用于发现含不可测状态系统的物理信息神经网络及其在锂离子电池中的应用
机器学习
2023-11-29 v1 系统与控制
系统与控制
摘要
将机器学习与物理相结合是发现未知动态的趋势性方法，其中研究最深入的框架之一是物理信息神经网络（PINN）。然而，PINN常因难以同时最小化源自系统控制方程的多重损失而优化失败。当系统状态不可测时（如锂离子电池（LiBs）），该问题可能更为严重。本工作中，我们引入一种鲁棒的PINN训练方法，其使用更少的损失项，从而构建更简单的优化地形。具体而言，该方法不是从每个微分方程取损失项，而是将动态嵌入到一个量化观测与预测系统输出之间误差的损失函数中。这是通过利用已知动态对神经网络（NN）预测状态进行数值积分并变换以获得预测输出序列来实现的。最小化此类损失可优化NN在给定物理下预测与观测一致的状态。此外，系统参数可加入优化目标。为展示该方法执行多种建模与控制任务的能力，我们将其应用于电池模型以同时估计其状态与参数。
引用
@article{arxiv.2311.16374,
title = {Physics-Informed Neural Network for Discovering Systems with Unmeasurable States with Application to Lithium-Ion Batteries},
author = {Yuichi Kajiura and Jorge Espin and Dong Zhang},
journal= {arXiv preprint arXiv:2311.16374},
year = {2023}
}
备注
7 pages, 4 figure, submitted to American Control Conference 2024