論文の概要: PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems

• arxiv url: http://arxiv.org/abs/2507.06712v1
• Date: Wed, 09 Jul 2025 10:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.546933
• Title: PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems
• Title（参考訳）: PINN-Obs:非線形力学系のための物理インフォームニューラルネットワークに基づくオブザーバ
• Authors: Ayoub Farkane, Mohamed Boutayeb, Mustapha Oudani, Mounir Ghogho,
• Abstract要約: 本稿では,非線形システムにおける状態推定のための新しい適応物理インフォームドニューラルネットワークベースオブザーバ(PINN-Obs)を提案する。 明示的なシステム変換や線形化を必要とする従来のモデルベースオブザーバとは異なり、提案フレームワークはシステムダイナミクスとセンサデータを物理インフォームド学習プロセスに直接統合する。
• 参考スコア（独自算出の注目度）: 2.884893167166808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 sensor data into a physics-informed learning process. The observer adaptively learns an optimal gain matrix, ensuring convergence of the estimated states to the true system states. A rigorous theoretical analysis establishes formal convergence guarantees, demonstrating that the proposed approach achieves uniform error minimization under mild observability conditions. The effectiveness of PINN-Obs is validated through extensive numerical simulations on diverse nonlinear systems, including an induction motor model, a satellite motion system, and benchmark academic examples. Comparative experimental studies against existing observer designs highlight its superior accuracy, robustness, and adaptability.
• Abstract（参考訳）: 非線形力学系の状態推定は制御と工学の応用において重要な課題であり、特に部分的および雑音的な測定しかできない場合である。 本稿では,非線形システムにおける状態推定のための新しい適応物理インフォームドニューラルネットワークベースオブザーバ(PINN-Obs)を提案する。 明示的なシステム変換や線形化を必要とする従来のモデルベースオブザーバとは異なり、提案フレームワークはシステムダイナミクスとセンサデータを物理インフォームド学習プロセスに直接統合する。 オブザーバは最適利得行列を適応的に学習し、推定された状態が真のシステム状態に収束することを保証する。 厳密な理論解析により形式収束保証が確立され、提案手法が軽度の可観測条件下での一様誤差最小化を実現することを示す。 PINN-Obsの有効性は、誘導電動機モデル、衛星運動システム、ベンチマーク学術例を含む様々な非線形システム上での広範な数値シミュレーションによって検証される。 既存のオブザーバの設計に対する比較実験では、その優れた精度、堅牢性、適応性を強調している。

関連論文リスト

• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning [5.888531936968298]
  本稿では,KKL(Kazantzis-Kravaris/Luenberger)オブザーバを自律非線形システムに設計するための新しい学習手法を提案する。 KKLオブザーバの設計には、システム状態を高次元オブザーバ状態に変換する射影写像を見つけることが含まれる。 システムとオブザーバのダイナミクスを数値的に解き、学習のための合成データを生成する。
  論文  参考訳（メタデータ） (2025-01-20T18:38:51Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)

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。