Erlernen nichtlinearer Dynamik flexibler Strukturen für prädiktive Steuerung mit Gaussian Process NARX-Modellen

Biologische Systeme regulieren Bewegung und unterdrücken unerwünschte Vibrationen durch Lernen, Anpassung und prädiktive Steuerung unter Unsicherheit. Inspiriert von diesen Prinzipien hat sich die bayessche Systemidentifikation als leistungsfähiger Rahmen für Modellierung und Schätzung etabliert, insbesondere bei Unsicherheiten in Struktur- systemen. Flexible Strukturen in Luft- und Raumfahrt sowie Robotik erfordern fortschrittliche Steuerungen, um Vibrationen unter Modellunsicherheit zu reduzieren. Dieses Papier schlägt eine datengetriebene Strategie vor, die einen Gaussian Process (GP) innerhalb eines Nonlinear Model Predictive Control (NMPC)-Rahmens integriert. Die Kerninnovation besteht darin, einen Gaussian Process Nonlinear AutoRegressive mit exogenen Eingaben (GP-NARX) als probabilistischen Prädiktor zu verwenden, um strukturelle Dynamiken abzubilden und gleichzeitig Unsicherheit zu quantifizieren. Der Betriebsmechanismus beinhaltet eine enge Kopplung, bei der der GP Mehrschritt-voraussagen liefert, die der NMPC-Optimierer nutzt, um eine Kostenfunktion unter Nebenbedingungen zu minimieren. Validiert durch Simulationen an Duffing-Oszillatoren, linearen Oszillatoren und Kragträgern erreichte der GP-NMPC eine Reduktion der Auslenkungsamplitude um 88,2 % gegenüber unkontrollierten Systemen. Die quantitative Analyse zeigt hohe Vorhersagegenauigkeit mit einem Root Mean Square Error (RMSE) von 0,0031 und einem standardisierten mittleren quadratischen Fehler (SMSE) unter 0,05. Zudem bestätigen Bewertungen des Mean Standardized Log Loss (MSLL) die Zuverlässigkeit der prädiktiven Unsicherheit innerhalb der Steuerungsschleife. Diese Ergebnisse demonstrieren starke Leistung sowohl bei Regelungs- als auch Verfolgungsaufgaben und rechtfertigen diese bayessch-prädiktive Kopplung als leistungsstarken Ansatz für leistungsfähige Schwingungsregelung in Strukturen sowie als potenzielle Grundlage für bio-inspiriertes mechanisches Design.