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

1. Problemstellung

Das Paper adressiert das Steuerungsproblem linearer Systeme mit zeitvariablen Verzögerungen sowohl im Eingangssignal (Input Delay) als auch in der Messung (Measurement Delay). Solche Verzögerungen treten häufig in cyber-physischen Systemen aufgrund von Kommunikationsnetzwerken, Rechenpipelines und Latenzen auf.

• Herausforderung: Klassische Prädiktor-Feedback-Methoden (Predictor Feedback) sind theoretisch in der Lage, beliebig lange Verzögerungen zu kompensieren, indem sie den zukünftigen Systemzustand rekonstruieren. Für zeitvariante Verzögerungen $D(t)$ hängt der Prädiktor-Horizont jedoch von der inversen Verzögerungsfunktion $\psi(t) = \phi^{-1}(t) - t$ ab, wobei $\phi(t) = t - D(t)$.
• Das Kernproblem: In den meisten praktischen Fällen ist die inverse Funktion $\phi^{-1}$ nicht in geschlossener Form (closed form) verfügbar. Eine exakte Implementierung ist daher unmöglich, und Näherungsmethoden sind erforderlich.
• Ziel: Entwicklung eines Output-Feedback-Regelungsentwurfs, der robust gegenüber Approximationsfehlern der inversen Verzögerungsfunktion ist, und Vergleich zweier verschiedener Näherungsmethoden (numerisch vs. lernbasiert).

2. Methodik

Die Autoren schlagen einen dreistufigen Regelungsansatz vor, der auf der Kombination eines Beobachters (Observer) und eines Prädiktors basiert:

1. Beobachter (Observer): Rekonstruktion des verzögerten Zustands $Z(\phi_2(t))$ aus den verzögerten Messungen $Y(t)$.
2. Zustandsrekonstruktion (Reconstruction): Vorwärtspropagierung des geschätzten Zustands auf den aktuellen Zeitpunkt $t$ unter Verwendung der Systemdynamik.
3. Prädiktion (Prediction): Vorhersage des zukünftigen Zustands $\hat{P}(t)$ zum Zeitpunkt $t + \psi(t)$, wobei $\psi(t)$ der Prädiktor-Horizont ist.

Da $\psi(t)$ nicht exakt berechnet werden kann, werden zwei Approximationsverfahren entwickelt, um die inverse Verzögerungsfunktion zu bestimmen:

• Ansatz A: Numerische Integration (ODE-basiert):

  • Die inverse Funktion wird als Lösung einer gewöhnlichen Differentialgleichung (ODE) formuliert: $\dot{\psi}(t) = \frac{\dot{D}(t+\psi(t))}{1-\dot{D}(t+\psi(t))}$.
  • Diese ODE wird numerisch gelöst (z. B. mit dem Euler-Verfahren oder Runge-Kutta).
  • Nachteil: Der Fehler wächst mit der Länge des Zeithorizonts $T$ (Gronwall-Argument), was die Genauigkeit über lange Zeiträume teuer macht.

• Ansatz B: Neuronale Operatoren (Data-Driven):

  • Die inverse Abbildung wird als Operator-Lernproblem formuliert: $\Psi: D \mapsto \psi$.
  • Es wird ein Fourier Neural Operator (FNO) verwendet, um die Abbildung von der Verzögerungsfunktion $D$ direkt auf den Prädiktor-Horizont $\psi$ zu lernen.
  • Vorteil: Nach dem Offline-Training ist die Online-Berechnung extrem schnell (Faktor 1000 schneller als numerische Integration in einigen Fällen).
  • Theoretische Basis: Es wird bewiesen, dass die inverse Verzögerungsfunktion auf kompakten Mengen Lipschitz-stetig ist, was die universelle Approximationsfähigkeit neuronaler Operatoren begründet.

Stabilitätsanalyse:
Die Autoren nutzen eine Backstepping-Transformation, um das System in eine Transport-PDE-ODE-Kaskade zu überführen. Sie leiten eine Lyapunov-Funktionalanalyse durch, um zu zeigen, dass das geschlossene Regelkreis-System global exponentiell stabil bleibt, solange der Approximationsfehler $\epsilon = |\psi(t) - \hat{\psi}(t)|$ hinreichend klein ist.

3. Wichtige Beiträge

1. Operator-Theoretischer Rahmen:

   • Formulierung der inversen Verzögerungswiederherstellung als Operator-Approximationsproblem.
   • Beweis der Lipschitz-Stetigkeit der inversen Verzögerungsfunktion auf kompakten Mengen, was die theoretische Grundlage für beide Approximationsansätze bildet.

2. Zwei Approximationstheoreme:

   • Ein Theorem liefert strenge Fehlergrenzen für die numerische ODE-Integration (Euler-Verfahren).
   • Ein zweites Theorem (basierend auf Universal Approximation Theorems für Neuronale Operatoren) garantiert, dass ein neuronaler Operator die inverse Abbildung mit beliebiger Genauigkeit auf kompakten Mengen lernen kann.

3. Robuster Output-Feedback-Entwurf:

   • Entwicklung des ersten Prädiktor-Feedback-Output-Feedback-Reglers für lineare Systeme mit sowohl zeitvariablen Eingangs- als auch Messverzögerungen.
   • Herleitung hinreichender Bedingungen, unter denen die exponentielle Stabilität trotz unvollkommener Inversion der Verzögerungsfunktion erhalten bleibt.

4. Vergleich und Trade-offs:

   • Systematischer Vergleich zwischen der klassischen numerischen Methode und dem lernbasierten Ansatz hinsichtlich Genauigkeit und Recheneffizienz.

4. Ergebnisse

Die numerischen Experimente wurden an einem instabilen linearen System mit oszillierenden, nicht-analytisch invertierbaren Verzögerungsfunktionen durchgeführt.

• Stabilität: Der vorgeschlagene Regler stabilisierte das System erfolgreich. Der Beobachter konvergierte schnell, und der Prädiktor kompensierten die Verzögerungen effektiv.
• Genauigkeit vs. Geschwindigkeit:
  • Euler-Verfahren: Benötigte ca. 11,98 ms pro Evaluation.
  • Runge-Kutta (RK4): Benötigte ca. 42,50 ms (ca. 3,5-fache Kosten gegenüber Euler).
  • Neural Operator (FNO): Benötigte nur ca. 2,01 ms pro Evaluation (auf GPU). Dies entspricht einer 6-fachen Beschleunigung gegenüber Euler und einer 21-fachen Beschleunigung gegenüber RK4.
• Kompromiss: Der neuronale Operator ist zwar deutlich schneller, weist jedoch einen leicht höheren Approximationsfehler auf als die hochpräzisen numerischen Integratoren. Dennoch war der Fehler klein genug, um die Stabilitätsbedingungen des Theorems zu erfüllen.

5. Bedeutung und Fazit

Das Paper stellt einen bedeutenden Fortschritt in der Regelungstechnik mit Zeitverzögerungen dar, indem es die Lücke zwischen theoretischen Prädiktor-Methoden und praktischer Implementierbarkeit bei zeitvariablen Verzögerungen schließt.

• Praktische Relevanz: Da die inverse Verzögerungsfunktion in realen Anwendungen selten analytisch lösbar ist, bieten die vorgeschlagenen Approximationsmethoden (insbesondere die neuronale Operator-Methode) einen Weg zur Echtzeit-Implementierung komplexer Prädiktor-Regler.
• Paradigmenwechsel: Die Arbeit demonstriert erfolgreich, wie datengetriebene Methoden (Neural Operators) in die strenge Stabilitätstheorie der Regelungstechnik integriert werden können, ohne die mathematischen Garantien aufzugeben.
• Skalierbarkeit: Der Ansatz ist besonders vielversprechend für Systeme, bei denen die Rechenzeit für die numerische Integration zu groß wäre, um die Regelungsrate einzuhalten, aber eine einmalige Offline-Trainingsphase akzeptabel ist.

Zusammenfassend beweist das Paper, dass Prädiktor-Feedback auch bei zeitvariablen Verzögerungen und ohne geschlossene Form der Inversen stabil und effizient implementiert werden kann, wobei neuronale Operatoren eine überlegene Alternative zu klassischen numerischen Methoden in Bezug auf die Rechengeschwindigkeit bieten.