Mô phỏng truyền động đẳng tốc không gian bằng mạch xấp xỉ RL tương đương
10 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FMC.2026.219-228Từ khóa:
Học máy; Mô hình hộp đen; Hàm truyền vật lý; Mạch RLC; Bản đồ động học; Cardan.Tóm tắt
Trong kỹ thuật nói chung có rất nhiều nghiên cứu không thể hoặc chi phí rất cao để tiếp cận mô hình gốc. Trong các trường hợp đó mô hình gốc có thể được thay thế bằng mô hình tương tự. Tiếp cận này cần có cơ sở toán học chắc chắn để các kết luận dựa trên mô hình tương tự phải đúng với mô hình gốc. Ở góc độ mô hình hoá thuần tuý, mô hình học máy có khả năng xấp xỉ hoá các quy luật rất phức tạp với độ chính xác cao nhưng nó lại không có khả năng giải thích các cơ chế vật lý diễn ra bên trong hiệu ứng đó, vì vậy các mô hình này được coi là hộp đen. Xu hướng mới nhất về học máy trên thế giới là dùng các quan hệ vật lý huấn luyện học máy, điều này có hai lợi ích là độ chính xác vốn là lợi thế dựa trên dữ liệu lớn của học máy và tính giải thích của mô hình vật lý. Bài báo này trình bày các cơ sở toán học để xấp xỉ một atlas động học của một đối tượng cơ học với một mạch RL là đối tượng thay thế trên cơ sở mô hình tương tự của nó. Việc thay thế đạt được độ chính xác cao cho phép mở ra hướng thay thế mọi Atlas bằng mạch điện, mở ra con đường nghiên cứu mô phỏng dựa trên mạch điện cho các đối tượng khác nhau kết hợp được cả độ chính xác và tính minh bạch của hộp xám thay vì hộp đen là hướng nghiên cứu có tiềm năng lớn trong kỹ thuật.
Tài liệu tham khảo
[1]. M. Raissi, P. Perdikaris and G. E. Karniadakis, “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations”, Journal of Computational Physics, (2019). DOI: https://doi.org/10.1016/j.jcp.2018.10.045
[2]. G. E. Karniadakis, I. G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang and L. Yang, “Physics-informed machine learning”, Nature Reviews Physics, (2021). DOI: https://doi.org/10.1038/s42254-021-00314-5
[3]. E. J. Parish and K. Duraisamy, “A paradigm for data-driven predictive modeling using field inversion and machine learning”, Journal of Computational Physics, (2016). DOI: https://doi.org/10.1016/j.jcp.2015.11.012
[4]. A. van der Schaft and D. Jeltsema, “Port-Hamiltonian system theory: An introductory overview”, Foundations and Trends in Systems and Control, (2014). DOI: https://doi.org/10.1561/9781601987877
[5]. V. H. Nguyen and Q. H. Le, “Equivalent circuit modeling of parallel robots for energy consumption estimation”, Mechatronics, (2025).
[6]. M. C. Smith, “The inerter concept and its Foster realization in vehicle suspensions”, Annual Reviews in Control, (2021).
[7]. W. Abbeloos et al., “Digital twins for parallel robots: Integrating Jacobian maps with real-time physics engines”, Robotics and Computer-Integrated Manufacturing, (2024).
[8]. Y. Sun and Y. Zhao, “Deep learning vs. analytical models in predicting singularity-free workspaces”, IEEE Robotics and Automation Letters, (2023).
[9]. H. Chen et al., “Physics-informed neural networks (PINN) for robot kinematics: A hybrid approach”, Nature Machine Intelligence, (2026).
[10]. B. Siciliano and O. Khatib (Eds.), “Springer Handbook of Robotics”, 3rd ed., Springer, (2024).
[11]. S. Zhu et al., “Fault diagnosis of parallel robots using impedance fingerprinting”, IEEE Transactions on Industrial Electronics, (2025).
[12]. K. Guo et al., “Energy-optimal trajectory planning of parallel robots based on equivalent mechanical impedance”, Control Engineering Practice, (2026).
[13]. Le Huu Hung et al., “Measuring the global and directed propagation of several quality indicators in the optimal design of parallel robots through the evaluation of Lipschitz and GTI indices”, Journal of Military Science and Technology, vol. 112, pp. 11–19, (2026). DOI: 10.54939/1859-1043.j.mst.112.2026.11-19. DOI: https://doi.org/10.54939/1859-1043.j.mst.112.2026.11-19
