Трение может рассматриваться и как преимущество, и как недостаток в Ð¿Ñ€Ð¸Ð»Ð¾Ð¶ÐµÐ½Ð¸ÑÑ Ð¿Ñ€Ð°ÐºÑ‚Ð¸Ñ‡ÐµÑÐºÐ¸Ñ Ð·Ð°Ð´Ð°Ñ‡. По тематике моделирования и компенсации трения в Ð¼ÐµÑ Ð°Ð½Ð¸Ð·Ð¼Ð°Ñ Ð´Ð²Ð¸Ð³Ð°Ñ‚ÐµÐ»ÐµÐ¹ были выполнены обширные исследования и опубликован значительный ряд статей. Ð’ настоящей работе рассматривается исследование процесса моделирования трения с учетом его модельной сложности, приводятся результаты расчетов, Ð²Ñ‹Ð¿Ð¾Ð»Ð½ÐµÐ½Ð½Ñ‹Ñ Ñ помощью Ð¸ÑÐºÑƒÑÑÑ‚Ð²ÐµÐ½Ð½Ñ‹Ñ Ð½ÐµÐ¹Ñ€Ð¾Ð½Ð½Ñ‹Ñ ÑÐµÑ‚ÐµÐ¹ (ANN). Нейронные сети являются мощным инструментом для моделирования ÑÐ»Ð¾Ð¶Ð½Ñ‹Ñ Ð½ÐµÐ»Ð¸Ð½ÐµÐ¹Ð½Ñ‹Ñ Ð¿Ñ€Ð¾Ñ†ÐµÑÑÐ¾Ð² и явлений, к каким относится трение. Положительный опыт в использовании Ð½ÐµÐ¹Ñ€Ð¾Ð½Ð½Ñ‹Ñ ÑÐµÑ‚ÐµÐ¹ применительно к моделированию трения в течение Ð¿Ð¾ÑÐ»ÐµÐ´Ð½Ð¸Ñ 20 лет трудно переоценить. Ð’ данном исследовании предпринята попытка рассмотрения этого опыта под другим углом, с целью ответить на вопросы о позиционной зависимости трения, и проанализировать Ð½ÐµÐ¾Ð±Ñ Ð¾Ð´Ð¸Ð¼Ð¾ÑÑ‚ÑŒ перекрестной проверки и информационные критерии для регуляризации.

Friction can be seen both as an advantage and the other way around according to the applications. Extensive research has been made and papers have been published to model it and compensate it in the control applications. The report here talks about the study to model Friction according to its Model Complexity and it has been estimated by Artificial Neural Networks (ANN) as they are powerful tool for modeling non-linearity and Friction has been said as a complex, non-linear phenomenon. The aid of Neural Networks in assisting Friction modeling has been enormous in the last 20 years or so and the effort has been made in this study to view it from a different angle so to answer questions of position dependency of friction and to analyze the need to cross validation and Information Criteria for Regularization.