A Physics-Informed Data-Driven Fault Location Method for Transmission Lines Using Single-Ended Measurements with Field Data Validation
针对数据驱动输电线故障定位方法缺乏现场数据验证、仿真与实际系统不匹配的问题，提出一种融合物理信息的方法，通过实际故障参数范围构建仿真训练数据，仅需单端低采样率短窗测量数据，经数值和现场实验验证优于现有方法。
2023-07-19 cs.SY eess.SY
ALFA: A Dataset for UAV Fault and Anomaly Detection
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
我们提出了一个数据集的几种故障类型的控制面的固定翼无人机（UAV）用于故障检测和隔离（FDI）和异常检测（AD）的研究。目前，该数据集包括47次自主飞行的处理数据，其中包括23次突然的发动机全故障场景和24次其他7种类型的突然控制面（致动器）故障场景，正常条件下飞行时间总计66分钟，故障后飞行时间为13分钟。它还包括全自动、自动驾驶仪辅助和手动飞行的原始数据，以及数十种故障场景。在每个场景中提供故障的时间和类型的基础事实，以便使用数据集对方法进行评估。我们还提供了几种编程语言的帮助工具来加载和处理数据，并帮助使用数据集评估检测方法。提出了一组指标，以帮助比较不同的方法使用的数据集。目前大多数故障检测方法都是在仿真中进行评估的，据我们所知，该数据集是唯一一个提供真实飞行数据的数据集。我们希望它将有助于推进自动驾驶飞行器和移动机器人的异常检测或FDI研究的最新水平，以进一步提高自主和远程飞行操作的安全性。数据集和提供的工具可以从https://doi.org/10.1184/R1/12707963访问。
2020-10-24 cs.RO cs.SY eess.SY
Fault-Tolerant Temperature Control of HRSG Superheaters: Stability Analysis Under Valve Leakage Using Physics-Informed Neural Networks
AmirKabir University of Technology (Tehran Polythechnique)（阿米尔卡比尔理工大学（德黑兰理工学院））；K.N. Toosi University of Technology（K.N.托西理工大学）；Mapna Electric & Control Engineering & Manufacturing (MECO)（马普纳电气与控制工程制造公司）
本文提出基于物理信息神经网络的HRSG过热器故障容错温度控制方法，通过结合PI加前馈控制策略，实现对阀门泄漏等故障的实时适应性调节，提升系统稳定性和运行可靠性。
2025-11-30 cs.SY eess.SY
Soft Actor-Critic Deep Reinforcement Learning for Fault Tolerant Flight Control
Delft University of Technology（代尔夫特理工大学）
容错飞行控制面临挑战，因为为每个意外故障开发基于模型的控制器是不现实的，并且在线学习方法由于其低采样效率而只能处理有限的系统复杂性。在这项研究中，无模型耦合动力学飞行控制器的喷气式飞机能够承受多种故障类型的建议。离线训练的级联Soft Actor-Critic深度强化学习控制器在高度耦合的机动中取得了成功，包括协调的40度爬坡转弯，归一化平均绝对误差为2.64%。该控制器对-15 °方向舵卡死、副翼有效性降低70%、结构故障、结冰和重心后移等六种故障具有鲁棒性。当响应稳定且爬坡转弯成功完成时，换档。对有偏传感器噪声、大气扰动以及不同初始飞行条件和参考信号形状的鲁棒性也得到了证明。
2022-02-16 cs.LG cs.RO cs.SY
Robust Fault Detection and Classification in Power Systems via Physics-Informed and Data-Driven Learning
Lane Department of Computer Science and Electrical Engineering, West Virginia University（西弗吉尼亚大学兰恩计算机科学与工程电气系）
本文提出结合物理信息与数据驱动学习的智能框架，基于SMOTE平衡数据集训练PINN等模型，实现电力系统故障的鲁棒检测与分类，在噪声及训练数据占比波动下仍保持高准确率，可用于电网实时保护与广域监测控制。
2026-08-11 cs.SY eess.SY
Variable-Pitch-Propeller Mechanism Design, and Development of Heliquad for Mid-flight Flipping and Fault-Tolerant-Control
本文设计变距螺旋桨机构并构建 Heliquad，采用非切换级联控制器与神经网络可重构控制分配，实现飞行中翻转、三作动器全姿态容错及失效后安全着陆。
2024-04-08 cs.SY eess.SY
Experimental Flight Testing of a Fault-Tolerant Adaptive Autopilot for Fixed-Wing Aircraft
University of Michigan（密歇根大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
本文提出了一种用于固定翼飞机的自适应自动驾驶仪，并将其性能与固定增益自动驾驶仪进行了比较。自适应自动驾驶仪的构造是通过增加自动驾驶仪的结构与自适应控制的法律，更新使用追溯成本自适应控制。为了研究自适应自动驾驶仪的性能，固定增益自动驾驶仪的默认增益缩放，以降低其性能。这种情况提供了一个场所，以确定自适应自动驾驶仪的能力，以补偿退化的固定增益自动驾驶仪。接下来，自适应自动驾驶仪的性能进行检查故障条件下，通过模拟的情况下，其中一个控制面被假定为被卡在一个未知的角度。自适应自动驾驶仪也在物理飞行实验中退化标称条件下进行测试，并检查由此产生的性能改善。
2022-10-24 cs.RO cs.SY eess.SY
Incremental Nonlinear Fault-Tolerant Control of a Quadrotor with Complete Loss of Two Opposing Rotors
Delft University of Technology（代尔夫特理工大学）
为了进一步扩展四旋翼飞行器在执行器故障情况下的飞行包线，设计了一种基于传感器的非线性容错控制器，用于在高速飞行条件下（> 8 m/s）稳定双对转故障的四旋翼飞行器。增量非线性动态逆（INDI）的方法，在处理模型的不确定性，以补偿显着的未知气动力效应。这种欠驱动系统的内部动力学进行了分析，并随后通过重新定义的控制输出稳定。所提出的方法可以推广到控制单转子故障和标称条件下的四旋翼。为了验证，在大型开放式喷气风洞中进行了飞行试验。在存在显著的风扰动的情况下，可以控制损坏的四旋翼的位置。一个线性二次型调节器（LQR）的方法，从文献中进行了比较，以证明所提出的非线性方法的优势，在有风和高速飞行条件。
2020-10-26 cs.RO cs.SY eess.SY
Implementation of real-time moving horizon estimation for robust air data sensor fault diagnosis in the RECONFIGURE benchmark
Delft University of Technology（代尔夫特理工大学）
本文提出了一种稳健的故障诊断与估计方法，用于RECONFIGURE基准中的校准空速和攻角传感器故障。通过引入风动态的低阶纵向模型，并提出约束残差生成器以提高风中的故障灵敏度，采用高效的结构利用算法实现实时迭代，验证了方法的有效性。
2016-06-04 cs.SY eess.SY
Fault Detection and Tolerant Control for Aero2 2D0F Two-rotor Helicopter
本研究针对2自由度双旋翼直升机，分析执行器故障对传统控制系统性能的影响，并验证有效的故障诊断与调节方法能在故障下维持系统满意性能。
2024-03-14 cs.SY eess.SY
Physics-Informed Learning for High Impedance Faults Detection
配电网中的高阻抗故障（HIF）会引起野火，威胁人类生命。常规的变电站保护继电器不能检测到超过10%的HIF，因为过电流很低，并且HIF的特征是局部的。随着配电系统中安装更多的$μ$ PMU，高分辨率的$μ$ PMU数据集提供了从多个点检测HIF的机会。尽管如此，应用$μ$ PMU数据集的主要障碍是缺乏标签。为了解决这个问题，我们构建了一个物理信息卷积自动编码器（PICAE）来检测没有标记的HIF进行训练的HIF。我们PICAE的意义是一个物理正则化，来自电压-电流特性的椭圆轨迹，即使在高噪声的情况下，从其他异常事件区分HIF。我们制定了一个系统范围的检测框架，合并多个节点的本地检测结果，以提高检测的准确性和可靠性。在PSCAD/EMTDC仿真的IEEE 34节点试验馈线中验证了所提出的方法。我们的PICAE优于现有的作品在各种情况下，是强大的不同的可观测性和噪声。
2021-03-15 cs.SY eess.SP eess.SY
Unsupervised Maneuver-Aware Acoustic Fault Detection for Autonomous Drones
Carleton University（卡尔顿大学）；University of Alberta（阿尔伯塔大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出一种无监督机动感知声学故障检测框架，结合Noise2Noise去噪与机动条件自编码器，利用重建误差检测无人机故障，并在嵌入式平台上实现实时检测。
2026-10-08 cs.SD cs.SY eess.SY
Event-Structured Physics-Informed Neural Networks for Differentiable Critical Clearing Boundaries
针对电力系统暂态稳定评估中临界清除时间估计的难题，提出事件结构物理信息神经网络ES-PINN，实现可微临界清除边界，在IEEE节点系统实验中提升了精度与计算效率。
2026-07-31 cs.LG cs.SY eess.SY
Inertia-Informed Federated Learning Control Framework for Distributed Smart Grid Resilience
iSTAR Lab, Texas A&M University（iSTAR实验室，德克萨斯农工大学）
研究分布式智能电网弹性控制框架，提出基于惯性的加权联邦平均策略（IIWFedAvg），将发电机惯性嵌入全局模型融合，集成可解释控制器并增强频率变化率特征，在IEEE 39节点基准测试中实现高泛化成功率、超越集中式基线且提升稳定速度。
2026-07-08 cs.SY eess.SY
Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data
Faculty of Electrical and Computer Engineering, Tarbiat Modares University（塔里克·莫达雷斯大学电气与计算机工程学院）；Faculty of Technology and Engineering, University of Mazandaran（马赞德兰大学技术与工程学院）
本文提出PTPAI方法，利用物理先验深度学习生成合成标注数据，并结合RF-Mixup、MK-MMSD、CDAN及加权策略解决高缺失数据下轴承故障诊断中的类别不平衡与部分集迁移问题。
2024-06-16 cs.AI cs.LG cs.SY
HEP Statistical Inference for UAV Fault Detection: CLs, LRT, and SBI Applied to Blade Damage
Department of Computer Science University of Freiburg（弗赖堡大学计算机科学系）
本文将粒子物理中的三种统计方法应用于多旋翼螺旋桨故障检测，通过LRT进行二分类检测，CLs方法控制误报率，SNPE用于定量故障特征分析，实验结果显示在UAV-FD数据集上AUC达到0.862，优于其他方法。
2026-03-19 cs.LG cs.RO cs.SY
Automatic Real-time Anomaly Detection for Autonomous Aerial Vehicles
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
最近，飞行器的使用增加，引起了人们对自主操作的安全性和可靠性的担忧。越来越需要一种方法来监控这些飞机的状态，并向安全驾驶员或自动驾驶仪报告任何故障和异常，以应对紧急情况。在本文中，我们提出了一个实时的方法，使用递归最小二乘法检测异常的行为的飞机。该方法在线建模相关输入输出对之间的关系，并使用该模型来检测异常。其结果是一种易于部署的异常检测方法，该方法不假设特定的飞机模型，并且可以检测各种自主飞机中的多种类型的故障和异常。对22次以上的飞行试验结果表明，该方法的准确率为88.23%，召回率为88.23%，准确率为86.36%。另一个贡献是为自动驾驶飞机提供了一个新的故障检测开放数据集，其中包含22个固定翼飞行的完整数据和地面实况，其中有8种不同类型的飞行中执行器故障，以帮助未来的飞机故障检测研究。源代码和数据集可以从https://theairlab.org/fault-detection/访问。
2020-11-03 cs.RO cs.SY eess.SY
Flight-Ready Precise and Robust Carrier-Phase GNSS Navigation Software for Distributed Space Systems
Stanford University, Department of Aeronautics and Astronautics（斯坦福大学航空航天系）
本文提出了一种适用于分布式空间系统的高精度和鲁棒载波相位GNSS导航软件，通过需求分析、实时导航架构设计、轻量级FDIR模块开发以及全面测试活动，实现了亚厘米级精度的导航性能。
2025-12-04 cs.SY eess.SY
BatteryAgent: Synergizing Physics-Informed Interpretation with LLM Reasoning for Intelligent Battery Fault Diagnosis
Department of Automation Tsinghua University Beijing, China（自动化系 清华大学 北京）
BatteryAgent结合物理知识与LLM推理，实现智能电池故障诊断的可解释性与高准确性。
2025-12-31 cs.AI cs.SY eess.SY
Differentiable Physics-Informed Adaptive Koopman Control for Stable Flight under Unknown Disturbances
Research Center for Intelligent Robotics, School of Astronautics, Northwestern Polytechnical University（西北工业大学航天学院智能机器人研究中心）；Department of Automation, Tsinghua University（清华大学自动化系）
本文提出DEKC框架，结合物理模型与深度神经网络，通过学习干扰的动态演化来预测并补偿未来干扰，提升机器人在未知干扰下的控制精度。
2026-06-29 cs.RO cs.SY eess.SY
Mid-flight Propeller Failure Detection and Control of Propeller-deficient Quadcopter using Reinforcement Learning
Indian Institute of Science（印度科学院）
四轴飞行器可能在飞行中遭受螺旋桨损失，因此需要具有检测单个和多个螺旋桨故障的系统以及稳定螺旋桨不足的四轴飞行器的自适应控制器。本文提出了基于强化学习的四轴飞行器控制器与4，3，和2（相对）功能螺旋桨。本文还提出了一种基于神经网络的螺旋桨故障检测系统，以检测螺旋桨损失并切换到适当的控制器。仿真结果表明，一个稳定的四轴飞行器与有效的航路点跟踪的所有控制器。该检测系统能够在短时间内检测到螺旋桨故障并稳定四轴飞行器。
2020-07-06 cs.LG cs.RO cs.SY
Individual Cell Fault Detection for Parallel-Connected Battery Cells Based on the Statistical Model and Analysis
故障诊断对锂离子电池的安全运行至关重要。为了避免严重的安全问题（例如，热失控），应及时发现并解决初始故障。在本文中，我们考虑并联连接的电池只有一个电压和一个电流传感器。缺乏独立的电流传感器使得难以检测单个电池的退化。为此，基于电池的高频响应，推导出面向故障检测的简化模型，并通过物理信息电池模型进行验证。电池串的电阻，这是显着影响的故障电池，估计和使用作为健康指标。首先分析了电池组电阻的统计分布，考虑了新电池和老化电池的分布。提出了一种故障诊断算法，2个标准差区间）。蒙特卡罗仿真结果表明，该算法能够很好地平衡虚警和漏报。此外，它是验证所提出的算法是强大的均匀参数变化的单个电池。
2020-04-26 cs.SY eess.SY
Fault-Tolerant Control of Steam Temperature in HRSG Superheater under Actuator Fault Using a Sliding Mode Observer and PINN
AmirKabir University of Technology（阿米尔卡比尔理工大学）；K.N. Toosi University of Technology（K.N.图西理工大学）
本文提出基于滑模观测器和PINN的容错控制方法，用于HRSG超温器中蒸汽温度调节，通过物理约束估计故障并减少温度超调，提升电力站系统鲁棒性。
2025-12-03 cs.SY eess.SY
A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems
Clemson University（克莱姆森大学）；Oklahoma State University（俄克拉荷马州立大学）
本文提出一种结合VAE、RNN和DNN的混合数据驱动框架，用于检测、诊断和定位工业网络物理系统中的隐蔽攻击，并区分设备故障，在电力传输系统模拟中验证了其优于传统方法。
2023-10-10 cs.LG cs.SY eess.SY
Robust Power System State Estimation using Physics-Informed Neural Networks
University of Cyprus（塞浦路斯大学）；KIOS Research and Innovation Center of Excellence（KIOS研究与创新卓越中心）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文提出利用物理信息神经网络提升电力系统状态估计的准确性和鲁棒性，通过嵌入物理定律增强估计精度，并在故障和网络攻击条件下表现优异。
2025-07-08 cs.LG cs.SY eess.SY
Hybrid deep fault detection and isolation: Combining deep neural networks and system performance models
随着状态监测数据的可用性增加和显式系统基于物理模型的复杂性增加，数据驱动的方法用于故障检测和隔离的应用最近已经增长。虽然这种方法的检测精度通常是好的，但它们在故障隔离上的性能通常受到故障条件影响大部分测量信号从而掩盖故障源的事实的影响。为了克服这一限制并实现更准确的故障检测，我们提出了一种将物理性能模型与深度学习算法相结合的混合方法。未观察到的过程变量推断与基于物理的性能模型，以提高数据驱动的诊断模型的输入空间。为了验证所提出的方法的有效性，我们生成的状态监测数据集的先进的燃气轮机在飞行条件下的健康和四个故障的操作条件下的商业模块化航空推进系统仿真（C-MAPSS）的动态模型的基础上。我们结合两种不同的深度学习算法来评估所提出的方法的性能：前馈神经网络和变分自编码器，当应用于混合故障检测和诊断框架时，这两种算法都表现出显着的改进。所提出的方法能够优于纯数据驱动的解决方案，特别是对于操作条件具有高度可变性的系统。它为故障检测和故障隔离提供了卓越的结果。对于故障隔离，它克服了在纯数据驱动方法中观察到的拖尾效应，并能够精确隔离受影响的信号。我们还证明，与传统的机器学习算法相比，深度学习算法在故障检测方面提供了更好的性能。
2019-12-28 cs.SY eess.SY
Physics Informed Neural Networks for Phase Locked Loop Transient Stability Assessment
Technical University of Denmark（丹麦技术大学）；Ørsted Wind Power（沃旭风电）
要实现联合国2050年净零排放目标，必须大幅增加可再生能源产量。使用诸如锁相环（PLL）的电力电子控制器来保持并网可再生资源与电网同步可能在电网故障期间引起快速瞬态行为，从而导致不稳定。然而，评估所有可能的情况是不切实际的，因此确定稳定性边界或吸引区（ROA）是必要的。然而，使用EMT模拟或降阶模型（ROM）来准确地确定ROA是计算昂贵的。或者，机器学习（ML）模型已经被提出作为预测稳定性的有效方法。然而，传统的ML算法需要大量的标记数据进行训练，这在计算上是昂贵的。本文提出了一种物理信息神经网络（PINN）结构，可以准确地预测故障下的PLL控制器的非线性瞬态动态与较少的标记训练数据。所提出的PINN算法可以被合并到传统的仿真中，加速EMT仿真或ROM超过100倍。PINN算法的性能进行了比较，对ROM和EMT模拟在PSCAD的CIGRE基准模型C4.49，证明其能够准确地近似的轨迹和ROA的PLL控制器在不同的电网阻抗。
2023-03-21 cs.AI cs.SY eess.SY
Fault Signature Identification for BLDC motor Drive System -A Statistical Signal Fusion Approach
提出了一种基于多速率信号处理和传感数据融合的飞机发动机控制系统状态监测与故障信号识别方法。虽然电机电流特征分析（MCSA）被广泛用于故障检测，现在一天，所提出的混合方法有资格作为诊断过程故障的最强大的在线/离线技术之一。现有的方法有一些缺点，可以降低过程诊断系统的性能和准确性。特别是，由于阀门控制器的非线性行为，很难检测到随机噪声。仅使用短时傅里叶变换（STFT），可以观察到频率泄漏和与故障相关的电流分量的小幅度，但是不能观察到由于控制器行为引起的故障。因此，本文提出了一种先进的多速率信号和数据处理的框架与传感器融合算法辅助，并取得了令人满意的结果。为了实现该系统，基于DSP的无刷直流电机控制器与三相逆变器模块（TMS 320 F2812）被用来和所提出的方法的性能进行了验证的实时数据。
2022-09-07 cs.SY eess.SP eess.SY
Appointed-Time Fault-Tolerant Control for Flexible Hypersonic Vehicles with Unmeasurable States Independent of Initial Errors
本文针对柔性吸气式高超声速飞行器在不可测状态、集总扰动和执行器故障下的跟踪控制问题，提出一种基于反步法、新型状态观测器、误差变换函数和固定时间神经网络观测器的指定时间容错控制策略，实现不依赖初始误差的实用固定时间收敛，并通过仿真验证其有效性。
2025-04-13 cs.SY eess.SY
Sensor Fault Detection, Isolation and Identification Using Multiple Model-based Hybrid Kalman Filter for Gas Turbine Engines
Concordia University（康科迪亚大学）；Qatar University（卡塔尔大学）
本文提出一种基于多模型的新型传感器故障检测与隔离策略，通过混合卡尔曼滤波实现对燃气涡轮发动机全工况下传感器故障的检测与隔离，并利用改进的广义似然比方法进行故障识别，对比传统滤波方法验证了其有效性。
2015-08-27 cs.SY eess.SY
Integrating LLMs for Explainable Fault Diagnosis in Complex Systems
Argonne National Laboratory（阿贡国家实验室）
本文提出一种结合基于物理的诊断工具与大型语言模型的集成系统，旨在提升核电站等复杂系统故障诊断的可解释性，不仅能识别故障还能解释成因，并在熔盐设施中验证了其阐明数据关联、回答查询及评估异常的有效性。
2024-02-08 cs.AI cs.LG cs.SY
Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
针对紧密编队飞行四旋翼受空气动力学相互作用影响问题，提出基于物理的残差动力学学习框架，设计高效反馈线性化控制器，经硬件实验验证其能降低跟踪误差，在低计算量下达到NMPC跟踪性能，且短训练数据和低循环速率可实现稳定编队飞行。
2026-09-28 cs.RO cs.SY eess.SY
Avionic Main Fuel Pump Simulation and Fault-Diagnosis Benchmark
Institute of Artificial Intelligence（人工智能研究所）；Helmut Schmidt University（海姆特-施密特大学）
本文提出一个高保真度的航空主燃油泵系统仿真模型，用于生成标注的时序数据，通过RNN-VAE和SOM-VAE进行异常检测和运行模式离散化。
2026-04-23 cs.AI cs.LG cs.SY
PINN vs LSTM: A Comparative Study for Steam Temperature Control in Heat Recovery Steam Generators
AmirKabir University of Technology (Tehran Polythechnique)（阿米尔卡比尔理工大学（德黑兰理工学院））；K.N. Toosi University of Technology（凯恩·托伊西理工大学）
本文比较了PINN与LSTM在热回收蒸汽发生器蒸汽温度控制中的性能，发现PINN在故障条件下表现更优，具有更高的鲁棒性和精度。
2025-12-03 cs.SY eess.SY
Optimality-Informed Neural Networks for Lunar Landing Trajectory Optimization
Department of Mechanical and Aerospace Engineering（机械与航空航天工程系）；The University of Tennessee（田纳西大学）
针对月球着陆轨迹优化问题，基于特定框架提出最优性感知神经网络方法，将庞特里亚金最小原理等硬编码进网络结构，直接代入最优推力定律，通过物理残差损失训练相关输出，给出理论分析与数值模拟验证。
2026-07-07 cs.LG cs.SY eess.SY
Coordination of Damping Controllers: A Novel Data-Informed Approach for Adaptability
本文提出一种数据驱动的阻尼控制器协调框架，通过多元函数逼近器估计Total Action并确定最优开关组合，在wNAPS中验证其优于基于模型的方法，能有效抑制多模式低频振荡。
2024-05-01 cs.SY eess.SY
A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions
Leonardo Labs（莱昂纳多实验室）；Leonardo S.p.A.（莱昂纳多股份有限公司）；Weather Research, Danish Meteorological Institute（丹麦气象研究所天气研究部）
本文针对真实飞行条件下涡轴发动机动态建模难题，提出结合多种神经网络架构与SINDy稀疏辨识方法，利用AW189P4原型机真实飞行数据预测发动机扭矩，证明数据驱动模型比传统传递函数方法能利用更广泛参数并有效模拟非线性效应。
2025-02-23 cs.LG cs.SY eess.SY
Physics-informed State-space Neural Networks for Transport Phenomena
Nuclear Science and Engineering（核科学与工程）；Argonne National Laboratory（阿贡国家实验室）
本文提出物理信息状态空间神经网络模型（PSMs），通过结合传感器数据和偏微分方程约束，实现输运主导系统的实时优化与容错，实验显示预测误差显著降低，并支持多任务如监督控制和故障诊断，可作为数字孪生基础。
2023-12-18 cs.LG cs.SY eess.SY
Physics-informed Evolutionary Strategy based Control for Mitigating Delayed Voltage Recovery
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Google Brain（谷歌大脑）；Google Inc（谷歌公司）
在这项工作中，我们提出了一种新的数据驱动，实时电力系统电压控制方法的基础上的物理指导Meta进化策略（ES）。主要目的是快速提供一个自适应控制策略，以减轻故障引起的延迟电压恢复（FIDVR）的问题。强化学习方法已经被开发用于相同或类似的具有挑战性的控制问题，但它们遭受训练效率低下和缺乏“角落或看不见”场景的鲁棒性。另一方面，在电力系统中已经开发了广泛的物理知识，但是在基于学习的方法中很少利用。为了解决这些挑战，我们引入了可训练的动作掩码技术，用于将物理知识灵活地嵌入RL模型中，以排除不必要或不利的动作，并在样本效率，控制性能和鲁棒性方面取得了显着的改善。此外，我们的方法利用过去的学习经验来获得代理梯度，以指导和加速训练中的探索过程。对IEEE 300节点系统的案例研究以及与其他最先进的基准方法的比较证明了我们方法的有效性和优势。
2021-11-29 cs.LG cs.NE cs.SY
Physics-Informed Calibration of Aeromagnetic Compensation in Magnetic Navigation Systems using Liquid Time-Constant Networks
Stanford University（斯坦福大学）；SandboxAQ
针对机载磁导航中飞机干扰磁场影响目标信号的问题，提出融合 Tolles-Lawson 系数与 LTC 的物理信息补偿方法，真实飞行数据显示 RMSE 误差最高降低 64%。
2024-01-17 cs.LG cs.SY eess.SY
Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review
Energy Exemplar（1能源典范）
本文综述了用于电力系统的混合物理指导机器学习架构，探讨了物理指导神经网络（PINNs）、深度算子网络（DeepONets）、傅里叶神经算子、极端学习机增强的PINNs、基于图的PINNs（PIGNNs）和域分解PINNs等方法，展示了这些方法在场分析、故障检测、数字孪生、替代建模和控制优化中的应用，以及嵌入麦克斯韦方程等第一原理约束对预测精度、仿真时间和泛化能力的提升。
2026-05-21 cs.AI cs.LG cs.NE
