Data-Driven Boundary Control of Distributed Port-Hamiltonian Systems

Die vorgestellte Arbeit kombiniert das maschinelle Lernen mit Gauß-Prozessen und die Port-Hamiltonian-Systemtheorie, um eine datengetriebene Randregelung für verteilte Systeme zu entwickeln, die trotz unbekannter Dynamiken und Modellunsicherheiten probabilistische Stabilitätsgarantien bietet.

Das Wesentliche

Das große Problem: Der „Unbekannte" im Maschinenraum

Stellen Sie sich vor, Sie wollen ein riesiges, komplexes Schiff steuern (das ist unser physikalisches System, z. B. Wasser in einem Kanal). Normalerweise brauchen Sie einen perfekten Bauplan, um zu wissen, wie das Schiff auf Wind und Wellen reagiert.

Das Problem bei vielen modernen Systemen (wie Wasserströmen oder flexiblen Brücken) ist jedoch: Der Bauplan ist unvollständig. Wir wissen zwar, wie das Schiff grundsätzlich gebaut ist (die Form des Rumpfes), aber wir kennen die genauen Reibungswerte im Wasser oder wie sich das Material bei extremer Hitze verhält nicht genau. Es gibt „dunkle Ecken" im Modell.

Wenn Sie einen Steuerungsversuch machen, der auf einem falschen Bauplan basiert, kann das Schiff ins Wackeln geraten oder sogar kentern.

Die Lösung: Ein lernender Navigator mit „Zweifel"-Sensor

Die Autoren dieses Papiers haben eine clevere Idee entwickelt, die zwei Welten verbindet: Künstliche Intelligenz (KI) und klassische Physik.

Stellen Sie sich den Ansatz wie folgt vor:

1. Der lernende Navigator (Gaussian Process):
   Anstatt zu versuchen, die unbekannten Teile des Schiffes auswendig zu lernen, geben wir dem Navigator (einem KI-Modell namens Gaussian Process) einfach ein paar Daten: „Hier war das Wasser vorhin so tief, hier war der Wind so stark."
   Der Navigator lernt daraus nicht nur eine Vorhersage, sondern er ist auch ehrlich über sein Unwissen. Er sagt nicht nur: „Ich denke, das Wasser ist 2 Meter tief", sondern fügt hinzu: „Ich bin mir zu 95 % sicher, dass es zwischen 1,8 und 2,2 Meter ist."
   Das ist der Clou: Die KI weiß genau, wo ihre Vorhersagen unsicher sind.

2. Der physikalische Sicherheitsgurt (Port-Hamiltonian Systeme):
   Physik folgt bestimmten Gesetzen, vor allem dem Energieerhaltungssatz. Das System wird als Port-Hamiltonian System beschrieben. Das klingt kompliziert, ist aber im Grunde wie ein Energie-Budget.

   • Energie kann hineinfließen (durch den Motor/Steuerung).
   • Energie kann herausfließen (durch Reibung/Widerstand).
   • Energie muss irgendwo hin.

   Das Problem bei vielen alten Steuerungsmethoden war der „Reibungs-Fluch": Wenn Reibung im System ist, kann man die Energie oft nicht mehr perfekt formen, um das Schiff stabil zu halten. Es ist, als würde man versuchen, einen Ball auf einer rutschigen Rutsche genau in der Mitte zu halten – er rutscht immer weg.

3. Der Trick mit dem neuen „Sichtfeld" (Passive Outputs):
   Die Forscher haben einen cleveren Trick gefunden, um den Reibungs-Fluch zu umgehen. Sie haben eine neue Art von „Sensoren" erfunden (neue passive Ausgänge).

   • Analogie: Stellen Sie sich vor, Sie steuern ein Auto nicht nur durch das Lenkrad, sondern nutzen auch einen cleveren Algorithmus, der die Reibung der Reifen in Echtzeit kompensiert, indem er die Bremskraft anpasst.
   • Durch diesen Trick können sie die Energie des Systems so formen, dass es stabil bleibt, selbst wenn Reibung da ist.

Wie alles zusammenkommt: Der „Sicherheits-Plan"

Jetzt verbinden wir die KI mit dem physikalischen Plan:

• Schritt 1: Die KI schaut sich die Daten an und erstellt einen „besten Schätzwert" für das unbekannte Verhalten des Systems.
• Schritt 2: Der Controller (der Steuermann) nutzt diesen Schätzwert, um die Energie des Systems zu formen und es stabil zu halten.
• Schritt 3 (Das Wichtigste): Da die KI unsicher ist, nutzt der Controller diese Unsicherheits-Angabe als Sicherheitspuffer.

Die Mathematik der Autoren zeigt: Solange die Reibung im System stark genug ist, um die „Fehler" der KI zu überdecken, passiert nichts Schlimmes.

• Metapher: Wenn Sie auf einem unebenen Weg fahren (unsicheres Modell), aber Ihr Auto sehr gute Stoßdämpfer hat (starke physikalische Reibung), dann wackelt das Auto zwar ein bisschen, bleibt aber auf der Straße. Die KI sagt uns genau, wie stark die Stoßdämpfer sein müssen, damit wir sicher bleiben.

Das Ergebnis im Test: Wasser in einem Kanal

Die Autoren haben ihr System an einem Flusskanal getestet.

• Die Aufgabe: Das Wasser soll auf einer bestimmten Höhe gehalten werden.
• Das Hindernis: Ein Teil der physikalischen Formeln (die Turbulenzen) war dem Computer unbekannt.
• Der Erfolg: Der Controller hat das Wasser trotzdem perfekt geregelt.
  • Wenn das Modell perfekt gewesen wäre, wäre die Energie des Systems perfekt abgefallen.
  • Da das Modell nur eine Schätzung war, gab es kleine Schwankungen. Aber dank der „Sicherheitsanalyse" wussten die Forscher: „Okay, die Energie schwankt ein bisschen, aber sie wird niemals explodieren. Das System bleibt sicher."

Fazit in einem Satz

Die Forscher haben eine Methode entwickelt, bei der eine KI lernt, was sie nicht weiß, und diese Unsicherheit nutzt, um einen physikalischen Sicherheitsgurt zu spannen. So können wir komplexe Systeme (wie Wasserströme oder Brücken) auch dann sicher steuern, wenn wir nicht alle physikalischen Details im Voraus kennen.

Technische Zusammenfassung

1. Problemstellung

Die Steuerung physikalischer Systeme, die durch partielle Differentialgleichungen (PDEs) beschrieben werden, ist in vielen Bereichen (Physik, Ingenieurwesen) von zentraler Bedeutung. Ein mächtiger Rahmen für die Modellierung solcher Systeme mit räumlicher Ausdehnung sind verteilte Port-Hamiltonische Systeme (dPHS). Diese Frameworks basieren auf Energieerhaltung und -dissipation.

Das Hauptproblem, das in diesem Paper adressiert wird, ist die Abhängigkeit von genauen physikalischen Modellen. Herkömmliche modellbasierte Regelungsverfahren (insbesondere die Stabilisierung durch Interkonnektion via Casimir-Funktionen) setzen eine exakte Kenntnis des Hamilton-Funktionals voraus. In der Praxis sind die Dynamiken jedoch oft stark nichtlinear, teilweise unbekannt oder durch komplexe Materialeigenschaften geprägt, was die exakte Modellierung erschwert.

Ein spezifisches Hindernis in der dPHS-Regelung ist das sogenannte „Dissipations-Obstacle": Bei Systemen mit innerer Dissipation (z. B. Reibung in flachen Gewässern) ist es mit klassischen energiebasierenden Methoden unmöglich, die Energie des Systems in dissipativen Richtungen zu formen, um ein gewünschtes Gleichgewicht zu erreichen.

2. Methodik

Die Autoren schlagen einen datengetriebenen, bayesschen Regelungsansatz vor, der Gaussian Process (GP) Regression mit der dPHS-Theorie kombiniert. Der Ansatz gliedert sich in folgende Schritte:

A. Gaussian Process dPHS (GP-dPHS) Lernen

Anstatt das Hamilton-Funktional $H$ analytisch abzuleiten, wird es aus Daten gelernt.

• Datenerfassung: Es werden Zustandsmessungen $x(t, z)$ zu verschiedenen Zeitpunkten und räumlichen Punkten gesammelt, angeregt durch eine Eingangssequenz $u(t)$.
• Modellierung: Ein Gaußscher Prozess (GP) wird verwendet, um das unbekannte Hamilton-Funktional zu approximieren. Aufgrund der Invarianz von GPs unter linearen Transformationen wird ein physik-informierter Kernel ($k_{dPHS}$) entwickelt, der die Struktur der dPHS-Dynamik (bestehend aus den bekannten Matrizen $P_1, P_0, G_0$ und dem unbekannten Hamiltonian) in den Lernprozess integriert.
• Unsicherheitsquantifizierung: Das GP-Modell liefert nicht nur eine Vorhersage (Posterior-Mittelwert $\mu(\hat{H}|E)$), sondern auch eine explizite Unsicherheit (Varianz). Dies ist entscheidend für die Robustheitsanalyse.

B. Regelung durch Interkonnektion (Control by Interconnection)

Basierend auf dem gelernten Modell wird ein Regler entworfen:

• Casimir-Funktionen: Es werden Casimir-Funktionen eingeführt, die eine Beziehung zwischen dem Systemzustand und dem Reglerzustand herstellen, die unabhängig von der spezifischen Wahl des Hamiltonians ist. Dies ermöglicht die Formung der geschlossenen Schleifen-Energie.
• Überwindung des Dissipations-Obstacles: Um das Problem der inneren Dissipation zu lösen, wird eine neue passive Ausgabe $\bar{y}$ definiert. Diese Ausgabe modifiziert den Eingangs-Ausgangs-Pfad so, dass der Regler die Energie auch in dissipativen Richtungen formen kann, ohne dass das System instabil wird.
• Reglerstruktur: Ein endlicher Regler (PHS-Form) wird mit dem verteilten System über eine leistungserhaltende Interkonnektion verbunden.

C. Robustheitsanalyse unter Modellunsicherheit

Da der Regler auf dem gelernten Modell basiert, aber auf dem realen (unbekannten) System angewendet wird, entsteht ein Modellfehler $\eta(x)$.

• Die Autoren leiten probabilistische Bedingungen her, unter denen die geschlossenen Schleifen-Trajektorien beschränkt bleiben.
• Unter der Annahme, dass der Dissipationsterm $G_0$ die Modellunsicherheit dominiert, wird gezeigt, dass die Gesamtenergie $H_d$ trotz Modellfehlers in einer beschränkten Menge konvergiert.

3. Hauptbeiträge

1. Integration von GP und dPHS: Entwicklung eines GP-dPHS-Modells, das die unbekannte Hamilton-Struktur aus Daten lernt, während die physikalische Struktur (Stokes-Dirac-Struktur) erhalten bleibt.
2. Datengetriebene Überwindung des Dissipations-Obstacles: Ein Regelungsansatz, der die neuen passiven Ausgänge nutzt, um die Stabilisierung von Systemen mit innerer Dissipation auch bei unvollständiger Modellkenntnis zu ermöglichen.
3. Probabilistische Stabilitätsanalyse: Herleitung von Bedingungen für die ultimative Beschränktheit (ultimate boundedness) der Systemzustände mit einer bestimmten Wahrscheinlichkeit, basierend auf der Unsicherheitsquantifizierung des GP-Modells.
4. Anwendung auf nichtlineare PDEs: Demonstration des Konzepts an den nichtlinearen flachen Gewässergleichungen (Shallow Water Equations), einem klassischen Beispiel für ein dissipatives PDE-System.

4. Ergebnisse (Simulation)

Die Methode wurde an einem simulierten System flacher Gewässer getestet:

• Szenario: Ein rechteckiger Kanal mit unitärer Breite, linearer Reibung und einem unbekannten nichtlinearen Term (Turbulenzmodell $\Delta(p)$), der als unbekannt angenommen wurde.
• Lernprozess: Ein GP wurde mit 100 Trainingspunkten trainiert, um das Hamilton-Funktional zu approximieren.
• Regelungserfolg: Der Regler führte das Wasserspiegelprofil von einem konstanten Anfangszustand zu einem gewünschten Gleichgewichtszustand.
• Robustheit: Die Simulation zeigte, dass die Energie des geschlossenen Kreises aufgrund des Modellfehlers vorübergehend ansteigen kann, aber gemäß der theoretischen Vorhersage (Proposition 3) in einer beschränkten Umgebung des Gleichgewichts konvergiert. Im Vergleich dazu würde ein perfektes Modell zu einer strikt nicht-steigenden Energie führen.

5. Bedeutung und Fazit

Dieses Paper stellt einen wichtigen Schritt in der sicheren und robusten Regelung komplexer physikalischer Systeme dar, bei denen exakte Modelle nicht verfügbar sind.

• Physikalische Interpretierbarkeit: Im Gegensatz zu reinen „Black-Box"-ML-Ansätzen behält der Ansatz die physikalische Struktur (Energieerhaltung, Passivität) bei.
• Sicherheit durch Unsicherheit: Die explizite Nutzung der Unsicherheitsquantifizierung des GPs erlaubt es, Stabilitätsaussagen auch bei Modellabweichungen zu treffen, was für den Einsatz in kritischen Anwendungen essenziell ist.
• Allgemeingültigkeit: Der Ansatz ist nicht auf flache Gewässer beschränkt, sondern kann prinzipiell auf jede Klasse von dPHS-Systemen mit teilweise unbekannten Nichtlinearitäten angewendet werden.

Zusammenfassend demonstriert die Arbeit, wie datengetriebene Methoden und physikalische Modellierung erfolgreich fusioniert werden können, um die Grenzen klassischer regelungstheoretischer Ansätze (wie das Dissipations-Obstacle) zu überwinden und robuste Lösungen für nichtlineare PDE-Systeme zu bieten.