論文の概要: A Physics-informed Machine Learning-based Control Method for Nonlinear
Dynamic Systems with Highly Noisy Measurements
- arxiv url: http://arxiv.org/abs/2311.07613v1
- Date: Sun, 12 Nov 2023 00:11:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 16:56:17.046922
- Title: A Physics-informed Machine Learning-based Control Method for Nonlinear
Dynamic Systems with Highly Noisy Measurements
- Title（参考訳）: 高雑音計測による非線形力学系の物理インフォームド機械学習制御法
- Authors: Mason Ma, Jiajie Wu, Chase Post, Tony Shi, Jingang Yi, Tony Schmitz,
and Hong Wang
- Abstract要約: 本研究では, 非線形力学系に対する物理インフォームド機械学習に基づく制御手法を提案する。
提案手法は, モデル精度と制御性能の両面から, 最先端のベンチマークよりも優れていた。
- 参考スコア（独自算出の注目度）: 9.17424652549076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents a physics-informed machine learning-based control method
for nonlinear dynamic systems with highly noisy measurements. Existing
data-driven control methods that use machine learning for system identification
cannot effectively cope with highly noisy measurements, resulting in unstable
control performance. To address this challenge, the present study extends
current physics-informed machine learning capabilities for modeling nonlinear
dynamics with control and integrates them into a model predictive control
framework. To demonstrate the capability of the proposed method we test and
validate with two noisy nonlinear dynamic systems: the chaotic Lorenz 3 system,
and turning machine tool. Analysis of the results illustrate that the proposed
method outperforms state-of-the-art benchmarks as measured by both modeling
accuracy and control performance for nonlinear dynamic systems under high-noise
conditions.
- Abstract（参考訳）: 本研究では, 非線形力学系に対する物理インフォームド機械学習に基づく制御手法を提案する。
システム識別に機械学習を用いた既存のデータ駆動制御手法は、ノイズの多い測定に効果的に対応できず、不安定な制御性能をもたらす。
この課題に対処するため,本研究では,非線形力学を制御でモデル化する物理インフォームド機械学習機能を拡張し,それらをモデル予測制御フレームワークに統合する。
提案手法の有効性を実証するため,非線形力学系であるchaotic lorenz 3 systemとturning machine toolを用いて実験を行い,検証を行った。
その結果,提案手法は,高雑音条件下での非線形力学系のモデリング精度と制御性能により,最先端のベンチマークよりも優れていた。
関連論文リスト
- A method for identifying causality in the response of nonlinear dynamical systems [0.0]
データ駆動モデルを構築するには、システムの入力と出力を実験的に測定する必要がある。
モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。
本稿では,入力出力データの因果成分を,出力雑音の存在下でのシステム計測から同定する手法を提案する。
論文 参考訳（メタデータ） (2024-09-26T14:19:07Z) - Stability-Certified Learning of Control Systems with Quadratic
Nonlinearities [9.599029891108229]
この研究は、主に低次元の力学モデルを構築することを目的とした演算子推論手法に焦点を当てている。
本研究の目的は,本質的な安定性を保証する2次制御力学系の推論を容易にする手法を開発することである。
論文 参考訳（メタデータ） (2024-03-01T16:26:47Z) - Learning Exactly Linearizable Deep Dynamics Models [0.07366405857677226]
本稿では, 安定度, 信頼性, 信頼性を確保するために, 様々な制御理論を容易に適用可能な, 線形化可能な動的モデルの学習法を提案する。
提案手法は, 自動車エンジンのリアルタイム制御に応用され, 予測性能と制約下での安定制御が良好であることを示す。
論文 参考訳（メタデータ） (2023-11-30T05:40:55Z) - A Deep Learning Technique to Control the Non-linear Dynamics of a
Gravitational-wave Interferometer [0.0]
非線形動的制御問題を解くディープラーニング手法を開発した。
LIGOシステムの動作に生じる重要な非線形制御問題に対して,本手法を適用した。
また、1つの現代的なCPUコア上で、高速なサンプリング速度でリアルタイムに実行できる計算効率の良いモデルを開発した。
論文 参考訳（メタデータ） (2023-02-15T19:47:56Z) - Learning Control-Oriented Dynamical Structure from Data [25.316358215670274]
一般非線形制御アフィン系に対する状態依存非線形トラッキングコントローラの定式化について論じる。
安定軌跡追跡における学習版の有効性を実証的に実証した。
論文 参考訳（メタデータ） (2023-02-06T02:01:38Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Controlling nonlinear dynamical systems into arbitrary states using
machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文 参考訳（メタデータ） (2021-02-23T16:58:26Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - The Impact of Data on the Stability of Learning-Based Control- Extended
Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。
ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文 参考訳（メタデータ） (2020-11-20T19:10:01Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。