Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Application aux frottements mecaniques par reseaux de neurones

CEA-R- ?a ISSN - COMMISSARIAT A L'ENERGIE ATOMIQUE Si Hl LU i ?jgf u OO o h- u iiii PAR RÉSEAUX DE NEURONES APPLICATION AUX FROTTEMENTS MECANIQUES par Manue DOMINGUEZ DIRECTION DES REACTEURS NUCLEAIRES DÉPARTEMENT DE MÉCANIQUE ET DE TECHNOLOGIE SERVICE D'ÉTUDES MÉCANIQUES ET THERMIQUES CEA Saclay DIRECTION DE L'INFORMATION SCIENTIFIQUE ET TECHNIQUE CEA SACLAY G F-SUR-YVETTE CEDEX FRANCE çÊÈÊÈÊ ÉÊÈÈÊSh CRAPPORT CEA-R- - Manuel DOMINGUEZ IDENTIFICATION DE SYSTÈMES COMPLEXES PAR RÉSEAUX DE NEURONES APPLICATION AUX FROTTEMENTS MÉCANIQUES Résumé - Dans le cadre de la modélisation des processus complexes nous décrivons dans ce mémoire l'apport desréseaux de neurones à la modélisation des frottements mécaniques Le mémoire se présente en trois parties correspondant chacune à di ?érentes phases du travail réalisé La première partie fait le point sur les propriétés des réseaux de neurones en les replaçant dans le cadre statistique de la théorie de l'apprentissage en particulier les modèles de régression nonlinéaires non-paramètriques et en les reliant aux autres techniques plus classiques de l'automatique Puis nous montrons comment les modèles d'identi ?cation peuvent s'intégrer dans les réseaux de neurones vus comme une classe plus large de modèles non- linéaires Une méthodologie de l'identi ?cation précède les outils utilisés En particulier un point est fait sur la validation à partir de fonctions de corrélation pour les systèmes non-linéaires ainsi que l'utilisation des techniques de régularisation La seconde partie fait le point sur les caractéristiques physiques des frottements secs dans les systèmes mécaniques En particulier nous présentons les principaux phénomènes identi ?és à ce jour et intégrés dans la modélisation avancée du frottement La caractérisation de ces phénomènes nous permettra dans la troisième partie d'en tirer une connaissance à priori utilisable dans la phase d'identi ?cation Nous rappelons dans cette partie quelques uns des modèles mathématiques modèle de Dahl du Reset Integrator et celui dynamique proposé par Canudas que nous avons utilisés La dernière partie s'appuyant sur les deux précédentes illustre l'application sur l'exemple réel traité un vérin de la Société SFIM-Industries intervenant dans le contrôle du miroir du Very Large Télescope Cette dernière partie commence par la présentation du système physique La caractérisation du frottement spéci ?que permet la construction architecture de modèles neuronaux Une comparaison des di ?érents résultats est faite avec les méthodes plus classiques On terminera par les essais en boucle fermée de la compensation neuronale du frottement dans la boucle d'asservisssement - Commissariat à l'Energie Atomique - France i CRAPPORT CEA-R- - Manuel DOMINGUEZ IDENTIFICATION OF COMPLEX SYSTEMS BY ARTIFICIAL NEURAL NETWORKS APPLICATIONS TO MECHANICAL FRICTIONS Summary - In the frame of complex Systems modelization we describe in this report the contribution of neural networks to mechanical friction modelization This thesis is divided in three parts each one corresponding to every stage of the realized work The ?rst part takes stock of the properties of neural networks by replacing them in the statistic frame of learning theory particularly non-linear and non- parametric régression models and by showing the existing links with other more classic techniques from automatics