Existence and Design of Functional Observers for Time-Delay Systems with Delayed Output Measurements

Each language version is independently generated for its own context, not a direct translation.

🕵️‍♂️ Die Geschichte vom verzögerten Detektiv

Stellen Sie sich vor, Sie sind ein Detektiv, der versuchen muss, den genauen Aufenthaltsort eines verdächtigen Fahrzeugs zu bestimmen. Das Fahrzeug ist das System, und Sie wollen wissen, wo es gerade jetzt ist (das ist der Zustand $x(t)$ ).

Aber es gibt ein großes Problem:

Der eigene Verzug ( $\tau$ ): Das Fahrzeug selbst reagiert träge. Wenn Sie den Motor betätigen, dauert es eine Weile, bis es sich bewegt. Das ist die "Verzögerung im System".
Der Nachrichten-Verzug ( $h$ ): Ihr Funkgerät ist noch schlechter. Die Informationen darüber, wo das Fahrzeug war, kommen erst mit einer Verspätung bei Ihnen an. Das ist die "Messverzögerung".

In der Vergangenheit dachten die meisten Detektive (Ingenieure), dass diese beiden Verzögerungen immer gleich lang sind oder dass die Nachrichten sofort da sind. Aber in der echten Welt ist das oft nicht so. Manchmal ist das Funkgerät viel langsamer als das Fahrzeug selbst, manchmal ist es andersherum.

Diese neue Forschungslösung sagt: "Kein Problem! Wir bauen einen besseren Detektiv."

🛠️ Die drei neuen Detektiv-Methoden (Die Beobachter)

Die Autoren haben drei verschiedene Arten von "Detektiv-Teams" entwickelt, um das Problem zu lösen, je nachdem, wie chaotisch die Verzögerungen sind.

1. Der schnelle, aber einfache Detektiv (Struktur A)

Wie er funktioniert: Dieser Detektiv schaut sich nur die verzögerten Nachrichten an und versucht, daraus sofort zu schließen, wo das Fahrzeug jetzt ist. Er hat kein eigenes Gedächtnis für die Vergangenheit.
Wann er scheitert: Wenn die Verzögerungen zu kompliziert sind oder die Nachrichten zu unvollständig, kann er die Aufgabe nicht lösen. Er ist wie ein Detektiv, der versucht, ein Puzzle zu lösen, bei dem ihm wichtige Teile fehlen.
Die Lösung: Wenn er scheitert, sagen die Autoren: "Keine Sorge, wir fügen ihm einfach mehr Aufgaben hinzu!" Statt nur den Ort zu erraten, lassen wir ihn auch die Geschwindigkeit oder die Richtung erraten. Das macht ihn komplexer (höherer "Ordnungsgrad"), aber er schafft es dann doch.

2. Der Gedächtnis-Detektiv (Struktur B)

Wie er funktioniert: Dieser Detektiv ist schlauer. Er hat ein eigenes Gedächtnis. Er merkt sich nicht nur die verzögerten Nachrichten, sondern auch, wie das System in der vergangenen Sekunde reagiert hat.
Der Vorteil: Er kann die Lücke zwischen "was war" und "was ist" besser überbrücken. Er ist wie ein Detektiv, der nicht nur auf den Funk hört, sondern auch weiß, wie das Fahrzeug normalerweise bei bestimmten Kurven reagiert.
Wann er hilft: Wenn der einfache Detektiv (Struktur A) versagt, weil die Verzögerung im System ( $\tau$ ) zu groß ist, kann dieser Gedächtnis-Detektiv oft noch eine stabile Lösung finden.

3. Der Super-Detektiv mit Zeitmaschine (Struktur C)

Wie er funktioniert: Das ist die ultimative Lösung für den schlimmsten Fall: Wenn die Nachrichtenverzögerung ( $h$ ) sogar länger ist als die Verzögerung des Fahrzeugs selbst ( $\tau$ ).
Die Magie: Dieser Detektiv baut eine Art "Zeitmaschine" (einen erweiterten Zustandsraum). Er betrachtet nicht nur den aktuellen Ort und den Ort vor einer Sekunde, sondern auch den Ort vor zwei Sekunden. Er verknüpft alle diese Zeitpunkte zu einem riesigen Bild.
Das Ergebnis: Selbst wenn die Nachrichten extrem langsam sind, kann dieser Detektiv durch geschicktes Kombinieren aller verfügbaren Informationen (auch der sehr alten) den aktuellen Zustand genau berechnen.

🧩 Das große Puzzle: "Erweiterte Funktionen"

Ein wichtiger Trick in diesem Papier ist die Idee der "verallgemeinerten Funktionen".

Stellen Sie sich vor, Sie wollen nur wissen, ob das Auto rot ist (eine einfache Frage). Aber die Daten, die Sie bekommen, sind so verrauscht und verzögert, dass Sie das nie sicher sagen können.
Die Autoren sagen: "Stell dir vor, du fragst nicht nur nach der Farbe, sondern auch nach der Form, der Größe und dem Gewicht."

Indem sie die Frage erweitern (mehr Informationen gleichzeitig schätzen), schaffen sie es, die mathematischen Bedingungen zu erfüllen, die für die einfache Frage nicht ausreichten. Es ist wie beim Lösen eines Rätsels: Manchmal hilft es, nicht nur nach der Antwort zu suchen, sondern das ganze Rätsel zu erweitern, damit die Lösung sichtbar wird.

🚀 Warum ist das wichtig?

In unserer modernen Welt sind viele Dinge vernetzt:

Autonomes Fahren: Ein Auto muss Bremsen, aber die Sensoren haben eine Verzögerung.
Internet-Steuerung: Ein Roboter in einer Fabrik wird per Internet gesteuert. Die Signale brauchen Zeit.
Medizin: Bei der Überwachung von Patienten können Messwerte verzögert eintreffen.

Wenn man diese Verzögerungen ignoriert, kann das System instabil werden (das Auto bremst zu spät, der Roboter kollidiert). Diese Forschung bietet einen Bauplan, wie man für jeden dieser Fälle den perfekten "Detektiv" (Beobachter) baut, der trotz der Verzögerungen immer weiß, was gerade passiert.

Zusammenfassung in einem Satz:

Die Autoren haben gezeigt, wie man auch dann noch den genauen Zustand eines Systems vorhersagen kann, wenn die Nachrichten über dieses System extrem langsam oder unregelmäßig eintreffen, indem man intelligente Detektive mit Gedächtnis und erweiterten Fragen baut.

Each language version is independently generated for its own context, not a direct translation.

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Existenz und Entwurf von Funktionalbeobachtern für Zeitsystem mit verzögerten Ausgangsmessungen

Autoren: Hieu Trinh, Phan Thanh Nam, Tyrone Fernando

1. Problemstellung

Das Paper adressiert das Problem der Zustandsschätzung für lineare Systeme mit Zeitverzögerungen. Der zentrale Unterschied zu bisherigen Arbeiten liegt in der Behandlung von nicht übereinstimmenden Verzögerungen:

$\tau$ (Zustandsverzögerung): Die Verzögerung, die die Systemdynamik (Zustandsentwicklung) beeinflusst.
$h$ (Messverzögerung): Die Verzögerung, die bei den verfügbaren Ausgangsmessungen auftritt.

In der Praxis (z. B. in vernetzten Steuerungssystemen) sind diese beiden Verzögerungen oft unterschiedlich ( $h \neq \tau$ ) und die Messungen sind nicht sofort verfügbar. Das Ziel ist die Schätzung eines gewünschten Funktionals $z(t) = Fx(t)$ , ohne den gesamten Zustandsvektor $x(t)$ rekonstruieren zu müssen. Herkömmliche Beobachter gehen oft von sofortigen Messungen aus oder setzen voraus, dass die Beobachterordnung gleich der Anzahl der zu schätzenden Funktionale ist, was nicht immer möglich ist.

2. Methodik und theoretischer Rahmen

Erweiterter Zustandsraum und verallgemeinerte Funktionale

Da Zeitsysteme unendlich-dimensional sind, führen die Autoren einen erweiterten verzögerten Zustandsraum ein, um das Problem endlich-dimensional zu formulieren:

Für $h \leq \tau$ : $\xi(t) = [x(t)^T, x(t-\tau)^T]^T \in \mathbb{R}^{2n}$ .
Für $h > \tau$ : $\xi(t) = [x(t)^T, x(t-\tau)^T, x(t-h)^T]^T \in \mathbb{R}^{3n}$ .

Auf Basis dieses Raums werden verallgemeinerte Funktionale definiert, die sowohl aktuelle als auch verzögerte Zustandskomponenten beinhalten. Dies erhöht die Flexibilität bei der Erfüllung der Existenzbedingungen für Beobachter.

Drei Beobachter-Strukturen

Es werden drei verschiedene Strukturen für Funktionalbeobachter vorgeschlagen, um unterschiedliche Verzögerungskonfigurationen abzudecken:

Struktur A: Ein verzögerungsfreier dynamischer Beobachter, der durch verzögerte Messungen und Eingänge angetrieben wird.
Struktur B: Erweitert Struktur A um interne Verzögerungsdynamiken im Beobachterzustand (enthält Terme wie $w(t-\tau)$ ).
Struktur C: Eine weiter generalisierte Struktur, die zusätzliche interne Verzögerungskanäle (z. B. $w(t-h)$ , $y(t-h)$ , $y(t-2\tau)$ ) integriert, um maximale Flexibilität zu bieten.

Entwurfsverfahren

Der Entwurf folgt einem systematischen Ansatz:

Entkopplung: Es werden algebraische Bedingungen hergeleitet, die sicherstellen, dass die Fehlerdynamik unabhängig vom Systemzustand und den Eingängen ist (d. h. $\dot{e}(t) = N e(t) + \dots$ ).
Existenzbedingungen: Die Bedingungen werden als Rangbedingungen (basierend auf dem Lemma von [18]) und Spektralbedingungen (Hurwitz-Stabilität) formuliert.
Stabilitätsanalyse: Die Stabilität der Fehlerdynamik wird durch die Lösung von Linearen Matrixungleichungen (LMIs) sichergestellt.
- Für den Fall $h=\tau$ (Struktur A/B) wird ein LMI basierend auf Lyapunov-Krasovskii-Funktionale verwendet (Lemma 4).
- Für den Fall $h > \tau$ (Struktur C) wird ein komplexeres LMI für Systeme mit zwei unterschiedlichen Verzögerungen verwendet (Lemma 3).
Konstruktiver Synthese: Falls eine Minimalordnung nicht existiert, wird eine Funktional-Erweiterung durchgeführt. Das bedeutet, dass zusätzliche Funktionale geschätzt werden, um die Ordnung des Beobachters zu erhöhen und die Existenzbedingungen zu erfüllen.

3. Wichtige Beiträge

Unterscheidung der Verzögerungen: Erster Ansatz, der explizit zwischen Zustandsverzögerung ( $\tau$ ) und Messverzögerung ( $h$ ) trennt und die Nicht-Übereinstimmung ( $h \neq \tau$ ) systematisch behandelt.
Flexible Beobachterordnungen: Die Arbeit zeigt, dass ein Beobachter der Minimalordnung nicht immer existiert. Sie bietet einen Rahmen, um Beobachter höherer Ordnung durch Erweiterung des zu schätzenden Funktionalraums zu konstruieren.
Verallgemeinerte Funktionale: Die Einführung von Funktionale über den erweiterten Zustandsvektor ermöglicht es, Existenzbedingungen zu erfüllen, die bei reinen instantanen Funktionale nicht erfüllt wären.
Vollständige Synthese: Für jede der drei Strukturen werden notwendige und hinreichende algebraische Bedingungen sowie konstruktive Verfahren zur Berechnung der Beobachtermatrizen bereitgestellt.
LMI-basierte Stabilität: Die Stabilitätsbedingungen werden in Form numerisch überprüfbarer LMIs formuliert, was die praktische Anwendung erleichtert.

4. Ergebnisse und Beispiele

Die Autoren validieren ihre Theorie durch numerische Beispiele (Beispiel 1 und 2):

Fall $h = \tau$ : Es wird gezeigt, wie ein Minimalordnungs-Beobachter (Struktur A) entworfen wird. Wenn dies nicht möglich ist (z. B. wegen fehlender Rangbedingungen), wird erfolgreich auf einen Beobachter höherer Ordnung (Struktur A mit erweitertem Funktional) oder auf Struktur B (mit interner Verzögerung) ausgewichen.
Fall $h > \tau$ : Ein Szenario wird untersucht, bei dem die Messverzögerung größer ist als die Systemverzögerung. Hier zeigt sich, dass Struktur B versagen kann (Instabilität), während Struktur C erfolgreich angewendet werden kann, um den Zustand trotz der großen Messverzögerung stabil zu schätzen.
Die Beispiele demonstrieren, dass die vorgeschlagenen Methoden auch in Fällen funktionieren, in denen herkömmliche Methoden scheitern (z. B. wenn die Matrix $N$ nicht Hurwitz ist, aber durch die Wahl von $Z$ in der allgemeinen Lösung stabilisiert werden kann).

5. Bedeutung und Ausblick

Diese Arbeit schließt eine wichtige Lücke in der Literatur zu Funktionalbeobachtern für Zeitsysteme.

Praktische Relevanz: Da Messverzögerungen in vernetzten Steuerungssystemen (NCS) und verteilten Systemen unvermeidbar sind, bietet dieser Ansatz robuste Lösungen für die Zustandsschätzung unter realen Bedingungen.
Design-Flexibilität: Die Fähigkeit, die Beobachterordnung anzupassen und verallgemeinerte Funktionale zu nutzen, erweitert den Anwendungsbereich erheblich.
Zukünftige Arbeiten: Die Autoren verweisen auf mögliche Erweiterungen auf Systeme mit zeitvariablen Verzögerungen, unsicheren Parametern oder nichtlinearen Dynamiken sowie die Integration in Output-Feedback-Stabilisierungsrahmenwerke.

Zusammenfassend liefert das Paper einen rigorosen und konstruktiven Rahmen für den Entwurf von Funktionalbeobachtern, der die Komplexität unterschiedlicher Verzögerungen in der Zustandsdynamik und bei den Messungen erfolgreich bewältigt.