⚡ electrical engineering

Neural Luenberger state observer for nonautonomous nonlinear systems

Diese Arbeit stellt eine datengetriebene, modellfreie Methode zur Synthese eines neuronalen Luenberger-Zustandsbeobachters für nichtautonome nichtlineare Systeme vor, der auf einer erweiterten KKL-Struktur basiert und sowohl theoretisch als auch anhand von Bioreaktor-Beispielen validiert wird.

Ursprüngliche Autoren: Moritz Woelk, Jarod Morris, Wentao Tang

Veröffentlicht 2026-03-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Moritz Woelk, Jarod Morris, Wentao Tang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: Der unsichtbare Motor

Stellen Sie sich vor, Sie fahren ein hochmodernes Auto, aber das Armaturenbrett ist kaputt. Sie sehen nur, wie schnell Sie fahren (das ist das Ausgangssignal), aber Sie wissen nicht, wie viel Kraftstoff im Tank ist, wie warm der Motor läuft oder wie stark die Bremsen verschlissen sind (das sind die Zustände).

In der realen Welt, besonders in der Chemieindustrie (wie in den vorgestellten Bioreaktoren), ist das oft so: Wir können nicht alles messen. Sensoren sind zu teuer, oder die Substanzen sind zu gefährlich oder zu schwer zu erreichen.

Normalerweise versuchen Ingenieure, ein mathematisches Modell zu bauen, um diese unsichtbaren Werte zu erraten. Das ist wie ein Koch, der versucht, einen Kuchen zu backen, ohne das Rezept zu kennen, sondern nur durch Raten. Wenn das Rezept (das Modell) zu komplex ist oder unbekannt, scheitert dieser Versuch oft.

Die Lösung: Ein lernender Assistent (Der "Neural Luenberger Observer")

Die Autoren dieses Papers haben eine neue Methode entwickelt, die wir den "Neuralen Luenberger-Beobachter" nennen. Das klingt kompliziert, ist aber im Grunde ein sehr schlauer Assistent, der aus Erfahrung lernt.

Hier ist das Konzept in drei einfachen Schritten:

1. Der alte Weg vs. der neue Weg

Der alte Weg (Modellbasiert): Man versucht, die Physik des Systems exakt zu verstehen und eine Formel zu schreiben. Wenn die Formel falsch ist, ist die Schätzung falsch.
Der neue Weg (Datengetrieben): Man gibt dem Computer eine riesige Menge an alten Daten (z. B. "Wir haben 300 Tage lang den Tank gefüllt und die Temperatur gemessen"). Der Computer schaut sich diese Daten an und lernt: "Aha! Wenn der Tank so voll ist und ich die Heizung auf Stufe 3 drehe, dann passiert im Inneren genau das."

2. Die zwei Gehirne des Assistenten

Der vorgestellte Algorithmus nutzt zwei neuronale Netze (eine Art künstliche Gehirne), die zusammenarbeiten wie ein Detektiv und ein Übersetzer:

Gehirn A (Der Detektiv / $\omega$ ): Dieser Teil schaut sich an, was wir tun (z. B. Hinzufügen von Chemikalien) und wie das System reagiert. Er versucht zu verstehen, wie sich die unsichtbaren inneren Werte ändern, wenn wir etwas von außen beeinflussen. Er ist wie ein Mechaniker, der hört, wie der Motor soundet, wenn man das Gaspedal drückt.
Gehirn B (Der Übersetzer / $T^\dagger$ ): Dieser Teil nimmt die "rohen" Daten, die der Detektiv gesammelt hat, und übersetzt sie zurück in die Sprache, die wir verstehen (z. B. "Der Tank ist zu 40% voll"). Er lernt die Rückwärts-Rechnung.

3. Der Trick mit der "Kiste" (KKL-Struktur)

Das Geniale an dieser Methode ist, dass sie die beiden Gehirne nicht einfach wild zusammenwirft. Sie nutzen eine spezielle Struktur (die KKL-Methode), die sicherstellt, dass der Assistent stabil bleibt.

Stellen Sie sich vor, Sie versuchen, einen Ball in einem dunklen Raum zu verfolgen.

Ein einfacher Assistent würde raten, wo der Ball ist.
Dieser spezielle Assistent wirft den Ball erst in eine magische Kiste (den Beobachter-Zustand). In dieser Kiste bewegt sich der Ball sehr vorhersehbar und einfach (wie in einer geraden Linie).
Der Assistent verfolgt den Ball in der Kiste (was leicht ist) und nutzt dann den Übersetzer, um zu sagen: "Okay, weil der Ball in der Kiste hier war, muss er im echten Raum dort sein."

Warum ist das so wichtig? (Die Experimente)

Die Autoren haben ihren Assistenten an zwei echten chemischen Prozessen getestet:

Ein Bioreaktor: Wie ein riesiger Gärbehälter, in dem Mikroben wachsen.
Ein Williams-Otto-Reaktor: Ein komplexes chemisches Mischsystem mit vielen Reaktionen.

Das Ergebnis:
Der neue "lernende" Assistent war fast genauso gut wie die besten Experten, die das genaue physikalische Rezept kannten. Aber der Clou: Der Assistent wusste kein einziges physikalisches Gesetz. Er hat nur die Daten gesehen und gelernt.

Vergleich mit dem "EKF" (Erweiterter Kalman-Filter): Das ist der Standard-Assistent, der oft versagt, wenn das System zu kompliziert ist oder wenn man am Anfang nicht genau weiß, wo man steht. Der neue Assistent war hier deutlich besser.
Vergleich mit dem "SMO" (Sliding Mode Observer): Das ist ein sehr starrer Assistent, der bei Störungen (wie plötzlichen Temperaturschwankungen) oft verrückt spielt. Der neue Assistent blieb ruhig und genau.

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie wollen wissen, wie gut ein Schüler in Mathe ist, ohne ihn zu testen.

Der alte Weg versucht, eine Formel für das menschliche Gehirn zu schreiben.
Der neue Weg schaut sich an, wie der Schüler auf verschiedene Fragen reagiert (Daten), lernt daraus ein Muster und kann dann vorhersagen, wie er bei einer neuen Frage abschneiden wird, ohne jemals die "Formel des Gehirns" gekannt zu haben.

Der Kern der Nachricht:
Man muss nicht alles über die Physik eines Systems wissen, um es zu überwachen. Wenn man genug Daten hat, kann ein KI-Modell die "unsichtbaren" inneren Werte eines komplexen Systems (wie einer Fabrik oder eines Reaktors) genau berechnen. Das macht die Überwachung von Industrieanlagen robuster, günstiger und sicherer, weil man weniger auf teure Sensoren oder perfekte theoretische Modelle angewiesen ist.

Titel: Neural Luenberger state observer for nonautonomous nonlinear systems (Neuraler Luenberger-Zustandsbeobachter für nichtautonome nichtlineare Systeme)
Autoren: Moritz Woelk, Jarod Morris, Wentao Tang
Veröffentlicht: Februar 2026 (Preprint)

1. Problemstellung

Die Modellierung, Analyse und Regelung nichtlinearer chemischer Prozesse basiert häufig auf Zustandsraumdarstellungen. In der Praxis ist jedoch eine vollständige Messbarkeit aller Systemzustände aufgrund physikalischer Einschränkungen (z. B. nicht messbare Konzentrationen) und finanzieller Grenzen (Sensorkosten) selten gegeben. Daher sind Zustandsbeobachter notwendig, um Zustände aus verfügbaren Ein- und Ausgangssignalen zu schätzen.

Herausforderungen bestehen insbesondere bei:

Nichtlinearen Systemen: Klassische Methoden wie der erweiterte Kalman-Filter (EKF) oder Hochverstärkungs-Beobachter sind oft modellabhängig, erfordern eine exakte Kenntnis der Systemdynamik oder leiden unter Einschränkungen wie lokaler Konvergenz (EKF) oder Rauschempfindlichkeit (Hochverstärkungs-Beobachter).
Nichtautonomen Systemen: Die meisten bestehenden datengetriebenen Beobachter-Frameworks (z. B. auf Basis des Kazantzis-Kravaris/Luenberger (KKL) Ansatzes) wurden primär für autonome Systeme (ohne externe Eingänge) entwickelt. Die Erweiterung auf Systeme mit manipulierten Eingängen ( $u \neq 0$ ) ist analytisch schwierig, da sie die Lösung von partiellen Differentialgleichungen (PDEs) erfordert, um eine injektive Transformation und deren Inverse zu finden.

Das Ziel dieser Arbeit ist die Entwicklung eines modellfreien Beobachters für nichtautonome, nichtlineare Systeme mit Eingängen, der ausschließlich auf historischen oder simulierten Daten trainiert wird, ohne dass ein physikalisches Modell bekannt sein muss.

2. Methodik: Der Neural Luenberger Observer (NLOX)

Die Autoren schlagen einen Ansatz vor, der die Struktur des KKL-Beobachters mit neuronalen Netzwerken kombiniert.

Theoretische Grundlage:
Das System wird als input-affin angenommen:
$\dot{x} = f(x) + g(x)u, \quad y = h(x)$
Der Beobachter nutzt eine injektive nichtlineare Transformation $T$ , die den Systemzustand $x$ in einen Beobachterzustand $z$ überführt, der durch lineare zeitinvariante (LTI) Dynamiken gesteuert wird. Für nichtautonome Systeme wird die Beobachterdynamik um einen input-affinen Term erweitert:
$\dot{z} = Az + By + \omega(z)u$
$\hat{x} = T^\dagger(z)$
Dabei ist $A$ eine Hurwitz-Matrix, $B$ eine Konstante, $\omega(z)$ der input-affine Korrekturterm und $T^\dagger$ die linke Inverse der Transformation $T$ .

Neuronale Implementierung:
Da die analytische Bestimmung von $T$ und $\omega$ (durch Lösung von PDEs) für komplexe Systeme unpraktisch ist, werden beide Komponenten mittels vollvernetzter Feedforward-Neuronaler Netze (MLP) gelernt:

Netzwerk $\omega(z|\theta)$ : Lernt den input-affinen Term, der den Einfluss der Eingangsgröße $u$ auf die Beobachterdynamik kompensiert.
Netzwerk $T^\dagger(z|\psi)$ : Lernt die inverse Abbildung, um aus dem Beobachterzustand $z$ den Systemzustandsvektor $\hat{x}$ zu rekonstruieren.

Trainingsprozess:

Daten: Es werden $M$ Trajektorien von Eingangs-, Ausgangs- und (offline verfügbaren) Zustandssignalen gesammelt.
Diskretisierung: Die kontinuierliche Dynamik wird mittels Vorwärts-Euler-Diskretisierung approximiert.
Verlustfunktion: Das Training erfolgt überwacht durch Minimierung des quadratischen Fehlers zwischen dem wahren Zustand $x$ und der Schätzung $\hat{x} = T^\dagger(z)$ .
Optimierung: Die Parameter beider Netze werden simultan mittels Backpropagation und dem RMSprop-Optimierer aktualisiert.

Theoretische Garantien:
Die Autoren leiten eine probabilistische obere Schranke für den Generalisierungsfehler her. Unter Annahmen wie der inkrementellen Eingangs-Zustands-Stabilität ( $\delta$ ISS) und beschränkten Gewichten der Netze wird gezeigt, dass der Fehler mit der Menge der Daten ( $1/\sqrt{MN}$ ) skaliert. Zudem wird der Diskretisierungsfehler analysiert, der durch die Wahl einer kleinen Sampling-Zeit $t_s$ beliebig klein gehalten werden kann.

3. Wichtige Beiträge

Modellfreier Ansatz: Entwicklung eines vollständig datengetriebenen Beobachters für nichtautonome nichtlineare Systeme, der keine Kenntnis der Systemfunktionen $f, g, h$ erfordert.
Erweiterung des KKL-Frameworks: Erfolgreiche Integration von input-affinen Termen in das KKL-Strukturkonzept, die direkt aus Daten gelernt werden, um externe Eingänge zu handhaben.
Theoretische Konvergenzanalyse: Herleitung einer Generalisierungsschranke, die die statistische Konsistenz des Lernverfahrens und die Abhängigkeit von der Datenmenge sowie der Diskretisierung belegt.
Skalierbarkeit: Demonstration der Anwendbarkeit auf hochdimensionale Systeme (bis zu 6 Zustände), was eine Lücke in der Literatur schließt, da viele datengetriebene Methoden bisher nur auf niedrigdimensionalen Systemen getestet wurden.

4. Ergebnisse und Fallstudien

Die Methode wurde an zwei chemischen Prozessbeispielen validiert:

A. Bioreaktor (2 Zustände):

Vergleich: NLOX wurde gegen einen analytischen KKL-Beobachter (als "Ground Truth"), einen EKF und einen Sliding Mode Observer (SMO) getestet.
Ergebnisse: NLOX erreichte eine Genauigkeit, die mit dem analytischen KKL-Beobachter vergleichbar ist und den EKF sowie SMO in der Gesamtleistung (RMSE/RSSE) übertraf oder gleichkam.
Störungsrobustheit: Auch bei Hinzufügen von Rauschen in die Eingangsgrößen behielt NLOX eine hohe Genauigkeit bei, insbesondere bei der Schätzung der Mikroorganismenkonzentration.

B. Williams-Otto Reaktor (6 Zustände, 3 Reaktionen):

Herausforderung: Ein hochdimensionales, stark nichtlineares System. Die analytische Lösung des KKL-Beobachters ist hier nicht praktikabel.
Architektur: Um Konvergenzprobleme bei der gemeinsamen Schätzung aller 6 Zustände zu vermeiden, wurden sechs separate Netze für $T^\dagger$ (eines pro Zustand) verwendet.
Vergleich: NLOX wurde gegen EKF und SMO verglichen.
Ergebnisse:
- NLOX zeigte eine 3,96-fache Verbesserung der Genauigkeit gegenüber dem EKF.
- NLOX zeigte eine 1,37-fache Verbesserung gegenüber dem SMO.
- Ein entscheidender Vorteil war die schnelle Konvergenz auch in der Anfangsphase, wo der EKF aufgrund der lokalen Linearisierung oft schlecht performt.
Robustheit: Auch bei stochastischen Störungen in den Eingangsströmen blieb die Schätzleistung stabil.

5. Bedeutung und Ausblick

Dieses Paper stellt einen signifikanten Fortschritt im Bereich der datengetriebenen Regelungstechnik dar. Es beweist, dass komplexe, nichtautonome nichtlineare Systeme ohne physikalisches Modell präzise beobachtet werden können. Die Methode ist besonders wertvoll für Anwendungen, bei denen die Systemdynamik zu komplex für eine analytische Herleitung ist oder nicht verfügbar ist.

Zukünftige Arbeiten:
Die Autoren planen, den Ansatz auf unüberwachtes Lernen zu erweitern. Das Ziel ist es, ein Framework zu entwickeln, das keine Ground-Truth-Zustandsdaten für das Training benötigt, sondern die latenten Zustände und den Beobachter gemeinsam optimiert, um die praktische Anwendbarkeit in Echtzeitsystemen weiter zu erhöhen.

Fazit:
Der vorgestellte "Neural Luenberger Observer" (NLOX) bietet einen robusten, theoretisch fundierten und in der Praxis effektiven Weg zur Zustandsschätzung in komplexen chemischen Prozessen, der die Lücke zwischen theoretischen Beobachterkonzepten und datengetriebener Implementierung schließt.