)”)。另一方面，关于递归型神经网络单体，在质量20kg的条件下，计算结果发散(表中的“Unstable(不稳定)”)。与此相对，使非线性特性与线性特性分离了的本实施方式的模型即使在质量20kg的条件下计算也会收敛并且稳定。因此，能够确认到，使非线性特性与线性特性分离了的本实施方式的模型的计算稳定性也有提高。

Claims (7)

1.一种预测装置，具备：
取得部，其取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至所述防振部件上的各个时刻的速度的序列的速度数据；
第一载荷数据生成部，其对于表示所述防振部件的线性特性、且用于根据所述位移数据以及所述速度数据而对表示从所述防振部件输出的载荷的载荷数据进行推断的模型，通过输入由所述取得部所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第一载荷数据；
第二载荷数据生成部，其对于表示所述防振部件的非线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型，通过输入由所述取得部所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第二载荷数据；
推断部，其通过将由所述第一载荷数据生成部所生成的所述第一载荷数据与由所述第二载荷数据生成部所生成的所述第二载荷数据相加并总计，从而对与所述防振部件相关的载荷数据进行推断。
2.如权利要求1所述的预测装置，其中，
表示所述防振部件的线性特性的模型为力学系统模型，
表示所述防振部件的非线性特性的递归型学习完毕模型为学习完毕的递归型神经网络。
3.一种学习装置，具备：
教师数据取得部，其取得表示学习用的位移数据以及学习用的速度数据与载荷数据的组合的教师数据，其中，所述学习用的位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据，所述学习用的速度数据为表示被输入至所述防振部件上的各个时刻的速度的序列的数据，所述载荷数据为表示在被赋予了学习用的所述速度数据以及学习用的所述位移数据时在所述防振部件上产生的载荷的数据；
学习部，其通过基于由所述教师数据取得部所取得的所述教师数据而使表示所述防振部件的非线性特性的递归模型进行机器学习，从而生成用于根据所述位移数据以及所述速度数据来对表示在所述防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型。
4.如权利要求3所述的学习装置，其中，
所述教师数据取得部实施如下处理，即：
通过从表示所述防振部件的要求性能的储能弹簧常数中减去与所述防振部件的线性特性相对应的弹簧常数K0，从而生成与所述防振部件的非线性特性相对应的弹簧常数Kd’；
通过从表示所述防振部件的要求性能的衰减系数中减去与所述防振部件的线性特性相对应的衰减系数C0，从而生成与所述防振部件的非线性特性相对应的衰减系数C’；
通过对与所述防振部件的非线性特性相对应的弹簧常数Kd’和与所述防振部件的非线性特性相对应的衰减系数C’进行变换，从而对与所述防振部件的要求性能相对应的绝对弹簧常数K和与所述防振部件的要求性能相对应的相位θ进行计算；
基于对于所述防振部件而被输入的振动的振幅a和所述振动的角频率ω，并依照以下的式(1)，而对作为所述教师数据中的输入侧数据的、各个时刻t的所述位移数据x(t)以及各个时刻t的所述速度数据v(t)进行计算；
基于对于所述防振部件而被输入的振动的振幅a、所述振动的角频率ω、所述绝对弹簧常数K以及所述相位θ，并依照以下的式(2)，而对作为所述教师数据中的输出侧数据的、各个时刻t的所述载荷数据f(t)进行计算；
将所述位移数据x(t)以及所述速度数据v(t)与所述载荷数据f(t)的组合作为所述教师数据而取得，
【数学式1】
x(t)＝a sinωt
v(t)＝dx/dt＝aωcosωt
(1)
f(t)＝Kx(t+θ/ω)＝Ka sin(ωt+θ)
(2)
5.如权利要求3所述的学习装置，其中，
所述教师数据取得部实施如下处理，即：
基于对于所述防振部件而被输入的振动的振幅a和所述振动的角频率ω，并依照以下的式(3)，而对作为所述教师数据中的输入侧数据的、各个时刻t的所述位移数据x(t)以及各个时刻t的所述速度数据v(t)进行计算，
基于对于所述防振部件而被输入的振动的振幅a、所述振动的角频率ω和表示所述防振部件的要求性能的储能弹簧常数Kd、表示所述防振部件的要求性能的衰减系数C，并依照以下的式(4)，而对作为所述教师数据中的输出侧数据的、各个时刻t的所述载荷数据f(t)进行计算，
将所述位移数据x(t)以及所述速度数据v(t)与所述载荷数据f(t)的组合作为所述教师数据而取得，
【数学式2】
x(t)＝a sinωt
v(t)＝dx/dt＝aωcosωt
(3)
f(t)＝Kdx(t)+Cv(t)
(4)
6.一种记录有预测程序的非临时性记录介质，所述预测程序使计算机执行如下的处理，即：
取得表示被输入至防振部件上的各个时刻的位移的序列的位移数据、和表示被输入至所述防振部件上的各个时刻的速度的序列的速度数据；
对于表示所述防振部件的线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的模型，通过输入所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第一载荷数据；
对于表示所述防振部件的非线性特性、且用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的被预先机器学习了的递归型学习完毕模型，通过输入所取得的所述位移数据以及所述速度数据，从而生成所述防振部件的第二载荷数据；
通过将所述第一载荷数据和所述第二载荷数据相加并总计，从而对与所述防振部件相关的载荷数据进行推断。
7.一种记录有学习程序的非临时性记录介质，所述学习程序使计算机执行如下的处理，即：
取得表示学习用的位移数据以及学习用的速度数据与载荷数据的组合的教师数据，其中，所述学习用的位移数据为表示被输入至防振部件上的各个时刻的位移的序列的数据，所述学习用的速度数据为表示被输入至所述防振部件上的各个时刻的速度的序列的数据，所述载荷数据为表示在被赋予了学习用的所述速度数据以及学习用的所述位移数据时在所述防振部件上产生的载荷的数据；
通过基于所取得的所述教师数据而使表示所述防振部件的非线性特性的递归模型进行机器学习，从而生成用于根据所述位移数据以及所述速度数据而对表示在所述防振部件上产生的载荷的载荷数据进行推断的递归型学习完毕模型。
CN202110631323.0A 2020-07-22 2021-06-07 预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质 Pending CN113971474A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020125712A JP7347356B2 (ja) 2020-07-22 2020-07-22 予測装置、学習装置、予測プログラム、及び学習プログラム
JP2020-125712 2020-07-22

Publications (1)

Publication Number Publication Date
CN113971474A true CN113971474A (zh) 2022-01-25

Family

ID=79586163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631323.0A Pending CN113971474A (zh) 2020-07-22 2021-06-07 预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质

Country Status (3)

Country Link
US (1) US11769050B2 (zh)
JP (1) JP7347356B2 (zh)
CN (1) CN113971474A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7530231B2 (ja) 2020-08-07 2024-08-07 三菱Ｆｂｒシステムズ株式会社 予測装置、学習装置及びプログラム
JPWO2023157505A1 (zh) 2022-02-16 2023-08-24

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008249610A (ja) * 2007-03-30 2008-10-16 Railway Technical Res Inst 鉄道車両用懸架装置の動特性推定方法
CN102804554A (zh) * 2009-06-24 2012-11-28 科孚德机电技术有限公司 悬架结构
JP2015104966A (ja) * 2013-11-29 2015-06-08 トヨタ自動車株式会社 車両のサスペンション装置
CN107085633A (zh) * 2017-04-12 2017-08-22 华侨大学 基于支持向量机的多点振动响应频域预测的装置及方法
CN107256204A (zh) * 2017-04-12 2017-10-17 华侨大学 基于传递函数的多点振动响应频域预测的实验装置及方法
JP2019101490A (ja) * 2017-11-28 2019-06-24 株式会社東芝 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6847917B2 (en) * 2001-05-24 2005-01-25 Simmonds Precision Products, Inc. Method and apparatus for selecting condition indicators in determining the health of a component
JP3882014B2 (ja) * 2004-01-19 2007-02-14 株式会社日立プラントテクノロジー 構造物の振動試験装置およびその振動試験方法
JP5077968B2 (ja) * 2007-03-23 2012-11-21 国立大学法人埼玉大学 解析システム、解析方法、プログラムおよび機械装置
JP5278202B2 (ja) * 2009-07-02 2013-09-04 日産自動車株式会社 振動低減装置
CN102687041B (zh) * 2009-08-07 2014-09-24 埃克森美孚上游研究公司 根据地面测量估计井下钻探振动指标的方法
JP6444885B2 (ja) * 2013-11-26 2018-12-26 株式会社トクヤマ 運動装置の状態監視システム
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008249610A (ja) * 2007-03-30 2008-10-16 Railway Technical Res Inst 鉄道車両用懸架装置の動特性推定方法
CN102804554A (zh) * 2009-06-24 2012-11-28 科孚德机电技术有限公司 悬架结构
JP2015104966A (ja) * 2013-11-29 2015-06-08 トヨタ自動車株式会社 車両のサスペンション装置
CN107085633A (zh) * 2017-04-12 2017-08-22 华侨大学 基于支持向量机的多点振动响应频域预测的装置及方法
CN107256204A (zh) * 2017-04-12 2017-10-17 华侨大学 基于传递函数的多点振动响应频域预测的实验装置及方法
JP2019101490A (ja) * 2017-11-28 2019-06-24 株式会社東芝 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム

Also Published As

Publication number Publication date
US11769050B2 (en) 2023-09-26
US20220027729A1 (en) 2022-01-27
JP7347356B2 (ja) 2023-09-20
JP2022021856A (ja) 2022-02-03

Similar Documents

Publication Publication Date Title
Rahmani MEMS gyroscope control using a novel compound robust control
CN113971474A (zh) 预测装置、学习装置、记录有预测程序的记录介质、以及记录有学习程序的记录介质
Östring et al. Closed-loop identification of an industrial robot containing flexibilities
CN110389528B (zh) 基于扰动观测的数据驱动mems陀螺仪驱动控制方法
US7114394B2 (en) Vibration test system and method for structures
Obregon-Pulido et al. A structurally stable globally adaptive internal model regulator for MIMO linear systems
Seki et al. Adaptive compensation for reaction force with frequency variation in shaking table systems
Ramadurai et al. Application of unscented kalman filter to a cable driven surgical robot: A simulation study
Raoufi et al. Experimental implementation of a novel model‐free adaptive fractional‐order sliding mode controller for a flexible‐link manipulator
CN110262237A (zh) 基于双反馈模糊神经网络的微陀螺仪超扭曲滑模控制方法
Valikhani et al. Bayesian framework for simultaneous input/state estimation in structural and mechanical systems
JP6497408B2 (ja) 電気慣性制御装置
JP3618235B2 (ja) 振動試験装置
CN107870566B (zh) 基于平行估计复合学习的mems陀螺仪快速启动方法
Wilbanks et al. Two-scale command shaping for feedforward control of nonlinear systems
CN110389530B (zh) 基于数据筛选的mems陀螺仪参数辨识驱动控制方法
EP3968513A1 (en) Motor control system, motor control method, and program
Noël et al. 10 years of advances in nonlinear system identification in structural dynamics: A review
CN110426952B (zh) 考虑外界干扰的区间数据学习mems陀螺仪高精度驱动控制方法
Burroughes et al. Towards controlling flexible deforming manipulators/structures with limited available sensing in DEMO
Ruf Residual vibration reduction of flexible joint systems using a frequency domain trajectory planning algorithm
JPH10123008A (ja) 構造物の振動試験装置及び試験方法
CN117921684B (zh) 机械臂的控制方法、装置、存储介质及电子设备
Moghanni-Bavil-Olyaei et al. Intelligent robust nonlinear controller for MEMS angular rate sensor
CN110456638B (zh) 基于区间数据激励的mems陀螺仪参数辨识自适应驱动控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination