Modelos de Física Aumentados por Redes Neuronales para Sistemas con Dinámicas Parcialmente Desconocidas: Aplicación al Mecanismo de Slider–Crank

Los modelos dinámicos de sistemas mecatrónicos se utilizan abundantemente en el contexto del control de movimiento y el diseño de aplicaciones servo complejas. En la práctica, estos sistemas a menudo se ven afectados por interacciones desconocidas, lo que hace que las relaciones basadas en la física de la dinámica del sistema sean solo parcialmente conocidas. Este artículo presenta un modelo de física aumentado por redes neuronales (NNAP) como una combinación de capas inspiradas en la física y capas neuronales. Las capas neuronales se insertan en el modelo para compensar las interacciones no modeladas, sin requerir mediciones directas de estos fenómenos desconocidos. A diferencia de los enfoques tradicionales, tanto la red neuronal como los parámetros físicos son optimizados simultáneamente, únicamente utilizando mediciones del estado y de la entrada de control. La metodología se aplica a datos experimentales de un sistema de slider–crank, para el cual las interacciones de carga dependientes del estado son desconocidas. El modelo NNAP demuestra ser un formalismo de modelado estable y preciso para sistemas dinámicos que ab initio solo pueden ser descritos parcialmente por leyes físicas. Además, los resultados muestran que una implementación recurrente del modelo NNAP permite una mayor robustez y precisión en las predicciones del estado del sistema, en comparación con su contraparte de avance. Además de capturar la dinámica del sistema, el modelo NNAP proporciona una forma de obtener nuevos conocimientos al extraer la red neuronal del modelo NNAP convergido. De esta manera, descubrimos representaciones precisas de la interacción de la fuerza del resorte desconocido y fenómenos de fricción que actúan sobre el mecanismo slider.