⚡ electrical engineering

Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis

Dieser Beitrag stellt die dynamische modale adaptive Regelung (DMAC) vor, eine modellfreie, datengestützte Synthesemethode, die eine rekursive Kleinst-Quadrate-Dynamikapproximation mit einem online adaptiven Reglerentwurf kombiniert, um Systeme mit unbekannten oder ungeeigneten mathematischen Modellen zu stabilisieren, was durch theoretische Analyse und numerische Beispiele validiert wird.

Ursprüngliche Autoren: Parham Oveissi, Ankit Goel

Veröffentlicht 2026-04-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Parham Oveissi, Ankit Goel

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

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, einen Besen auf seiner Hand zu balancieren. Normalerweise würden Ingenieure zunächst ein komplexes Mathematik-Lehrbuch schreiben, das genau beschreibt, wie sich der Besen bewegt, wie der Wind ihn beeinflusst und wie die Muskeln des Roboters funktionieren. Anschließend würden sie dieses Lehrbuch nutzen, um einen Regler zu entwerfen.

Aber was ist, wenn der Besen aus einem seltsamen, unbekannten Material besteht oder der Wind chaotisch und unvorhersehbar ist? Sie haben kein Lehrbuch. Sie können die Mathematik nicht aufschreiben.

Dieser Beitrag stellt eine neue Methode vor, die DMAC (Dynamic Mode Adaptive Control) genannt wird. Betrachten Sie DMAC nicht als einen Schüler, der ein Lehrbuch liest, sondern als einen super-schnellen, intuitiven Lehrling, der durch Tun lernt, direkt im Moment.

So funktioniert es, aufgeschlüsselt in einfache Konzepte:

1. Die „Vermuten und Prüfen"-Schleife (Die Denkweise des Lehrlings)

Anstatt vorab ein perfektes Modell des Systems zu benötigen, betrachtet DMAC, was gerade passiert ist, und fragt: „Wenn ich als Nächstes das tue, was wird dann passieren?"

Die Analogie: Stellen Sie sich vor, Sie fahren mit einem Auto auf einer nebligen Straße, auf der Sie die Kurven voraus nicht sehen können. Sie haben keine Karte. Stattdessen schauen Sie auf die letzten paar Sekunden der Straße, die Sie gerade gefahren sind. Sie schätzen schnell: „Okay, die Straße scheint leicht nach links zu kurven." Sie drehen das Lenkrad ein winziges Stück nach links. Dann schauen Sie erneut, aktualisieren Ihre Vermutung und passen an.
In der Arbeit: DMAC nimmt ständig die neuesten Messungen (wie sich das System bewegt hat) und verwendet einen mathematischen Trick namens Rekursive Kleinste-Quadrate-Methode, um einen winzigen, lokalen „Schnappschuss" davon zu erstellen, wie sich das System gerade verhält. Es versucht nicht, das gesamte Universum des Systems zu verstehen; es ermittelt lediglich den unmittelbar nächsten Schritt.

2. Der „Vergessen"-Mechanismus (Frisch bleiben)

Die Welt verändert sich. Ein Automotor könnte heiß werden, oder eine Flüssigkeit könnte dicker werden. Ein Modell, das gestern erstellt wurde, könnte heute nutzlos sein.

Die Analogie: Stellen Sie sich DMAC als jemanden mit einem sehr kurzfristigen Gedächtnis vor, das ständig gelöscht wird. Es interessiert sich am meisten dafür, was gerade eben passiert ist. Es verwendet einen „Vergessensfaktor", der wie ein verblassender Textmarker wirkt. Er hebt die neuesten Daten hell hervor und lässt die alten Daten in den Hintergrund verblassen. Dies ermöglicht dem Regler, sich sofort anzupassen, wenn sich das Verhalten des Systems plötzlich ändert.
In der Arbeit: Der Algorithmus verwendet einen „Vergessensfaktor", um neuere Daten zu betonen und ältere Messungen zu entwerten. Dies ist entscheidend für Systeme, die nichtlinear sind oder sich im Laufe der Zeit verändern.

3. Der „Stabilisator" (Das Sicherheitsnetz)

Sobald DMAC eine Vermutung darüber angestellt hat, wie das System funktioniert, berechnet es sofort ein Steuersignal, um die Stabilität zu gewährleisten.

Die Analogie: Stellen Sie sich einen Seiltänzer vor. DMAC ist das Gehirn des Tänzers. Es betrachtet den Wind (die Daten), schätzt, wie das Seil schwanken wird, und verlagert sofort sein Gewicht (den Steuereingang), um im Gleichgewicht zu bleiben. Wenn sich der Wind ändert, berechnet das Gehirn die Verlagerung sofort neu.
In der Arbeit: Die Methode verwendet den soeben erstellten „Schnappschuss", um einen Regler zu berechnen, der eine Integralwirkung beinhaltet. Das ist eine ausgefallene Art zu sagen, dass er nicht nur den aktuellen Fehler behebt; er erinnert sich an vergangene Fehler, um sicherzustellen, dass sich das System schließlich genau dort einstellt, wo es sein soll, selbst wenn Störungen auftreten.

4. Der „Stups" (Der geheime Bestandteil)

Um effektiv zu lernen, muss man manchmal Dinge ausprobieren, die nicht perfekt effizient sind, nur um zu sehen, wie das System reagiert.

Die Analogie: Wenn Sie versuchen, den Grundriss eines dunklen Raumes zu lernen, könnten Sie die Wände vorsichtig mit einem Stock abtasten. Sie versuchen nicht, Möbel zu bewegen; Sie „stupsen" die Umgebung nur an, um ein besseres Gefühl dafür zu bekommen, wo die Wände sind.
In der Arbeit: Die Autoren fügen ein kleines, zufälliges „Anregungs"-Signal zum Steuereingang hinzu. Dies ist ein winziger, harmloser Stups, der sicherstellt, dass das System immer genug Bewegung aufweist, damit DMAC gute Daten zum Lernen hat. Ohne diesen Stups könnte das System stillsitzen, und DMAC würde aufhören zu lernen.

Was haben sie bewiesen?

Der Beitrag sagt nicht nur „das funktioniert"; sie haben die Mathematik durchgeführt, um zu beweisen, dass es sicher und zuverlässig ist.

Konvergenz: Sie bewiesen, dass, solange das System ausreichend „gestupst" wird, die Vermutungen von DMAC über die Funktionsweise des Systems sich der Wahrheit immer weiter annähern.
Beschränktheit: Sie bewiesen, dass selbst wenn das System chaotisch ist oder die Daten verrauscht sind, das System nicht außer Kontrolle gerät. Es bleibt innerhalb eines sicheren, vorhersehbaren Bereichs.
Tests in der realen Welt: Sie testeten dies an drei sehr unterschiedlichen Dingen:
1. Einem instabilen linearen System (wie einem wackeligen Stock).
2. Dem Van-der-Pol-Oszillator (ein klassisches, kniffliges nichtlineares System, das auf seltsame Weise hin und her schwingt).
3. Der Burgers-Gleichung (ein komplexes Modell, das für Strömungsmechanik verwendet wird, wie Luft, die über einen Flügel strömt, oder Wasser in einem Rohr).

Das Fazit

DMAC ist eine Möglichkeit, komplexe, chaotische oder unbekannte Systeme zu regeln, ohne dass ein vorab geschriebenes Handbuch benötigt wird. Es erstellt sein eigenes Handbuch Seite für Seite, in Echtzeit, unter Verwendung ausschließlich der Daten, die es messen kann. Es ist wie einem Roboter beizubringen, zu tanzen, indem man seine eigenen Füße beobachten lässt, wie sie sich bewegen, anstatt ein Buch über Tanztheorie zu lesen.

Die Autoren betonen, dass diese Methode modellfrei ist (kein mathematisches Modell erforderlich), datengetrieben (lernt aus Messungen) und adaptiv (ändert sich, wenn sich das System ändert). Sie zeigten, dass sie bei allem funktioniert, von einfachen mathematischen Problemen bis hin zu komplexen Strömungsgleichungen, und bleibt robust, selbst wenn die Einstellungen angepasst werden.

1. Problemstellung

Das Paper befasst sich mit der Regelung komplexer technischer Systeme (z. B. Strömungen, Verbrennungsprozesse, flexible Strukturen), bei denen:

Mathematische Modelle nicht verfügbar oder ungeeignet sind: Hochgenaue physikbasierte Modelle sind für die Echtzeitregelung oft zu rechenintensiv, und Modelle aus ersten Prinzipien existieren möglicherweise nicht.
Hochdimensionale Sensorik vorliegt: Systeme verfügen häufig über verteilte Sensoren, die hochdimensionale Daten erzeugen, während die Regelungsziele auf niederdimensionalen physikalischen Variablen definiert sind.
Bestehende Methoden limitiert sind:
- Klassische adaptive Regelungen (z. B. MRAC) gehen oft von einer bekannten parametrischen Modellstruktur aus.
- Optimierungsbasierte modellfreie Methoden (z. B. RCAC, RL) können rechenintensiv sein, empfindlich auf die Einstellung reagieren oder in kontinuierlichen Zeitsystemen Stabilitätsgarantien vermissen lassen.
- Viele datengetriebene Methoden (z. B. Standard-DMD) sind offline und integrieren sich nicht direkt in die Echtzeit-Reglerentwurf.

Ziel: Entwicklung eines einheitlichen, modellfreien Rahmens, der eine Online-Systemidentifikation und einen Echtzeit-Reglerentwurf direkt aus Streaming-Messdaten durchführt, die physikalische Interpretierbarkeit bewahrt und dabei weder auf Batch-Daten noch auf komplexe Optimierungen angewiesen ist.

2. Methodik: Dynamic Mode Adaptive Control (DMAC)

Der vorgeschlagene DMAC-Rahmen arbeitet in einer rekursiven Schleife zu jedem Zeitpunkt $k$ und kombiniert zwei Hauptmodule:

A. Dynamikapproximation (Online-Identifikation)

Anstatt vektorisierter Parameter oder Ein-Ausgangs-Modelle zu verwenden, schätzt DMAC eine lokale lineare Zustandsraumdarstellung direkt im Messraum.

Modellform: Es wird eine lokale lineare Approximation angenommen: $\xi_{k+1} = A_k \xi_k + B_k u_k$ , wobei $\xi_k$ der gemessene Zustand und $u_k$ der Stellgröße ist.
Algorithmus: Es wird ein Matrix-Rekursive-Least-Squares (RLS)-Algorithmus mit einem Vergessensfaktor ( $\lambda$ $λ$ ) eingesetzt.
- Im Gegensatz zum Standard-RLS, das Parameter vektorisiert, aktualisiert DMAC die Matrix $\Theta_k = [A_k \quad B_k]$ direkt.
- Kostenfunktion: Minimierung einer exponentiell gewichteten regularisierten Least-Squares-Kostenfunktion:
  $J_k(\Theta) = \sum_{i=0}^k \lambda^{k-i} \|\xi_i - \Theta \phi_{i-1}\|_2^2 + \lambda^k \text{tr}(\Theta^T R_\Theta \Theta)$
- Vorteile: Dieser strukturerhaltende Ansatz vermeidet die dimensionsbedingte Explosion, die mit der Vektorisierung verbunden ist, und liefert direkt Zustandsraummatrizen ( $A, B$ ), wodurch die physikalische Interpretierbarkeit erhalten bleibt.

B. Reglerentwurf

Sobald die lokalen Dynamiken ( $A_k, B_k$ ) geschätzt sind, wird sofort ein Regler synthetisiert.

Regelgesetz: Ein Regler mit Zustandsrückführung und Integralanteil wird zur Referenzfolge verwendet:
$u_k = K_{\xi, k} \xi_k + K_{q, k} q_k + v_k$
- $K_{\xi, k}$ und $K_{q, k}$ sind zeitvariante Verstärkungen, die über ein Linear-Quadratic-Regulator (LQR)-Design basierend auf den aktuellen Schätzungen $(A_k, B_k)$ berechnet werden.
- $q_k$ ist ein Integratorzustand zur Fehlerakkumulation.
- $v_k$ ist ein Erregungssignal (i.i.d. Rauschen mit Mittelwert Null), das hinzugefügt wird, um eine persistente Erregung (PE) im Regressor sicherzustellen, was für die Konvergenz des RLS-Schätzers entscheidend ist.

3. Hauptbeiträge

Einheitliche Architektur: Einführung von DMAC, einem Rahmen, der die Dynamikmodenapproximation (datengetriebene Modellierung) nahtlos mit der adaptiven Reglersynthese integriert und so den Echtzeit-Reglerentwurf aus Streaming-Daten ermöglicht.
Matrixwertiges RLS: Entwicklung eines rekursiven Identifikationsalgorithmus, der niederordige Zustandsraummodelle direkt im Messraum unter Verwendung einer matrixwertigen RLS-Formulierung schätzt. Dies vermeidet Vektorisierung, Lifting und Ein-Ausgangs-Rekonstruktion, reduziert die Rechenkomplexität und bewahrt die physikalische Struktur.
Theoretische Garantien:
- Beweis der Konvergenz des rekursiven Identifikationsalgorithmus (der Schätzfehler konvergiert gegen Null oder ist beschränkt).
- Nachweis der Uniform Ultimate Boundedness (UUB) des Zustands des geschlossenen Regelkreises, was beweist, dass das System trotz des für die Identifikation erforderlichen Erregungssignals stabil bleibt.
Robustheit: Demonstration, dass die Methode für lineare, nichtlineare und verteilte Systeme funktioniert, ohne dass a priori-Wissen über das Systemmodell erforderlich ist.

4. Ergebnisse und numerische Beispiele

Die Autoren validierten DMAC an drei Systemen mit zunehmender Komplexität:

Instabiles lineares System:
- Ergebnis: Erfolgreiche Stabilisierung eines im offenen Regelkreis instabilen Systems.
- Beobachtung: Der Zustand konvergierte in eine beschränkte Umgebung des Ursprungs. Die Größe dieser Umgebung war proportional zur Amplitude des Erregungssignals ( $v_k$ ), was die theoretischen Schranken bestätigte. Die Parameterschätzungen konvergierten gegen die wahren Werte.
Van-der-Pol-Oszillator (Nichtlinear):
- Ergebnis: Erzielte Referenzfolge für ein nichtlineares oszillierendes System.
- Empfindlichkeit: Der Regler behielt eine stabile Folgeleistung über weite Variationen von Hyperparametern ( $\lambda$ , Regularisierung, LQR-Gewichte) und Systemparametern (nichtlineare Dämpfung $\mu$ ) bei.
Burgers-Gleichung (Verteilte Parameter-PDE):
- Ergebnis: Regelung eines 1D-Strömungsdynamiksystems, das durch eine nichtlineare PDE beschrieben wird, unter Verwendung nur spärlicher Sensormessungen (7 Knoten von 100).
- Bedeutung: Demonstration der Fähigkeit, hochdimensionale, verteilte Systeme zu handhaben, indem ein niederordiges lokales lineares Modell direkt aus spärlichen Messungen identifiziert wird.
- Robustheit: Zeigte Robustheit gegenüber Variationen des Viskositätskoeffizienten ( $\nu$ ).

5. Bedeutung und Auswirkung

Überbrückung der Lücke: DMAC überbrückt die Lücke zwischen datengetriebener Modellierung (DMD) und adaptiver Regelung und wandelt sich von der Offline-Analyse hin zur Online-Echtzeit-Reglersynthese.
Physikalische Interpretierbarkeit: Durch die direkte Identifikation von Zustandsraummatrizen anstelle abstrakter Ein-Ausgangs-Abbildungen behält der resultierende Regler eine klare physikalische Bedeutung, was für technische Anwendungen entscheidend ist.
Rechenleistung: Der matrixwertige RLS-Ansatz ist rechnerisch effizient und eignet sich somit für Systeme mit hochdimensionaler Sensorik, aber niederdimensionalen Regelungszielen.
Theoretische Strenge: Im Gegensatz zu vielen lernbasierten Regelmethoden, die auf Heuristiken beruhen, liefert DMAC strenge, auf Lyapunov-Funktionen basierende Beweise für Stabilität und Beschränktheit.
Zukünftige Richtungen: Die Autoren identifizieren zukünftige Arbeiten darin, die Abhängigkeit von persistenter Erregung zu verringern (um Leistungsverschlechterungen durch Rauschen zu minimieren) und strukturelle Zwangsbedingungen (z. B. Stabilisierbarkeit) während der Identifikationsphase durchzusetzen.

Zusammenfassend stellt dieses Paper eine robuste, theoretisch fundierte und rechnerisch effiziente Methode zur Regelung komplexer, unbekannter dynamischer Systeme unter Verwendung ausschließlich gemessener Daten vor und bietet eine gangbare Alternative zu traditionellen modellbasierten Regelungsverfahren und schweren optimierungsbasierten Lernmethoden.