⚡ electrical engineering

Gain-Scheduling Data-Enabled Predictive Control for Nonlinear Systems with Linearized Operating Regions

تقترح هذه الورقة إطار عمل للتحكم التنبؤي المعتمد على البيانات بجدولة الكسب (GS-DeePC) يعمل على تعزيز أداء التحكم للأنظمة غير الخطية من خلال تقسيم نطاق التشغيل إلى مناطق خطية محلياً مع آليات تبديل مركبة، مما يؤدي إلى تقليل التعقيد الحسابي وكبح ظاهرة الارتجاف مع الحفاظ على بنية الـ DeePC القياسية.

المؤلفون الأصليون: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

نُشر 2026-02-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت قيادة سيارة. هذه السيارة صعبة المراس: فهي تتعامل بشكل مختلف عندما تسير ببطء على طريق مستقيم، وتتعامل بشكل مختلف عندما تزيد سرعتها، وبشكل مختلف تماماً عندما تنعطف عند زاوية حادة.

الطريقة القديمة (DeePC التقليدي):
في الماضي، حاول المهندسون تعليم الروبوت باستخدام كتيب تعليمات واحد ضخم يغطي كل المواقف الممكنة في آن واحد. لقد قاموا بتغذية الروبوت ببيانات من كل السرعات وكل المنعطفات.

المشكلة: أصبح هذا الكتيب ضخماً، ومربكاً، وثقيلاً. ولأنه حاول أن يكون "جيداً في كل شيء"، لم يكن "رائعاً في أي شيء". فعندما تصطدم السيارة بمنعطف حاد، يصاب الروبوت بالارتباك لأن الكتيب كان مركزاً أكثر من اللازم على الطريق المستقيم، مما يؤدي إلى قيادة متقطعة وغير دقيقة.

الطريقة الجديدة (GS-DeePC):
تقدم هذه الورقة استراتيجية أذكى تسمى التحكم التنبئي القائم على البيانات ذو الجدولة المتغيرة (GS-DeePC). بدلاً من كتيب تعليمات واحد ضخم، هم يعطون الروبوت مجموعة من أوراق الغش الصغيرة والمتخصصة.

إليك كيف يعمل ذلك، مقسماً بتبسيط عبر التشبيهات:

1. "تقسيم الخريطة" (تقسيم الإقليم)

تخيل أن سرعة السيارة هي خريطة. بدلاً من النظر إلى العالم كله دفعة واحدة، قام المهندسون بتقسيم الخريطة إلى أحياء صغيرة يمكن إدارتها:

الحي (أ): السرعات البطيئة (0-20 ميل في الساعة).
الحي (ب): سرعات الإبحاق/السرعة المتوسطة (20-50 ميل في الساعة).
الحي (ج): السرعات العالية (50+ ميل في الساعة).

لكل حي، يقومون بإنشاء ورقة غش متخصصة (مصفوفة هانكل إقليمية - Regional Hankel Matrix) باستخدام البيانات التي جُمعت فقط أثناء قيادة السيارة في ذلك النطاق المحدد. وهذا يجعل التعليمات أكثر حدة ودقة لتلك السرعة المحددة.

2. "آلية التبديل" (مشكلة إشارة المرور)

الآن، تخيل أن السيارة تسير ومقياس السرعة يحوم تماماً على الخط الفاصل بين الحي (أ) والحي (ب).

مشكلة الارتجاف (Chattering): إذا قام الروبوت بالتبديل فوراً بين ورقة الغش الخاصة بـ "السرعة البطيئة" وورقة الغش الخاصة بـ "السرعة المتوسطة" في كل مرة تتذبذب فيها السرعة بمقدار 1 ميل في الساعة، فستبدأ السيارة في الاهتزاز والارتجاج ذهاباً وإياباً. هذا ما يسمى بالارتجاف (Chattering). إنه يشبه مفتاح الضوء الذي ينقر يعمل وينطفئ بسرعة بسبب ارتعاش يدك.

الحل: المناطق المركبة (منطقة التداخل)
لحل هذه المشكلة، ابتكر المؤلفون "مناطق مركبة" (Composite Regions).
فكر في هذا كإنشاء منطقة عازلة أو منطقة تداخل بين الأحياء.

بدلاً من وجود خط حاد بين "البطيء" و"المتوسط"، هناك "منطقة من البطيء إلى المتوسط".
في هذه المنطقة، يستخدم الروبوت ورقة غش هجينة تجمع بين البيانات من كلا الحيّين.
هذا يعمل مثل نطاق التلاكؤ (Hysteresis Band) (وهو مصطلح تقني لـ "منطقة الأمان"). لن ينتقل الروبوت إلى ورقة الغش التالية إلا بعد أن يخرج بالتأكيد من المنطقة الحالية، مما يمنع الاهتزاز المتقطع. إنه يضمن انتقالاً سلساً وانسيابياً، مثل راقص يتنقل من خطوة إلى أخرى بسلاسة بدلاً من القفز بشكل أخرق.

3. لماذا هذا أفضل (الخبير المحلي مقابل العامّ)

الدقة: لأن الروبوت يستخدم ورقة غش مصممة خصيصاً للسرعة الحالية، فإنه يتنبأ بتحركات السيارة المستقبلية بشكل أفضل بكثير. الأمر يشبه سؤال دليل محلي عن الاتجاهات في مدينة معينة بدلاً من سؤال سائح قد رأى خريطة للبلاد بأكملها فقط.
السرعة: كان كتيب التعليمات الضخم القديم ثقيلاً وبطيء المعالجة. أما أوراق الغش الصغيرة والمتخصصة هذه فهي خفيفة الوزن. يمكن للروبوت حساب حركته التالية بشكل أسرع بكثير لأنه ينظر فقط إلى جزء صغير وذات صلة من البيانات.
المتانة: حتى لو كانت البيانات مشوشة قليلاً (مثل كاميرا مهتزة)، فإن النظام يظل مستقراً لأن "مناطق التداخل" تنعم الحواف الخشنة.

الاختبار في العالم الحقيقي

اختبر المؤلفون هذا على محرك تيار مستمر مع قرص غير متوازن (تخيل مروحة تدور وبها وزن ثقيل عالق في جانب واحد). هذا نظام "متذبذب" جداً ويتصرف بشكل مختلف اعتماداً على سرعة دورانه.

النتيجة: قادت الطريقة الجديدة (GS-DeePC) النظام بسلاسة ودقة أكبر بكثير من طريقة "الكتيب الواحد الضخم". لقد أدت أداءً يقارب تقريباً أكثر النماذ الرياضية تعقيداً وتطوراً (المسماة LPV-DPC)، ولكنها كانت أبسط في البناء وأسرع في التشغيل.

الملخص

باختة القول، تقول هذه الورقة: "لا تحاول أن تكون سيداً لكل شيء في وقت واحد. كن سيداً لأجزاء صغيرة."

من خلال تقسيم مشكلة غير خطية معقدة إلى قطع خطية صغيرة واستخدام "مناطق عازلة" للتبديل بينها بسلاسة، ستحصل على نظام تحكم هو أذكى، وأسرع، وأكثر سلاسة من محاولة حل اللغز بأك അതിന്റെ قطعة واحدة ضخمة ومربكة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التحكم التنبؤي المعتمد على البيانات بجدولة الكسب للأنظمة غير الخطية مع مناطق التشغيل الخطية."

1. بيان المشكلة

التحكم التنبؤي المعتمد على البيانات (DeePC) هو استراتيجية تحكم خالية من النموذج تستخدم مسارات المدخلات والمخرجات المقاسة للتنبؤ بسلوك النظام المستقبلي، اعتماداً على "مبرهنة ويليم الأساسية" (Willems' Fundamental Lemma). وبينما يعد هذا الأسلوب فعالاً للأنظمة الخطية الثابتة زمنياً (LTI)، إلا أن نظام DeePC القياسي يواجه صعوبات مع الأنظمة غير الخطية القوية.

القصور: غالباً ما تفشل مصفوفة هانكل (Hankel matrix) عالمية واحدة، يتم إنشاؤها من بيانات تغطي نطاق التشغيل بأكه، في التقاط الديناميكيات غير الخطية المحلية بدقة. يؤدي هذا إلى ضعف دقة التنبؤ، وتدهور أداء الحلقة المغلقة، وارتفاع التكاليف الحسابية بسبب الحاجة إلى مصفوفات بيانات ضخمة.
التحدي: تتطلب الامتدادات غير الخطية الموجودة (مثل LPV-DPC) عمليات تضمين نماذج معقدة أو إشارات جدولة دقيقة، بينما تفتقر نهج البيانات الأخرى (مثل Select-DeePC) إلى التعامل المنهجي مع المناطق. هناك حاجة لإطار عمل يجمع بين بساطة جدولة الكسب (باستخدام نماذج خطية محلية) وطبيعة DeePC المعتمدة على البيانات، مع ضمان انتقالات سلسة بين المناطق لتجنب ظاهرة "الارتجاج" (chattering) في التحكم.

2. المنهجية: التحكم التنبؤي المعتمد على البيانات بجدولة الكسب (GS-DeePC)

يقترح المؤلفون إطار عمل GS-DeePC، الذي يقوم بتقسيم نطاق التشغيل لمتغير جدولة قابل للقياس ( $\rho$ ) إلى مناطق محلية متعددة. وبدلاً من استخدام متنبئ عالمي واحد، يقوم المتحكم بالتبديل بين عدة تمثيلات بيانات خطية محلية.

أ. جمع البيانات وتقسيم المناطق

متغير الجدولة: يتم اختيار متغير $\rho(k)$ قابل للقياس (مثل موضع المخرج) لتعريف اللاخطية السائدة.
التقسيم: يتم تقسيم نطاق $\rho$ إلى $n$ من المناطق المتساوية (أو غير المتساوية) $\{M_i\}$ .
استخراج البيانات: يتم تقسيم مسارات المدخلات والمخرات بناءً على المنطقة التي يشغلها $\rho(k)$ . ويتم الاحتفاظ فقط بالتسلسلات الفرعية الطويلة بما يكفي لاستيفاء أفق التنبؤ ( $T_{ini} + N$ ).
مصفوفات موزاييك-هانكل (Mosaic-Hankel Matrices): لكل منطقة، يتم إنشاء مصفوفة هانكل عن طريق دمج التسلسلات الفرعية الصالحة. ولضمان التوحيد، يتم إجبار جميع المصفوفات الإقليمية على امتلاك نفس عدد الأعمدة.

ب. المناطق المركبة ومنطق التبديل

الابتكار الحاسم في هذا البحث هو تقديم المناطق المركبة (Composite Regions) لمعالجة مشكلات الانقطاع المتأصلة في التبديل بين النماذج الخطية المنفصلة.

البناء: يتم تشكيل منطقة مركبة $C_i$ عن طريق دمج منطقتين خطيتين متجاورتين ( $M_i \cup M_{i+1}$ )، حيث يتم دمج مصفوفات هانكل المقابلة لها.
تأثير التلاكؤ (Hysteresis Effect): نظرًا لأن المناطق المركبة تتداخل، فإن المتحكم يمتلك "منطقة عازلة". عندما يعبر متغير الجدولة حدوداً ما، لا يقوم المتحكم بالتبديل بين المصفوفات فوراً إذا ظل الحالة ضمن حدود المنطقة المركبة الحالية.
استراتيجيات التبديل: تقارن الورقة بين ثلاث استراتيجيات:
1. التبديل البسيط: تبديل فوري بناءً على $\rho$ الحالي (عرضة للارتجاج).
2. زمن المكوث (Dwell Time): يفرض حداً أدنى من الوقت قبل التبديل العكسي (يقلل الارتجاج لكن لا يلغيه).
3. تبديل المناطق المركبة: يستخدم مجموعات البيانات المتداخلة لضمان انتقالات سلسة. وتوضح الورقة أن هذه هي الطريقة الأكثر قوة، حيث تقضي على الارتجاج بفعالية دون الحاجة لضبط معقد لزمن المكوث.

ج. صياغة الأمثلة

تحتفظ مشكلة الأمثلة عبر الإنترنت بهيكل DeePC القياسي (تقليل خطأ التتبع وجهد التحكم مع مراعاة القيود). التغيير الوحيد هو اختيار مصفوفة هانكل النشطة ( $H_i$ أو $H_{C,i}$ ) بناءً على منطقة التشغيل الحالية. هذا يحافظ على البنية الحسابية للمحلل مع التكيف مع مصدر البيانات.

3. المساهمات الرئيسية

إطار عمل منهجي: منهجية منظمة لجمع البيانات، وتقسيم مناطق التشغيل، وبناء مصفوفات هانكل الإقليمية والمركبة للأنظمة غير الخطية.
المناطق المركبة: تقديم مناطق مركبة متداخلة تدمج مجموعات البيانات المتجاورة. يعمل هذا كآلية تلاكؤ على مستوى البيانات، مما يضمن انتقالات سلسة ويلغي "الارتجاج" الذي يظهر غالباً في أنظمة جدولة الكسب.
الكفاءة الحسابية: من خلال استخدام تسلسلات بيانات قصيرة ومعلوماتية محلياً بدلاً من مجموعة بيانات عالمية واحدة ضخمة، يقلل GS-DeePC من حجم مصفوفات هانكل، مما يؤدي إلى تعقيد حسابي أقل مقارنة بنظام DeePC القياسي المطبق على الأنظمة غير الخطية.
التحقق التجريبي: تجارب مكثفة على محرك تيار مستمر (DC-motor) غير خطي مع قرص غير متزن، بما في ذلك تحليلات الحساسية لعدد المناطق والمقارنة مع المعايير المرجعية المتطورة.

4. النتائج التجريبية

تم اختبار إطار العمل على محرك تيار مستمر غير خطي مع قرص غير متزن، وهو نظام يتميز بلاخطية جيبية كبيرة.

الأداء مقابل DeePC القياسي:
- أظهر نظام DeePC القياسي (باستخدام مصفوفة عالمية واحدة) خطأ تتبع في الحالة المستقرة مرتفعاً ( $RMSE_{SS} \approx 0.057$ ) لأنه لم يستطع نمذجة اللاخطيات المحلية بدقة.
- قلل GS-DeePC خطأ الحالة المستقرة بشكل كبير؛ فمع 23 منطقة مركبة، حقق $RMSE_{SS} \approx 0.003$ .
الأداء مقابل LPV-DPC (المعيار المرجعي):
- يعد LPV-DPC معياراً متطوراً يدمج متغير الجدولة مباشرة في مصفوفة هانكل.
- حقق GS-DeePC أداءً مقارباً جداً لـ LPV-DPC ( $RMSE_{SS} \approx 0.002$ لـ LPV-DPC مقابل $0.003$ لـ GS-DeePC) ولكن بصياغة أبسط (مصفوفات مناطق ثابتة مقابل تضمين LPV متغير زمنياً) وجهد نمذجة أقل.
كبح الارتجاج (Chattering Suppression):
- أدت استراتيجيات التبديل باستخدام أزمنة المكوث إلى تقليل الارتجاج لكنها لم تلغِ تقلبات المخرجات.
- تبديل المناطق المركبة قضى تماماً على الارتجاج الملحوظ، مما أدى إلى مسارات مغلقة سلسة ومستقرة حتى عندما تعبر إشارة المرجع حدود المناطق.
تحليل الحساسية:
- أدت زيادة عدد المناطق ( $n_C$ ) إلى تحسين الأداء حتى نقطة معينة (الاستقرار عند $n_C > 25$ ).
- هناك مقايضة: تتطلب المناطق الكثيرة جداً أوقات جمع بيانات أطول لكل منطقة لاستيفاء شرط الاستثارة المستمرة، بينما تفشل المناطق القليلة جداً في التقاط الديناميكيات المحلية.

5. الأهمية والخاتمة

يعد هذا البحث جسراً بين التحكم التقليدي بجدولة الكسب والتحكم التنبؤي الحديث المعتمد على البيانات.

العملية: يقدم بديلاً "خالياً من النموذج" لجدولة الكسب لا يتطلب اشتقاق النماذج الخطية المحلية تحليلياً؛ بل يتعلمها مباشرة من البيانات.
المتانة: يعالج نهج المناطق المركبة مشكلة عدم استقرار التبديل (الارتجاج) الحرجة في سياق معتمد على البيانات، مما يجعل الطريقة قابلة للتطبيق في التطبيقات الواقعية.
الكفاءة: يثبت أن تقسيم مشكلة غير خطية إلى مشكلات فرعية أصغر وأكثر خطية محلياً هو أكثر كفاءة حسابياً وأكثر دقة من محاولة حلها بنموذج عالمي واحد.

يخلص المؤلفون إلى أن GS-DeePC يوفر إطار عمل متماسكاً، قوياً، وفعالاً حسابياً للتحكم في الأنظمة غير الخطية، محققاً أداءً يضاهي الطرق المعقدة القائمة على LPV مع بقائه معتمداً بالكامل على البيانات. ويقترح العمل المستقبلي أتمتة تقسيم المناطق وضبط المعلمات الفائقة (hyperparameters).