Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التحكم بالتغذية الراجعة للمخرجات القائم على المتنبئ للأنظمة الخطية مع تأخيرات متغيرة زمنياً في المدخلات والقياسات عبر آفاق التنبؤ المقدرة عصبياً."

1. بيان المشكلة

تتناول الورقة التحكم في الأنظمة الخطية الخاضعة لـ تأخيرات متغيرة زمنياً في كل من قناة المدخلات ($D_1(t)$) وقناة القياس ($D_2(t)$).

• التحدي الجوهري: بينما تُعد التغذية الراجعة المتنبئة طريقة قوية للتعامل مع التأخيرات، فإن تنفيذها الدقيق يتطلب رسم خرائط التأخير العكسي (تحديداً أفق التنبؤ $\psi(t) = \phi_1^{-1}(t) - t$، حيث $\phi_1(t) = t - D_1(t)$).
• العقبة: بالنسبة للتأخيرات المتغيرة زمنياً، نادراً ما يكون لهذا الرسم العكسي حل تحليلي مغلق. وبناءً على ذلك، يصبح التنفيذ الدقيق مستحيلاً، ويجب أن يعتمد النظام على التقريبات.
• الفجوة: غالباً ما تفترض الأدبيات الحالية التنفيذ الدقيق أو تركز على التغذية الراجعة للحالة (state-feedback). يعالج هذا العمل سيناريو التغذية الراجعة للمخرجات (حيث تتوفر فقط القياسات المتأخرة) ويحلل بصرامة استقرار النظام عند تقريب أفق التنبؤ.

2. المنهجية

يقترح المؤلفون بنية تحكم مكونة من ثلاث مراحل وطريقتين متميزتين لتقريب أفق التنبؤ الحرج.

أ. بنية التحكم (تصميم التغذية الراجعة للمخرجات)

يجمع المتحكم المقترح بين مراقب ومتنبئ:

1. المراقب (Observer): يعيد بناء الحالة المتأخرة $Z(\phi_2(t))$ من القياس المتأخر $Y(t)$.
2. انتشار الحالة (State Propagation): ينشر الحالة المقدرة للأمام وصولاً إلى الزمن الحالي $t$ باستخدام ديناميكيات النظام للحصول على $\hat{Z}(t)$.
3. المتنبئ (Predictor): ينشر تقدير الحالة الحالي إلى زمن مستقبلي $t + \psi(t)$ لتوليد $\hat{P}(t)$، والذي يُستخدم في قانون التحكم $U(t) = K\hat{P}(t)$.

ب. مخططات تقريب أفق التنبؤ ($\psi$)

بما أنه لا يمكن حساب $\psi(t)$ بدقة، يقترح المؤلفون نهجين لتقريب عامل التأخير العكسي:

1. التكامل العددي (القائم على المعادلات التفاضلية العادية ODE):

   • إعادة صياغة مشكلة التأخير العكسي كمعادلة تفاضلية عادية: $\dot{\psi}(t) = \frac{\dot{D}(t+\psi(t))}{1-\dot{D}(t+\psi(t))}$.
   • حل هذه المعادلة باستخدام طرق عددية قياسية (مثل طريقة أويلر الصريحة أو رونج-كوتا).
   • المزايا: تعتمد على النموذج، ولا تتطلب بيانات تدريب.
   • العيوب: مكلفة حاسبياً للآفاق الزمنية الطويلة؛ وتنمو أخطاء الحدود مع أفق الزمن $T$.

2. التقريب عبر المؤثر العصبي (المعتمد على البيانات):

   • التعامل مع رسم خرائط التأخير العكسي كمشكلة تعلم مؤثرات: $D(\cdot) \mapsto \psi(\cdot)$.
   • استخدام المؤثرات العصبية (تحديداً المؤثرات العصبية فوريه FNO) لتعلم هذه الخريطة من مجموعة بيانات لوظائف التأخير ومعكوساتها الدقيقة المقابلة.
   • المزايا: استدلال فائق السرعة (مدعوم بمعالجات الرسوميات GPU)؛ ويعمل كبديل للمكامل العددي المكلف.
   • العيوب: يتطلب تدريباً خارجياً (offline)؛ وتعتمد الدقة على توزيع بيانات التدريب.

3. المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات نظرية وعملية رئيسية:

1. الإطار القائم على نظرية المؤثرات:

   • يثبت المؤلفون أن رسم خرائط التأخير العكسي هو متصل ليبشيتز (Lipschitz continuous) على المجموعات المدمجة.
   • يثبتون أن كلاً من طريقة التكامل العددي ونهج المؤثر العصبي يمكنهما تحقيق دقة تقريب تعسفية على المجموعات المدمجة، مما يوفر أساساً رياضياً موحداً لتحليل هذه التقريبات.

2. تحليل الاستقرار المتين:

   • تشتق الورقة شروطاً كافية لـ الاستقرار الأسي العالمي (Global Exponential Stability) للنظام مغلق الحلقة.
   • باستخدام تحويل "باكستيبينج" (backstepping transformation) ودوال "ليابونوف-كراسوفسكي" (Lyapunov-Krasovskii)، يثبتون أنه إذا كان خطأ تقريب أفق التنبؤ ($|\psi(t) - \hat{\psi}(t)|$) صغيراً بما يكفي (محصوراً بـ $\epsilon^*$)، فإن النظام سيظل مستقراً رغم خطأ التقريب ووجود تأخيرات في المدخلات والقياسات معاً.
   • هذا هو أول تصميم متنبئ للتغذية الراجعة للمخرجات للأنظمة الخطية مع وجود تأخيرات متغيرة في المدخلات والقياسات معاً يأخذ في الاعتبار أخطاء تقريب الأفق.

3. التنفيذ العملي والمفاضلات:

   • يقدم المؤلفون دراسة عددية شاملة تقارن بين طريقة أويلر، ورونج-كوتا (RK4)، والمؤثر العصبي (FNO).
   • يوضحون أنه بينما تكون الطرق العددية دقيقة، إلا أنها ثقيلة حاسبياً. يوفر المؤثر العصبي تسريعاً هائلاً (يصل إلى 21 ضعفاً من سرعة RK4) مع فقدان ضئيل في أداء التحكم، بشرط بقاء خطأ التقريب ضمن حدود الاستقرار النظرية.

4. النتائج

• الضمانات النظرية: يثبت النظر (Theorem 4) أن النظام مغلق الحلقة مستقر أسياً عالمياً إذا كان خطأ أفق التنبؤ محصوراً ضمن عتبة محددة $\epsilon^*$. وتوسع النتيجة (Corollary 1) هذا المفهوم ليشمل الآفاق الزمنية اللانهائية عبر ربط فترات الاستقرار ذات الزمن المحدود.
• التحقق العددي:
  • تم إجراء محاكاة على نظام خطي غير مستقر مع تأخيرات متغيرة وزمنية تذبذبية.
  • الدقة: حقق المؤثر العصبي (FNO) خطأ تحقق قدره $9 \times 10^{-3}$ ونجح في تثبيت النظام.
  • الكفاءة:
    • طريقة أويلر: ~12 مللي ثانية لكل عملية تقييم.
    • RK4: ~42.5 مللي ثانية لكل عملية تقييم.
    • المؤثر العصبي (FNO): ~2.0 مللي ثانية لكل عملية تقييم (أي أسرع بحوالي 6 أضعاف من أويلر، وحوالي 21 ضعفاً من RK4).
  • تؤكد النتائج أن المؤثر العصبي يمكن أن يحل محل الحلول العددية المكثفة حاسبياً في حلقات التحكم في الوقت الفعلي دون المساس بالاستقرار.

5. الأهمية

هذا العمل مهم لعدة أسباب:

• الربط بين النظرية والتطبيق: يحل "فجوة التنفيذ" في التغذية الراجعة المتنبئة. غالباً ما يتم استبعاد تصميمات المتنبئ النظرية لأن رسم التأخير العكسي غير قابل للحل؛ توفر هذه الورقة تقريبات قابلة للتنفيذ بصرامة مع ضمانات استقرار مثبتة.
• التقدم في التحكم القائم على التعلم: يتجاوز العمل استخدام الشبكات العصبية كمجرد "صناديق سوداء" للتحكم. بدلاً من ذلك، يستخدم المؤثرات العصبية كبدائل عالية الدقة لمؤثرات رياضية محددة (التأخير العكسي)، ويدمجها في إطار تحكم نظري صارم مع هوامش استقرار مثبتة.
• تعقيد التغذية الراجعة للمخرجات: من خلال التعامل مع تأخيرات المدخلات والقياسات في آن واحد في بيئة تغذية راجعة للمخرجات، يعالج العمل سيناريو أكثر واقعية وتعقيداً من الدراسات السابقة التي اقتصرت على التغذية الراجعة للحالة فقط.
• القابلية للعمل في الوقت الفعلي: يوضح البرهان أن المؤثرات العصبية يمكنها تسريع حسابات التحكم بمقدار رتبة عشرية كاملة، مما يجعل التغذية الراجعة المتنبئة المتقدمة قابلة للتطبيق في الأنظمة السيبرانية الفيزيائية ذات الحساسية العالية للزمن والاستجابة السريعة.