Computing Scaled Relative Graphs of Discrete-time LTI Systems from Data

Diese Arbeit erweitert die Anwendbarkeit des Skalierten Relativen Graphen (SRG) für diskrete lineare zeitinvariante Systeme, indem sie sowohl eine exakte Berechnung aus der Zustandsraumdarstellung mittels linearer Matrixungleichungen als auch einen vollständig datengetriebenen Ansatz zur Bestimmung des SRG aus Ein-/Ausgangsdaten sowie eine robuste Variante für verrauschte Daten vorschlägt.

Das Wesentliche

Stellen Sie sich vor, Sie haben einen mysteriösen schwarzen Kasten. Wenn Sie etwas hineingeben (z. B. einen Knopf drücken oder ein Signal senden), kommt etwas anderes heraus. In der Welt der Technik nennen wir das ein System. Die große Frage für Ingenieure ist immer: Wie verhält sich dieser Kasten wirklich? Ist er stabil? Wird er verrückt spielen, wenn wir ihn stark belasten?

Bisher nutzten Ingenieure dafür komplexe Diagramme (wie das Nyquist-Diagramm), die wie Landkarten für stabile und instabile Zonen aussehen. Aber es gibt ein neues, noch mächtigeres Werkzeug, das in diesem Papier vorgestellt wird: den Skalierten Relativen Graphen (SRG).

Hier ist die einfache Erklärung dessen, was die Autoren (Talitha Nauta und Richard Pates) in ihrer Arbeit erreicht haben, übersetzt in eine Geschichte mit Analogien:

1. Was ist der "Skalierte Relative Graph" (SRG)?

Stellen Sie sich den SRG nicht als eine flache Landkarte vor, sondern als eine 3D-Blase oder einen Schutzschild im Raum der komplexen Zahlen.

• Wenn Sie ein Signal in das System schicken, misst der SRG zwei Dinge: Wie stark wird das Signal verstärkt oder abgeschwächt (die Größe der Blase) und wie sehr wird es verzögert oder gedreht (die Form der Blase).
• Wenn diese Blase eine bestimmte Form hat, wissen Sie sofort: "Aha, dieses System ist sicher und stabil." Wenn die Blase zu groß wird oder eine gefährliche Form annimmt, ist Vorsicht geboten.

2. Das Problem: Wie zeichnet man diese Blase?

Bisher gab es zwei Probleme:

1. Man kannte den Kasten nicht genau: Oft haben wir nur Daten (Eingabe und Ausgabe), aber keine Baupläne (keine mathematischen Formeln für den Kasten).
2. Man hatte Rauschen: In der echten Welt sind Daten nie perfekt. Es gibt immer Hintergrundgeräusche (wie statisches Rauschen im Radio). Wenn man diese Geräusche ignoriert, könnte die gezeichnete Blase falsch sein und die Gefahr unterschätzen.

3. Die Lösung des Papiers: Drei neue Werkzeuge

Die Autoren haben drei Methoden entwickelt, um diese magische Schutzblase (den SRG) zu berechnen, egal welche Situation vorliegt:

A. Wenn man die Baupläne hat (Der "Architekt"-Ansatz)

Wenn Sie die genauen mathematischen Formeln des Systems kennen (den sogenannten "Zustandsraum"), können Sie den SRG exakt berechnen.

• Die Analogie: Es ist wie das Berechnen der perfekten Tragfähigkeit einer Brücke, wenn Sie alle Stahlträger und Schrauben genau vermessen haben. Die Autoren zeigen, wie man dies mit einer speziellen mathematischen Formel (einem "Linearen Matrix-Ungleichungs"-Rezept) macht, die Computer sehr schnell lösen können.

B. Wenn man nur Daten hat (Der "Detektiv"-Ansatz)

Was, wenn Sie die Baupläne nicht haben, aber eine lange Liste von Eingabe- und Ausgabedaten?

• Die Analogie: Stellen Sie sich vor, Sie sind ein Detektiv, der nur die Fußabdrücke eines Diebes sieht, aber den Dieb nie gesehen hat. Die Autoren zeigen, wie man aus diesen Fußabdrücken (den Daten) die Form der Schutzblase rekonstruieren kann. Sie nutzen dabei eine Methode, die sicherstellt, dass die Daten "ausreichend informativ" sind (wie ein Detektiv, der genug Spuren sammelt, um den Täter zu identifizieren).
• Das Tolle: Man braucht keine Kenntnis der inneren Mechanik des Systems, nur die Geschichte von "Was reinging" und "Was rauskam".

C. Wenn die Daten verrauscht sind (Der "Sicherheits-Experte"-Ansatz)

Das ist der wichtigste Teil für die echte Welt. Daten sind oft ungenau.

• Die Analogie: Stellen Sie sich vor, Sie zeichnen die Schutzblase, aber Ihr Stift wackelt ein bisschen, weil es regnet (Rauschen). Wenn Sie die Blase nur nach den wackeligen Linien zeichnen, könnten Sie einen Riss übersehen.
• Die Autoren entwickeln eine robuste Version. Sie zeichnen nicht nur die Blase für die gemessenen Daten, sondern eine größere, dickere Blase, die garantiert alles enthält, was das echte System tun könnte, selbst wenn die Daten verrauscht sind.
• Das Ergebnis: Sie erhalten einen "Sicherheitspuffer". Wenn diese dickere Blase sicher ist, dann ist auch das echte, verrauschte System sicher. Es ist wie ein Sicherheitsgurt, der nicht nur für den perfekten Fall, sondern auch für den worst-case ausgelegt ist.

4. Ein überraschendes Beispiel aus dem Papier

Die Autoren zeigen ein faszinierendes Beispiel mit zwei Filtern (einem "Tiefpass" und einem "Hochpass").

• Die Situation: Beide Filter sehen auf den ersten Blick fast identisch aus und haben exakt dieselbe "normale" Schutzblase (SRG).
• Der Unterschied: Wenn man jedoch verrauschte Daten verwendet, um die robuste Blase zu zeichnen, sehen diese beiden Blasen plötzlich ganz unterschiedlich aus!
• Die Lehre: Zwei Systeme können sich im "ruhigen" Zustand gleich verhalten, aber bei Störungen (Rauschen) völlig anders reagieren. Die robuste Methode zeigt uns diese versteckten Unterschiede auf, die man sonst übersehen würde.

Zusammenfassung

Dieses Papier ist wie ein neues Set an Werkzeugen für Ingenieure:

1. Es erlaubt uns, die Sicherheitsschilde (SRGs) von digitalen Systemen exakt zu berechnen.
2. Es funktioniert, egal ob wir die Baupläne haben oder nur Daten.
3. Es berücksichtigt Rauschen und Fehler, indem es einen extra großen Sicherheitspuffer einbaut.

Damit können Ingenieure sicherer und schneller neue Systeme (von autonomen Autos bis zu Stromnetzen) entwerfen und testen, ohne jedes Mal das ganze System physikalisch bauen zu müssen. Sie können die Stabilität direkt aus den Daten "ablesen".

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Computing Scaled Relative Graphs of Discrete-Time LTI Systems from Data" von Talitha Nauta und Richard Pates auf Deutsch.

1. Problemstellung und Hintergrund

Die grafische Systemanalyse (z. B. Nyquist- und Bode-Diagramme) ist ein Grundpfeiler der klassischen Regelungstheorie. Ein relativ neues Werkzeug in diesem Bereich ist der Skalierte Relative Graph (SRG). Der SRG ermöglicht die Analyse von Stabilität und Robustheit sowohl für lineare als auch nichtlineare Mehrgrößensysteme (MIMO) und wurde ursprünglich für die Konvergenzbeweise von Optimierungsalgorithmen eingeführt.

Bisherige Arbeiten zur Berechnung des SRG konzentrierten sich hauptsächlich auf:

• Lineare Operatoren auf Hilberträumen.
• Kontinuierzeit-LTI-Systeme (Linear Time-Invariant).
• Approximationen oder Überapproximationen, insbesondere bei nichtlinearen Systemen.

Das zentrale Problem dieser Arbeit: Es fehlte eine exakte Methode zur Berechnung des SRG für diskrete LTI-Systeme im Zustandsraum, insbesondere wenn das Systemmodell unbekannt ist und nur Daten verfügbar sind. Zudem bestand die Herausforderung, den SRG aus verrauschten Daten zu bestimmen, wobei eine garantierte Überapproximation (robuster SRG) benötigt wird, die das tatsächliche Systemverhalten einschließt.

2. Methodik

Die Autoren entwickeln einen dreistufigen Ansatz, der von der exakten Modell-basierten Berechnung bis hin zur robusten datengetriebenen Analyse reicht.

A. Theoretische Grundlage: Operatoren und SRG

Der SRG eines linearen Operators $L$ wird als Teilmenge der erweiterten komplexen Ebene definiert. Er kodiert den Verstärkungsfaktor ($\|y\|/\|u\|$) und die Phasenverschiebung zwischen Ein- und Ausgang.
Für ein diskretes LTI-System im Zustandsraum:
$$x_{k+1} = Ax_k + Bu_k, \quad y_k = Cx_k + Du_k$$
definieren die Autoren zwei Operatoren:

1. $T_\tau$: Ein Operator auf dem Raum der endlichen Folgen (Trunkierung bei Zeit $\tau$).
2. $T$: Ein Operator auf dem Raum der quadratsummierbaren Folgen ($\ell_2$).

Es wird gezeigt, dass der SRG durch die Berechnung von maximalen und minimalen Verstärkungen (Gain) der Operatoren $T - \alpha I$ über einen Bereich von $\alpha \in \mathbb{R}$ bestimmt werden kann (basierend auf Korollar 1).

B. Ansatz 1: Berechnung aus dem Zustandsraum (Modell-basiert)

Wenn die Systemmatrizen $A, B, C, D$ bekannt sind, wird die Berechnung der maximalen und minimalen Verstärkung auf Lineare Matrixungleichungen (LMIs) zurückgeführt.

• Die maximale Verstärkung (Norm) wird durch die Lösung einer LMI unter Verwendung des Bounded Real Lemma bestimmt.
• Die minimale Verstärkung wird durch eine Transformation des Systems (Inversion) und Anwendung desselben Prinzips berechnet.
• Dies ermöglicht eine exakte Berechnung des SRG für diskrete Systeme.

C. Ansatz 2: Datengetriebene Berechnung (Rauschfrei)

Für den Fall, dass $A, B, C, D$ unbekannt sind, aber eine Eingangs-Ausgangs-Trajektorie $(u_k, y_k)$ verfügbar ist, nutzen die Autoren Ergebnisse aus der Daten-getriebenen Systemanalyse (basierend auf [8]).

• Voraussetzungen: Die Eingangsdaten müssen „persistently exciting" (anregend) sein, und die Lag-Struktur des Systems muss bekannt oder abgeschätzt sein.
• Methode: Anstatt die Systemmatrizen zu identifizieren, werden die LMIs direkt aus den Datenmatrizen (Hankel-Matrizen der Eingangs- und Ausgangsdaten) formuliert.
• Ergebnis: Die LMIs aus Ansatz 1 werden durch äquivalente LMIs ersetzt, die nur die Datenmatrizen $\Xi, \Xi_+, U_\Xi, Y_\Xi$ enthalten. Dies erlaubt die exakte Berechnung des SRG ohne Modellidentifikation.

D. Ansatz 3: Robuste Berechnung aus verrauschten Daten

Für reale Anwendungen, bei denen die Daten durch Prozessrauschen $v_k$ verfälscht sind, wird ein robuster SRG entwickelt.

• Rauschmodell: Das Rauschen wird als Folge modelliert, die in einer durch eine Matrixungleichung definierten Menge liegt (Assumption 1).
• Unsicherheitsmenge: Basierend auf den Daten und dem Rauschmodell wird eine Menge möglicher Systemmatrizen $(\tilde{C}, \tilde{D})$ konstruiert, die konsistent mit den Daten sind.
• Robuste LMI: Es wird eine erweiterte LMI (Theorem 3) hergeleitet, die unter Verwendung des Matrix-S-Lemma (Dualisierungslemma) sicherstellt, dass die berechneten Verstärkungsgrenzen für alle Systeme gelten, die in dieser Unsicherheitsmenge liegen.
• Das Ergebnis ist eine Überapproximation des SRG, die garantiert den SRG des tatsächlichen (aber unbekannten) Systems enthält.

3. Hauptbeiträge

1. Exakte Berechnung für diskrete LTI-Systeme: Erweiterung der SRG-Theorie von kontinuierlichen auf diskrete Systeme im Zustandsraum mittels LMIs.
2. Vollständig datengetriebener Ansatz: Demonstration, wie der SRG ausschließlich aus Eingangs-Ausgangs-Daten berechnet werden kann, ohne dass ein Zustandsraummodell identifiziert werden muss.
3. Robuster SRG: Einführung einer Methode zur Berechnung eines garantierten SRG aus verrauschten Daten, der das tatsächliche Systemverhalten einschließt.
4. Verknüpfung von Theorie und Praxis: Brückenschlag zwischen der abstrakten Operator-Theorie (SRG auf Hilberträumen) und der praktischen Anwendung in der Daten-getriebenen Regelungstechnik.

4. Ergebnisse und Beispiele

Die Autoren validieren ihre Methoden in numerischen Beispielen:

• Instabiles MIMO-System: Der SRG, berechnet aus dem bekannten Zustandsraummodell (Theorem 1), stimmt exakt mit dem aus Daten berechneten SRG (Theorem 2) überein. Der robuste SRG (Theorem 3) aus verrauschten Daten bildet eine etwas größere Fläche, die den exakten SRG vollständig umschließt.
• Tiefpass- und Hochpassfilter: Zwei verschiedene Systeme (mit unterschiedlichen Frequenzgängen, aber identischem Nyquist-Diagramm) haben denselben exakten SRG.
  • Wichtige Erkenntnis: Obwohl die exakten SRGs identisch sind, unterscheiden sich die robusten SRGs bei verrauschten Daten. Dies liegt daran, dass das Rauschmodell frequenzabhängig wirkt (als Tiefpass auf das Rauschen), was je nach Systemdynamik zu unterschiedlichen Unsicherheitsbereichen führt. Dies zeigt, dass der robuste SRG zusätzliche Informationen über die Systemdynamik im Rauschkontext liefert, die im reinen exakten SRG nicht sichtbar sind.

5. Bedeutung und Fazit

Diese Arbeit ist von erheblicher Bedeutung für die moderne Regelungstheorie, da sie:

• Die Anwendbarkeit des SRG-Frameworks auf diskrete Systeme (die in der digitalen Regelung dominieren) formalisiert.
• Eine brückenlose Verbindung zwischen modellbasierten und datengetriebenen Methoden herstellt.
• Ein Werkzeug bietet, um Robustheitsanalysen direkt aus experimentellen Daten durchzuführen, ohne ein genaues Modell zu benötigen. Dies ist besonders relevant für Anwendungen, bei denen die Systemidentifikation schwierig oder zu teuer ist, aber Sicherheitsgarantien (durch den robusten SRG) erforderlich sind.

Zusammenfassend erweitern Nauta und Pates das SRG-Werkzeug von einem theoretischen Konzept für kontinuierliche Systeme zu einem praktisch anwendbaren, datengetriebenen Instrument für die Analyse und den Entwurf robuster diskreter Regelungssysteme.