部分未知动态系统的神经网络增强物理模型：在曲柄滑块机构中的应用
系统与控制
2021-03-01 v2 系统与控制
摘要
机电系统的动态模型广泛用于复杂伺服运动控制与设计中。实践中，这些系统常受未知交互影响，使得基于物理的系统动力学关系仅部分已知。本文提出一种神经网络增强物理（NNAP）模型，作为物理启发层与神经层的组合。神经层被插入模型中以补偿未建模交互，且无需对这些未知现象进行直接测量。与传统方法不同，神经网络与物理参数通过仅使用状态与控制输入测量被同时优化。该方法应用于曲柄滑块实验数据，其状态相关负载交互未知。NNAP模型被证明是一种稳定且精确的动态系统建模形式，此类系统起初仅能由物理定律部分描述。此外，结果表明，与前馈对应模型相比，NNAP模型的循环实现提升了系统状态预测的鲁棒性与精度。除捕捉系统动态外，NNAP模型通过从收敛的NNAP模型中提取神经网络提供了获取新见解的途径。借此，我们发现了作用于滑块机构的未知弹簧力交互与摩擦现象的精确表征。
引用
@article{arxiv.1910.12212,
title = {Neural Network Augmented Physics Models for Systems with Partially Unknown Dynamics: Application to Slider-Crank Mechanism},
author = {Wannes De Groote and Edward Kikken and Erik Hostens and Sofie Van Hoecke and Guillaume Crevecoeur},
journal= {arXiv preprint arXiv:1910.12212},
year = {2021}
}