Error prediction of balancing machine calibration based on machine learning method

制动器 过程(计算) 支持向量机 校准 计算机科学 决策树 工厂(面向对象编程) 盘式制动器 机床 树(集合论) 振动 人工智能 控制理论(社会学) 工程类 机器学习 控制工程 汽车工程 机械工程 数学 统计 数学分析 量子力学 物理 操作系统 程序设计语言 控制(管理)
作者
Yanjuan Hu,Wenjun Lv,Zhanli Wang,Liang Liu,Hongliang Liu
出处
期刊:Mechanical Systems and Signal Processing [Elsevier]
卷期号:184: 109736-109736 被引量:5
标识
DOI:10.1016/j.ymssp.2022.109736
摘要

This paper proposes a method of compensating for brake disc balance error by using a machine learning algorithm. Automobile brake discs in the production process will inevitably produce unbalance. The unevenness produced by the uneven mass distribution will produce high-frequency vibration in the process of high-speed rotation, which seriously affects the safety of the vehicle and the personal safety of the occupants. The key measure to solve this problem is to correct the unbalance with higher precision before the brake disc leaves the factory. The traditional correction method is to improve the detection accuracy of unbalance to achieve balance accuracy. In this paper, we hope to improve the balance accuracy by compensating for the errors generated in the correction process. We use the random forest model, decision tree model, and support vector machine model to predict the errors of the balancing machine during the calibration process. The main idea is to take the parameters of the brake disc and the features in the milling process as input and the error amplitude as output. The results show that the stochastic forest model has higher prediction accuracy than the decision tree model and support vector machine model. This method can also predict errors from other sources, such as thermal errors.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
苏源智发布了新的文献求助10
2秒前
独特书芹发布了新的文献求助10
3秒前
3秒前
崔家荣完成签到,获得积分10
4秒前
晴空完成签到,获得积分10
4秒前
5秒前
5秒前
6秒前
Yola完成签到,获得积分10
6秒前
善学以致用应助zhangjx采纳,获得10
7秒前
Xieyusen发布了新的文献求助10
9秒前
平常安完成签到,获得积分10
9秒前
在水一方应助BreadCheems采纳,获得10
11秒前
11秒前
steforeca发布了新的文献求助10
11秒前
凌代萱发布了新的文献求助10
11秒前
12秒前
12秒前
Orange应助CNS采纳,获得10
13秒前
咖咖咖喱关注了科研通微信公众号
13秒前
小魏同学发布了新的文献求助10
15秒前
嗯哼应助Xieyusen采纳,获得10
16秒前
大模型应助Xieyusen采纳,获得10
16秒前
Excalibur发布了新的文献求助30
17秒前
17秒前
晴空发布了新的文献求助10
17秒前
Tatw完成签到 ,获得积分10
19秒前
21秒前
21秒前
赘婿应助独特书芹采纳,获得10
22秒前
xinmindeng发布了新的文献求助10
22秒前
领导范儿应助苏源智采纳,获得10
26秒前
咖咖咖喱发布了新的文献求助10
26秒前
饼藏发布了新的文献求助80
26秒前
呓语完成签到,获得积分10
30秒前
32秒前
Yyy完成签到 ,获得积分10
37秒前
朝昭照完成签到,获得积分10
37秒前
38秒前
41秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248513
求助须知:如何正确求助?哪些是违规求助? 2891915
关于积分的说明 8269223
捐赠科研通 2559929
什么是DOI,文献DOI怎么找? 1388807
科研通“疑难数据库(出版商)”最低求助积分说明 650897
邀请新用户注册赠送积分活动 627798