PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems
Ayoub Farkane, Mohamed Boutayeb, Mustapha Oudani and Mounir Ghogho
非线性动力学系统的状态估计是控制和工程应用中的一个关键挑战,特别是当只有部分和嘈杂的测量可用时。 本文介绍了一种新的基于自适应物理输入神经网络的观察者(PINN-Obs),用于非线性系统中的精确状态估计。 与需要显式系统转换或线性化的传统基于模型的观察者不同,拟议的框架将系统动力学和传感器数据直接集成到物理知情的学习过程中。 观察者自适应地学习最优增益矩阵,确保估计状态与真实系统状态的收敛。 严格的理论分析建立了正式的收敛保证,表明拟议的方法在温和的可观测条件下实现了统一的误差最小化。 PINN-Obs的有效性通过各种非线性系统的广泛数值模拟进行验证,包括感应电机模型,卫星运动系统和基准学术示例。 针对现有观察者设计的比较实验研究突出了其卓越的准确性,稳健性和适应性。
State estimation for nonlinear dynamical systems is a critical challenge in control and engineering applications, particularly when only partial and noisy measurements are available. This paper introduces a novel Adaptive Physics-Informed Neural Network-based Observer (PINN-Obs) for accurate state estimation in nonlinear systems. Unlike traditional model-based observers, which require explicit system transformations or linearization, the proposed framework directly integrates system dynamics and...
