使用scipy solve_ivp求解IVP ODE传参报错及正弦波收敛问题

一、错误根源分析 #

1. 变量未定义：odefcn2中误用未声明的Tc2_vals，实际应为Tc2。
2. 数组传递逻辑错误：solve_ivp的ODE函数是逐时刻调用的，直接传入整个Td_pred数组会导致形状不匹配——函数期望单个数值，而非完整数组序列。
3. RNN输入形状不匹配：训练时x_train的形状与SimpleRNN要求的(样本数, 时间步长, 特征数)不兼容，导致模型训练效果差，后续预测无法有效补偿干扰。

二、分步解决方案 #

1. 修正RNN模型训练的输入形状 #

调整训练数据形状，匹配SimpleRNN的输入要求：

# 修正训练数据形状：从(1101,2)转为(1101,2,1)，符合SimpleRNN的input_shape=(2,1)
x_train = np.transpose(x)
x_train = x_train[n:]
x_train = x_train.reshape([-1, 2, 1])

# 重新训练模型（若之前因输入形状错误导致效果不佳）
Td_model = tf.keras.models.Sequential()
Td_model.add(tf.keras.layers.SimpleRNN(200, input_shape=(2,1), activation='tanh'))
Td_model.add(tf.keras.layers.Dense(1))
Td_model.compile(loss='mean_absolute_error', optimizer='adam')
Td_model.fit(x_train, Td_train, epochs=200, batch_size=16, verbose=0)

2. 修正ODE函数，实现实时预测补偿 #

将模型预测逻辑整合到ODE函数中，在每个求解时刻，根据当前系统状态x实时预测干扰Td，再用于控制器补偿：

def odefcn2(t, x, model):
    x1, x2 = x
    Amp = 1
    P = 110
    # 真实干扰信号
    Td = Amp * np.sin(2 * np.pi / P * t)
    
    m = 2
    kd = 3
    kp = 5
    
    # 将当前状态转为模型要求的输入形状(1,2,1)，实时预测干扰
    current_state = np.array([[x1, x2]]).reshape(1, 2, 1)
    Td_pred = model.predict(current_state, verbose=0)[0][0]  # 提取单个预测值
    
    if t < 110:
        Tc2 = -kp * x1 - kd * x2
    else:
        # 用预测的干扰做前馈补偿，抵消真实干扰影响
        Tc2 = -kp * x1 - kd * x2 - Td_pred
    
    # 返回状态导数：修正之前的变量名错误
    return [
        x2,
        (Tc2 + Td) / m
    ]

3. 正确调用solve_ivp求解ODE #

将训练好的模型作为参数传入，而非静态的Td_pred数组：

# 求解补偿后的系统ODE
sol2 = solve_ivp(odefcn2, [t[0], t[-1]], x0, args=(Td_model, ), 
                 t_eval=t, rtol=1e-5, dense_output=True, method='RK45')
x2 = sol2.sol(t)

# 绘图验证收敛效果
plt.figure(2)
plt.style.use('seaborn-poster')
plt.plot(t, x2.T)
plt.grid(color='darkgrey', linestyle='-.', linewidth=0.5)
plt.xlabel('t')
plt.ylabel('x')
plt.legend(['x1', 'x2'], shadow=True)
plt.title('Compensated 2nd-Order System')
plt.show()

三、关键说明 #

• 实时预测的必要性：静态的Td_pred基于历史状态生成，而补偿后的系统状态会动态变化，必须用当前状态实时预测干扰，才能有效抵消正弦波的影响。
• 模型优化建议：若预测效果不佳，可尝试增加RNN层数、调整神经元数量，或改用LSTM；也可将t作为额外特征输入模型，提升干扰预测精度。
• 收敛验证：补偿后蓝色曲线（x1）应逐渐收敛至0，因为前馈补偿抵消了正弦干扰Td的作用。

内容的提问来源于stack exchange，提问作者Ish