神经网络内部闭环：基于因果引导的层级适应用于故障恢复控制
系统与控制
2025-12-23 v2 系统与控制
摘要
本文研究了针对受actuator失效故障和外部扰动的非线性控制仿射系统的实时故障恢复控制问题。我们推导了一个两阶段框架，将因果推断与选择性在线适应相结合，以实现有效的基于学习的恢复控制方法。在离线阶段，我们基于平均因果效应（ACE）开发了一种基于因果层归因技术，用于评估预训练深度神经网络（DNN）控制器补偿故障的每一层的相对重要性。该方法识别出负责稳健故障补偿的高影响层子集。在在线阶段，我们部署基于Lyapunov的梯度更新来仅适应ACE所选定的层，以规避对整个网络或仅更新最后一层的需求。所提出的自适应控制器保证了闭环系统在actuator故障和外部扰动存在下的统一最终有界性（UUB），并实现指数收敛。与采用全网适应的常规自适应DNN控制器相比，我们的方法具有更低的计算开销。为证明所提方法的有效性，本文提供了一个案例研究，涉及具有四个反应轮的航天器3轴姿态控制系统。
引用
@article{arxiv.2509.16837,
title = {Closing the Loop Inside Neural Networks: Causality-Guided Layer Adaptation for Fault Recovery Control},
author = {Mahdi Taheri and Soon-Jo Chung and Fred Y. Hadaegh},
journal= {arXiv preprint arXiv:2509.16837},
year = {2025}
}