基于 PINN 的观测器：用于非线性动力学系统的 Physics-Informed Neural Network
机器学习
2025-10-31 v1 动力系统
混沌动力学
摘要
非线性动力学系统的状态估计是控制和工程应用中的关键挑战，尤其是在仅获得部分和噪声测量值时。本文提出了一种新的自适应基于 Physics-Informed Neural Network 的观测器(PINN-Obs)，用于非线性系统的准确状态估计。不同于需要显式系统变换或线性化的传统模型-based 观测器，所提出的框架直接将系统动力学和传感器数据整合到基于物理的学习过程中。观测器自适应地学习最优增益矩阵，确保估计状态收敛于真实系统状态。严格的理论分析建立了形式上的收敛保证，表明该方法在温和的可观测性条件下实现均匀误差最小化。通过对多种非线性系统进行大量数值仿真，包括电动机模型、卫星运动系统和基准学术示例，验证了 PINN-Obs 的有效性。与现有观测器设计进行的比较实验表明，其在准确性、鲁棒性和适应性方面具有优势。
引用
@article{arxiv.2507.06712,
title = {PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems},
author = {Ayoub Farkane and Mohamed Boutayeb and Mustapha Oudani and Mounir Ghogho},
journal= {arXiv preprint arXiv:2507.06712},
year = {2025}
}