論文の概要: Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control

• arxiv url: http://arxiv.org/abs/2507.06817v1
• Date: Wed, 09 Jul 2025 13:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.59109
• Title: Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control
• Title（参考訳）: 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による非線形システムのロバストソフトウェアセンサの設計
• Authors: Ayoub Farkane, Mohamed Boutayeb, Mustapha Oudani, Mounir Ghogho,
• Abstract要約: 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。
• 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: Accurate knowledge of the state variables in a dynamical system is critical for effective control, diagnosis, and supervision, especially when direct measurements of all states are infeasible. This paper presents a novel approach to designing software sensors for nonlinear dynamical systems expressed in their most general form. Unlike traditional model-based observers that rely on explicit transformations or linearization, the proposed framework integrates neural networks with adaptive Sliding Mode Control (SMC) to design a robust state observer under a less restrictive set of conditions. The learning process is driven by available sensor measurements, which are used to correct the observer's state estimate. The training methodology leverages the system's governing equations as a physics-based constraint, enabling observer synthesis without access to ground-truth state trajectories. By employing a time-varying gain matrix dynamically adjusted by the neural network, the observer adapts in real-time to system changes, ensuring robustness against noise, external disturbances, and variations in system dynamics. Furthermore, we provide sufficient conditions to guarantee estimation error convergence, establishing a theoretical foundation for the observer's reliability. The methodology's effectiveness is validated through simulations on challenging examples, including systems with non-differentiable dynamics and varying observability conditions. These examples, which are often problematic for conventional techniques, serve to demonstrate the robustness and broad applicability of our approach. The results show rapid convergence and high accuracy, underscoring the method's potential for addressing complex state estimation challenges in real-world applications.
• Abstract（参考訳）: 動的システムにおける状態変数の正確な知識は、特に全ての状態の直接測定が不可能な場合に、効果的な制御、診断、監督に不可欠である。 本稿では, 非線形力学系を最も一般的な形式で表現する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、制約の少ない条件下で堅牢な状態オブザーバを設計する。 学習プロセスは、観測者の状態推定を補正するために使用される、利用可能なセンサ測定によって駆動される。 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、基底構造軌道へのアクセスなしにオブザーバ合成を可能にする。 ニューラルネットワークによって動的に調整された時間変化ゲインマトリクスを使用することで、オブザーバはリアルタイムでシステムの変化に適応し、ノイズ、外乱、システムのダイナミクスの変動に対する堅牢性を保証する。 さらに、推定誤差収束を保証するのに十分な条件を提供し、観測者の信頼性の理論的基盤を確立する。 この方法論の有効性は、微分不可能な力学と様々な可観測性条件を持つシステムなど、困難な事例のシミュレーションを通じて検証される。 これらの例は、従来の手法では問題となることが多いが、我々のアプローチの堅牢性と幅広い適用性を示すのに役立つ。 その結果、現実のアプリケーションにおける複雑な状態推定問題に対処する手法の可能性について、急速に収束し、精度が高いことが示されている。

関連論文リスト

• PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems [2.884893167166808]
  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。
  論文  参考訳（メタデータ） (2025-07-09T10:09:45Z)
• Verification of Visual Controllers via Compositional Geometric Transformations [49.81690518952909]
  到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。 提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
  論文  参考訳（メタデータ） (2025-07-06T20:22:58Z)
• State Estimation and Control of Dynamic Systems from High-Dimensional Image Data [0.0]
  本稿では、畳み込みニューラルネットワーク(CNN)を用いた空間的特徴抽出と、ゲートリカレントユニット(GRU)による時間的モデリングを統合した新しいニューラルアーキテクチャを提案する。 実験により,提案手法により,地中構造に直接アクセスすることなく,リアルタイム,高精度な推定と制御が可能であることを実証した。
  論文  参考訳（メタデータ） (2025-05-30T17:40:06Z)
• 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)
• Latent feedback control of distributed systems in multiple scenarios through deep learning-based reduced order models [3.5161229331588095]
  高次元分散システムの継続的な監視とリアルタイム制御は、望まれる物理的な振る舞いを保証するためにアプリケーションに不可欠である。 完全順序モデルに依存する従来のフィードバック制御設計は、制御計算の遅延のため、これらの要求を満たすことができない。 非線形非侵襲的深層学習に基づく還元順序モデル(DL-ROM)により強化されたリアルタイム閉ループ制御戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-13T08:04:21Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。