具有输入到状态稳定性保证的物理引导神经网络前馈控制
系统与控制
2024-01-26 v2 系统与控制
摘要
高精度机电一体化行业对精度与吞吐量的日益增长的需求，要求新一代前馈控制器比现有的基于物理的前馈控制器具有更高精度。由于神经网络是通用逼近器，其原则上可产出更高精度的前馈控制器，但在训练数据集外泛化能力差，这使得它们在工业中实施不安全。受此驱动，我们开发了一种新颖的物理引导神经网络（PGNN）架构，其在单一模型中结构性地融合基于物理的层与黑盒神经层。两层的参数被同时辨识，同时使用一种新颖的正则化代价函数以防止层间竞争并保持基于物理的参数的一致性。此外，为确保 PGNN 前馈控制器的稳定性，我们基于新颖且较不保守的神经网络 Lipschitz 界，开发了用于分析或在训练期间施加 PGNN 输入到状态稳定性（input-to-state stability）的充分条件。所开发的 PGNN 前馈控制框架在光刻机中使用的真实高精度工业直线电机上得到验证，其相较基于物理的质量-摩擦前馈取得了 2 倍的改进，并显著优于其他基于神经网络的前馈控制器。
引用
@article{arxiv.2301.08568,
title = {Physics-guided neural networks for feedforward control with input-to-state stability guarantees},
author = {Max Bolderman and Hans Butler and Sjirk Koekebakker and Eelco van Horssen and Ramidin Kamidi and Theresa Spaan-Burke and Nard Strijbosch and Mircea Lazar},
journal= {arXiv preprint arXiv:2301.08568},
year = {2024}
}