⚡ electrical engineering

Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space

Diese Arbeit stellt eine theoretische Grundlage für die Schätzung von Lyapunov-Funktionen mittels des Koopman-Operators in einem reproduzierenden Kern-Hilbertraum bereit, indem sie die eindeutige Lösung einer operatoralgebraischen Lyapunov-Gleichung herleitet und die Fehlergrenzen der Schätzung durch kEDMD untermauert.

Ursprüngliche Autoren: Wentao Tang, Xiuzhen Ye

Veröffentlicht 2026-03-03

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Wentao Tang, Xiuzhen Ye

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

Stell dir vor, du versuchst, das Wetter vorherzusagen. Die Atmosphäre ist ein riesiges, chaotisches System aus Wind, Temperatur und Feuchtigkeit. Es ist nichtlinear – das bedeutet, kleine Änderungen können riesige, unvorhersehbare Effekte haben (der berühmte Schmetterlingseffekt).

In der Technik und Physik haben wir oft solche Systeme: Roboterarme, chemische Reaktoren oder sogar das Herzschlagmuster. Das Problem: Wir kennen die genauen Formeln dafür oft nicht, oder sie sind so kompliziert, dass man sie kaum berechnen kann.

Dieser Artikel beschreibt einen cleveren Trick, wie man diese chaotischen Systeme trotzdem verstehen und stabilisieren kann. Hier ist die Erklärung in einfachen Worten:

1. Der Zaubertrick: Vom Chaos zur geraden Linie

Stell dir vor, du hast eine krumme, verwickelte Gasse (das nichtlineare System). Wenn du darin läufst, ist es schwer zu wissen, wohin du kommst.
Der Koopman-Operator ist wie eine magische Brille oder ein Projektionsgerät. Wenn du durch diese Brille schaust, verwandelt er die krumme Gasse in eine riesige, gerade Autobahn.

Das Problem: Normalerweise ist diese "Autobahn" unendlich lang und man kann sie nicht einfach auf ein Blatt Papier zeichnen.
Die Lösung der Autoren: Sie nutzen eine spezielle mathematische Technik (einen "Reproduzierenden Kernel Hilbert-Raum"), die es erlaubt, diese unendliche Autobahn so zu beschreiben, als wäre sie endlich und handhabbar. Sie nutzen dabei eine spezielle Art von "Karten" (Kernelfunktionen), die das System genau dort abbilden, wo es wichtig ist: um den stabilen Punkt herum.

2. Das Ziel: Ein Sicherheitsnetz finden (Lyapunov-Funktion)

In der Ingenieurwissenschaft wollen wir wissen: "Ist dieses System sicher?" Wenn wir einen Roboter steuern, wollen wir, dass er nicht umkippt.
Mathematiker nutzen dafür eine Lyapunov-Funktion. Stell dir das wie eine Hügellandschaft vor:

Der tiefste Punkt (das Tal) ist der stabile Zustand (z. B. der Roboter steht still).
Alles, was sich bewegt, "rollt" wie ein Ball bergab in dieses Tal.
Solange der Ball bergab rollt, ist das System stabil.
Die Aufgabe ist es nun, diese Hügellandschaft zu zeichnen, ohne das System vorher genau zu kennen.

3. Der neue Ansatz: Die "Verfall-Rate"

Die Autoren sagen: "Okay, wir wissen, wie schnell das System Energie verlieren soll (die 'Verfall-Rate')."
Stell dir vor, du hast einen Eimer mit Wasser, der ein Loch hat. Du weißt, wie schnell das Wasser abläuft. Die Frage ist: Wie sieht der Eimer aus?

Früher war es schwer, den Eimer (die Lyapunov-Funktion) zu finden, wenn man nur Daten hatte.
Die Autoren haben nun eine Formel entwickelt, die wie eine Rechnung funktioniert: Wenn man weiß, wie schnell das Wasser abläuft (die Daten) und wie das Loch geformt ist (der Koopman-Operator), dann kann man den Eimer exakt berechnen.
Sie haben bewiesen, dass diese Rechnung einzigartig ist. Es gibt genau eine richtige Form für den Eimer, wenn das System stabil ist.

4. Lernen aus Daten (Der "kEDMD"-Algorithmus)

Das Schönste an dieser Methode ist: Man braucht keine Formeln! Man braucht nur Daten.

Stell dir vor, du filmst, wie ein Pendel schwingt.
Der Computer schaut sich diese Filme an und lernt daraus die "Regeln" (den Koopman-Operator), ohne dass ein Mensch ihm die Physik erklären muss.
Der Artikel zeigt auch, dass wenn man mehr Daten hat, die Zeichnung des "Eimers" (der Lyapunov-Funktion) immer genauer wird. Der Fehler verschwindet fast vollständig, wenn man genug Beispiele hat.

5. Ein konkretes Beispiel

Die Autoren haben das an einem chemischen Reaktor getestet (einem System, das nicht einfach wie ein Pendel ist).

Sie haben Daten gesammelt.
Der Computer hat die "Hügellandschaft" berechnet.
Das Ergebnis sah fast genauso aus wie die wahre Landschaft, die man nur durch komplizierte Simulationen hätte finden können.
Besonders gut war: Selbst weit weg vom Zentrum (wo das System sehr chaotisch ist) hat die Methode funktioniert.

Zusammenfassung in einer Metapher

Stell dir vor, du willst wissen, ob ein Schiff in einem Sturm sicher im Hafen liegt.

Früher: Du musstest die genauen Wellenformeln kennen und komplizierte Physik berechnen.
Jetzt (mit dieser Methode): Du schaust dir nur an, wie das Schiff in der Vergangenheit auf Wellen reagiert hat (Daten). Der Computer zeichnet dann eine unsichtbare "Landkarte" (die Lyapunov-Funktion), die dir zeigt: "Solange du hier bist, rollst du sicher in den Hafen. Wenn du hier rausgehst, bist du in Gefahr."

Warum ist das wichtig?
Es gibt uns einen Weg, komplexe, nichtlineare Systeme (wie autonome Autos oder Stromnetze) sicher zu steuern, ohne dass wir die genauen physikalischen Gesetze im Voraus kennen müssen. Wir können einfach "lernen", wie das System funktioniert, und daraus eine Sicherheitsgarantie ableiten.

1. Problemstellung

Nichtlineare Systeme sind in der Ingenieurwissenschaft allgegenwärtig, fehlen jedoch oft an genauen Modellen aus ersten Prinzipien. Der Koopman-Operator bietet einen Ansatz, nichtlineare Dynamiken durch eine lineare Abbildung auf einem unendlich-dimensionalen Funktionenraum zu beschreiben. Bisherige Ansätze zur datengetriebenen Modellierung (z. B. Extended Dynamic Mode Decomposition, EDMD) stoßen jedoch auf fundamentale theoretische Hindernisse:

Spektrum-Stabilitäts-Beziehung: Es ist nicht trivial, die Stabilität eines Gleichgewichtspunkts aus dem Spektrum des Koopman-Operators abzuleiten. Bei herkömmlichen Kernel-Wahlen kann das Spektrum unabhängig von der tatsächlichen Stabilität des Systems außerhalb des Einheitskreises liegen, was eine Stabilitätsanalyse unmöglich macht.
Fehlende universelle Theorie: Es existiert noch keine allgemeine Theorie für eine Koopman-basierte Regelung, da die Wahl des Funktionenraums (der unter der Koopman-Abbildung invariant sein muss) kritisch und oft heuristisch ist.
Lyapunov-Funktionen: Die Konstruktion von Lyapunov-Funktionen für nichtlineare Systeme ist schwierig. Eine datengetriebene Methode, die auf dem Koopman-Operator basiert und eine garantierte Stabilitätsanalyse liefert, fehlt bisher.

Das Ziel des Papers ist es, eine theoretisch fundierte, datengetriebene Methode zur Schätzung von Lyapunov-Funktionen mit einer gegebenen Abklingrate zu entwickeln, indem die Beziehung zwischen dem Koopman-Spektrum und der Stabilität in einem Reproduzierenden Kernel-Hilbertraum (RKHS) genutzt wird.

2. Methodik

Die vorgeschlagene Methodik basiert auf drei Säulen: der Wahl eines speziellen Kernels, der Formulierung einer Operator-Algebraischen Lyapunov-Gleichung (ALE) und der datengetriebenen Schätzung.

A. Linear-Radialer Produkt-Kernel

Um das Problem der Spektrum-Stabilitäts-Beziehung zu lösen, definieren die Autoren einen speziellen Kernel, der aus einem linearen und einem radialen Teil besteht:

Linearer Teil ( $\kappa_-$ ): $x \cdot x'$ . Dieser Teil erfasst das Verhalten nahe des Gleichgewichtspunkts (dem Ursprung).
Radialer Teil ( $\kappa_=$ ): Ein Wendland-Kernel, der den RKHS mit einem Sobolev-Raum $W^{s,2}(X)$ äquivalent macht und die Regularität der Dynamik sicherstellt.
Produkt-Kernel: $\kappa = \kappa_- \kappa_=$ .
Dieser Aufbau garantiert, dass der RKHS Funktionen enthält, die lokal linear (nahe dem Ursprung) und global regulär sind.

B. Spektrum-Stabilitäts-Beziehung

Unter Verwendung dieses speziellen Kernels und unter der Annahme, dass der Ursprung ein asymptotisch stabiler Gleichgewichtspunkt ist, wurde in vorherigen Arbeiten bewiesen, dass der Spektralradius des Koopman-Operators $A$ strikt kleiner als 1 ist ( $r(A) < 1$ ). Das Spektrum $\sigma(A)$ liegt somit vollständig im Einheitskreis der komplexen Ebene. Dies ist eine notwendige Voraussetzung für die Stabilitätsanalyse.

C. Operator-Algebraische Lyapunov-Gleichung (ALE)

Die Lyapunov-Funktion $v(x)$ und die Abklingrate $w(x)$ werden als „Kernel-Quadratformen" dargestellt:

$w(x) = \langle \kappa(x, \cdot), Q \kappa(x, \cdot) \rangle$
$v(x) = \langle \kappa(x, \cdot), P \kappa(x, \cdot) \rangle$
Dabei sind $Q$ und $P$ positive Operatoren auf dem RKHS.
Die Bedingung für die Lyapunov-Stabilität ( $v(f(x)) - v(x) \leq -w(x)$ ) führt zu einer Operator-ALE:
$APA^* - P = -Q$
Da $r(A) < 1$ , existiert für jeden positiven Operator $Q$ eine eindeutige Lösung $P$ , die durch eine konvergente unendliche Reihe von Hilbert-Schmidt-Operatoren dargestellt wird:
$P = \sum_{t=0}^{\infty} A^t Q (A^*)^t$

D. Datengetriebene Schätzung (kEDMD und KRR)

Da der Operator $A$ und die Funktion $w$ (bzw. $Q$ ) unbekannt sind, werden sie aus Daten geschätzt:

Koopman-Operator ( $\hat{A}$ ): Geschätzt mittels Kernel Extended Dynamic Mode Decomposition (kEDMD). Dies löst ein lineares Regressionsproblem im RKHS.
Abklingrate ( $\hat{Q}$ ): Geschätzt mittels Kernel Ridge Regression (KRR), um die Funktionen zu approximieren, deren Quadrate $w(x)$ bilden.
Lyapunov-Operator ( $\hat{P}$ ): Die geschätzten Operatoren $\hat{A}$ und $\hat{Q}$ werden in eine diskrete Matrix-ALE eingesetzt, um die Koeffizientenmatrix $\Pi$ für die geschätzte Lyapunov-Funktion $\hat{v}$ zu berechnen.

3. Wichtige Beiträge

Theoretische Fundierung der Spektrum-Stabilitäts-Beziehung: Das Paper baut auf der vorherigen Arbeit der Autoren auf und nutzt den linear-radialen Kernel, um zu beweisen, dass die Stabilität des Gleichgewichtspunkts direkt mit dem Spektralradius des Koopman-Operators im RKHS korreliert ( $r(A) < 1 \iff$ asymptotische Stabilität).
Existenz und Eindeutigkeit: Es wird bewiesen, dass die Operator-ALE unter der Bedingung $r(A) < 1$ eine eindeutige positive Lösung $P$ besitzt, die als konvergente Reihe von Hilbert-Schmidt-Operatoren dargestellt werden kann. Dies stellt einen konversen Lyapunov-Satz im Kontext des Koopman-Operators dar.
Fehleranalyse und Konvergenz: Das Paper leitet eine Fehlerobergrenze für die geschätzte Lyapunov-Funktion her. Es wird gezeigt, dass der Fehler in der Schätzung von $P$ proportional zum Lernalgorithmus-Fehler von $A$ (kEDMD) und $Q$ (KRR) ist. Mit zunehmender Datenmenge verschwindet dieser Fehler.
Praktische Anwendbarkeit: Die Methode wird auf ein nicht-polynomiales nichtlineares System (Liénard-Gleichung) angewendet, um die Machbarkeit zu demonstrieren.

4. Ergebnisse

Numerisches Beispiel: Anhand der diskretisierten Liénard-Gleichung wurde die Methode getestet.
- Der geschätzte Koopman-Operator hatte ein Spektrum, das vollständig im Einheitskreis lag, was die Stabilitätsannahme bestätigte.
- Die geschätzte Lyapunov-Funktion $\hat{v}(x)$ konnte die Konturform der wahren Lyapunov-Funktion (berechnet durch Simulation) sehr gut abbilden.
- Beobachtung: Während die Form der Funktion korrekt war, traten bei weit vom Ursprung entfernten Zuständen größere Fehler auf, was auf die Akkumulation der Abklingrate über die Zeit zurückzuführen ist. Dennoch zeigte sich ein signifikanter Unterschied zur linearisierten Näherung, was die Erfassung der Nichtlinearität durch den Koopman-Ansatz beweist.
Spektrum: Die Eigenwerte des geschätzten Operators stimmten gut mit dem theoretischen Spektrum überein und bestätigten die Stabilität.

5. Bedeutung und Ausblick

Dieses Paper leistet einen wesentlichen Beitrag zur Theorie der datengetriebenen Kontrolle nichtlinearer Systeme:

Brückenschlag: Es verbindet die abstrakte Theorie des Koopman-Operators mit der praktischen Notwendigkeit der Stabilitätsanalyse (Lyapunov).
Universelle Methode: Durch die Verwendung von RKHS und Kernel-Methoden wird die Notwendigkeit einer manuellen Auswahl von Basisfunktionen umgangen, was die Methode robuster und allgemeiner anwendbar macht.
Grundlage für Regelung: Die etablierte Spektrum-Stabilitäts-Beziehung und die Möglichkeit, Lyapunov-Funktionen datengetrieben zu schätzen, bilden eine solide Basis für zukünftige Entwicklungen in der Koopman-basierten Regelung und Beobachterdesign.
Zukünftige Forschung: Die Autoren sehen die Erweiterung auf Systeme mit mehreren Attraktoren oder die Schätzung des Einzugsgebiets (Domain of Attraction) als nächsten logischen Schritt.

Zusammenfassend bietet das Paper einen rigorosen mathematischen Rahmen, der es erlaubt, Stabilitätszertifikate (Lyapunov-Funktionen) direkt aus Daten für nichtlineare Systeme zu gewinnen, ohne dass ein exaktes physikalisches Modell vorliegen muss.