面向二进制阀输入数字控制气动系统的物理信息神经网络建模及自适应参数辨识

《Engineering Applications of Artificial Intelligence》:Physics-informed neural network modeling for digital control of pneumatic systems with binary valve inputs and adaptive parameter identification

【字体: 大 中 小 】 时间:2026年05月21日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  气动驱动系统的精确动态建模对设计优化与控制稳定性至关重要。传统基于物理的模型受气体可压缩性、非线性摩擦及工况变化影响,在精度与适应性上存在局限;纯数据驱动模型常缺乏物理一致性,在外推工况下泛化能力较差。物理信息神经网络(PINNs)虽能有效融合物理先验与数据驱

  
气动驱动系统的精确动态建模对设计优化与控制稳定性至关重要。传统基于物理的模型受气体可压缩性、非线性摩擦及工况变化影响,在精度与适应性上存在局限;纯数据驱动模型常缺乏物理一致性,在外推工况下泛化能力较差。物理信息神经网络(PINNs)虽能有效融合物理先验与数据驱动学习,但现有研究多聚焦于连续控制输入系统,针对采用二进制开关阀信号的数字控制气动系统及其混合动力学关注不足,且多数PINN方法假设物理参数已知。研究人员提出了一种面向数字控制气动系统的PINN框架,直接将二进制阀信号作为输入,将支配动力学方程作为软约束嵌入损失函数,并引入物理参数编码器处理关键常数;同时提出自适应区间优化机制,用于辨识死区容积、摩擦等难以校准的参数。在两个气动实验平台上的验证表明,该方法在位移与压力预测上均优于纯数据驱动的前馈神经网络(FNN),在训练集未覆盖的供气压力工况下决定系数R2> 0.99,证实了模型在不同工况下的精度、泛化性与适应性。
该研究发表于《Engineering Applications of Artificial Intelligence》,围绕数字控制气动系统的精确建模难题展开。气动执行器在工业自动化与机器人领域应用广泛,基于高速开关阀的数字控制系统因结构简单、抗污染能力强、易与数字控制器集成而备受关注。然而,气体可压缩性、非线性摩擦及阀门离散切换特性导致系统建模难度较大,制约了控制性能。传统基于第一性原理的建模依赖负载动力学、压力动力学与质量流量特性三类基本方程,虽具备物理可解释性,但常需引入等温过程、理想气体等简化假设,且摩擦系数、阀口流量特性等关键参数随工况变化需重新标定,适应性有限。纯数据驱动方法虽被引入,却面临高质量大数据依赖、外推工况可能违反物理规律、跨工况泛化能力不足等问题。现有物理信息神经网络(PINNs)研究多集中于软体执行器,且常基于仿真数据或理想连续输入,针对气缸系统与离散控制场景的非线性建模挑战尚未有效解决。为此,研究人员开展了一项融合物理知识与数据驱动学习的建模研究,提出了适用于二进制阀输入数字控制气动系统的PINN框架,实现了高精度、强泛化性的系统建模。
研究人员在开展研究中采用了若干关键技术方法。首先构建了两个不同结构的数字气动实验平台,分别采用三位五通电磁阀与四阀桥式回路控制气缸运动。其次设计了物理参数编码器,将系统常数映射至高维特征空间并与动态特征融合,作为网络输入。在建模中引入自适应区间优化机制,对死区容积、摩擦系数等难标定参数进行两阶段随机优化辨识。损失函数中嵌入气动系统支配方程作为软约束,形成物理一致性与数据精度协同优化的训练范式。模型训练仅需单组气缸伸出行程数据,显著降低了数据获取成本。
研究结果分为多个部分。平台概述部分介绍了两类实验平台的构成,均由气源子系统、控制子系统与数据采集子系统组成,用于验证所提方法的硬件无关性。前馈神经网络模型部分建立了基准模型,采用PyTorch框架构建经典全连接前馈神经网络(FNN),用于对比评估物理信息引入对建模精度的提升作用。物理参数编码器部分详细说明了系统常数向量p=[C,b,Ps,Aa,Ab,m,l]的处理方式,通过ReLU激活函数映射后与动态特征拼接形成联合输入。模型跨平台与变工况验证部分分别在两个平台上测试了模型的零样本外推能力,结果表明在供气压力与负载质量变化的未知工况下,模型仍能保持高精度预测。结论部分指出,该框架突破了传统方法对连续压力信号的依赖,实现了二进制阀信号直接输入下的高精度建模,并在未覆盖工况下取得了R2>0.99的性能。
讨论部分强调,该研究通过物理方程提供先验结构约束、数据反向推断不确定参数的双向协同机制,解决了数字控制气动系统建模中的参数标定困难与跨工况泛化瓶颈。研究人员认为,所提方法在工业自动化生产场景中具有较高的应用价值,能够在降低数据采集成本的同时提升控制质量与生产效率。研究结论表明,物理信息神经网络可有效应用于离散控制工程系统,为复杂气动系统的智能化建模提供了新的技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号