⚡ electrical engineering

EDMD-Based Robust Observer Synthesis for Nonlinear Systems

Este artículo presenta un método basado en datos para diseñar observadores de estado robustos para sistemas no lineales continuos, utilizando la descomposición dinámica de modos extendida (EDMD) para identificar un modelo lineal aproximado y abordando sus errores de modelado mediante desigualdades matriciales lineales (LMIs) dentro de un marco teórico de operadores de Koopman.

Autores originales: Xiuzhen Ye, Wentao Tang

Publicado 2026-03-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xiuzhen Ye, Wentao Tang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que intentas predecir el clima. El clima es un sistema no lineal: es caótico, complejo y cambia de formas que no siguen una línea recta simple. Si intentaras predecirlo usando solo reglas de "si llueve, entonces hace frío", fallarías. Necesitas un modelo mucho más sofisticado.

Este artículo presenta una forma inteligente y moderna de crear un "modelo de predicción" (un observador) para sistemas complejos, como motores, reactores químicos o incluso el clima, usando datos reales en lugar de ecuaciones complicadas.

Aquí tienes la explicación, desglosada con analogías sencillas:

1. El Problema: Ver el mundo a través de un "lente" distorsionado

Imagina que tienes un sistema complejo (como un coche conduciendo por una montaña). Solo puedes ver el velocímetro y el cuentakilómetros (las salidas), pero no puedes ver la posición exacta del motor, la temperatura interna o la fricción de los neumáticos (los estados ocultos).

Para controlar el coche, necesitas saber todo eso. Un "observador" es como un copiloto experto que adivina lo que está pasando dentro del motor basándose solo en lo que ve en el tablero.

El problema es que los sistemas reales son no lineales (caóticos). Es como intentar dibujar una curva perfecta usando solo líneas rectas. Si usas pocas líneas, la curva se ve mal. Si usas muchas, es difícil de calcular.

2. La Solución Mágica: El "Ascensor" al Espacio de los Líneas Rectas

Los autores usan una técnica llamada Koopman (y un método llamado EDMD).

La Analogía del Ascensor: Imagina que el sistema real es un laberinto tortuoso y oscuro. Es muy difícil navegarlo. La idea de Koopman es como instalar un ascensor mágico que te lleva a un piso superior (el "espacio elevado" o lifted space).
En ese piso superior, ¡el laberinto tortuoso se convierte en un pasillo recto y simple!
En este nuevo espacio, las reglas son lineales (como una línea recta). Esto es genial porque tenemos herramientas matemáticas muy potentes y fáciles para manejar líneas rectas.

3. El Obstáculo: La "Distorsión" del Ascensor

Aquí está el truco: Como no podemos usar un ascensor infinito (necesitamos computadoras reales), tenemos que usar un ascensor "aproximado".

Usamos un conjunto de "ladrillos" (llamados diccionario) para construir este ascensor.
Como los ladrillos son finitos, el ascensor no es perfecto. Hay una pequeña distorsión o error. A veces el ascensor te lleva un poco más arriba o más abajo de lo que debería.
Además, como construimos el ascensor usando datos reales (que pueden tener ruido o errores de medición), hay también un ruido aleatorio.

4. El Gran Descubrimiento: El Error tiene "Reglas"

Lo que hace especial a este artículo es que los autores demostraron matemáticamente que, aunque hay un error, ese error no es un caos total.

La Analogía del Elástico: Imagina que el error es como un elástico. No puede estirarse infinitamente. Cuanto más te alejas del centro (del estado normal), más fuerte se estira el elástico, pero siempre dentro de un límite predecible.
Los autores probaron que este error tiene una forma específica (llamada "sectorial"). Es como decir: "Sabemos exactamente cuánto se puede desviar el ascensor, y ese desvío depende de qué tan lejos estés del centro".

5. Construyendo el Copiloto Robusto (El Observador)

Gracias a saber que el error tiene "reglas" (es un elástico predecible), pueden diseñar un copiloto (el observador) que sea robusto.

El Diseño: Usan unas ecuaciones especiales (llamadas LMIs, que son como una receta matemática estricta) para diseñar al copiloto.
La Garantía: Este copiloto está diseñado para ignorar el "ruido" y la "distorsión" del ascensor.
- Si el sistema es estable (como un coche en una autopista plana), el copiloto asegura que el error de predicción desaparezca rápidamente (como un frenado suave pero firme).
- Si el sistema es inestable (como un coche en una montaña rusa), el copiloto asegura que el error no crezca descontroladamente, manteniéndolo bajo un límite seguro.

6. Los Experimentos: Probando el Copiloto

Los autores probaron su método en tres escenarios:

Un sistema simple: Donde el "ascensor" era casi perfecto. Funcionó genial.
Un reactor químico: Un sistema complejo donde el ascensor no era perfecto (había mucha distorsión). Aun así, el copiloto logró predecir el estado con una precisión increíble.
Un oscilador (como un péndulo que nunca se detiene): Un sistema que gira en círculos. Aquí tuvieron que usar "ladrillos" más complejos (polinomios de mayor grado) para que el ascensor funcionara bien. Al hacerlo, el copiloto pudo seguir el movimiento casi perfectamente.

En Resumen

Este trabajo es como inventar un GPS inteligente para sistemas caóticos.

Transforma el caos en algo simple (como subir a un ascensor).
Reconoce que el ascensor no es perfecto y calcula exactamente cuánto puede fallar.
Diseña un copiloto que sabe ignorar esos fallos y sigue guiando el sistema con precisión, incluso si los datos son imperfectos.

Es una forma de usar la simplicidad de las líneas rectas para controlar el caos del mundo real, asegurando que, incluso si nos equivocamos un poco en el modelo, el sistema siga siendo seguro y controlable.

Resumen Técnico: Síntesis de Observadores Robustos Basados en EDMD

1. Problema Abordado

El artículo aborda el desafío de diseñar observadores de estado para sistemas no lineales continuos en tiempo real, basándose únicamente en datos.

Contexto: En la práctica, el acceso a datos suele limitarse a un conjunto pequeño de salidas medibles ( $y$ ), mientras que el estado completo ( $x$ ) es desconocido. Los métodos de control modernos (basados en redes neuronales, aprendizaje por refuerzo o modelos de Koopman) a menudo asumen conocimiento completo del estado, lo cual es irrealista.
Desafío Específico: El uso del Operador de Koopman permite transformar la dinámica no lineal en una evolución lineal de funciones de observables (levantamiento o lifting). Sin embargo, cuando se aproxima el Operador de Koopman utilizando un diccionario finito de funciones (como polinomios) y datos finitos, se introduce un error de aproximación inevitable.
Brecha de Investigación: La literatura existente no ha abordado adecuadamente la caracterización de este error de desajuste estructural (debido al diccionario finito) combinado con el error estocástico (debido al muestreo de datos) para el diseño de observadores robustos.

2. Metodología Propuesta

Los autores proponen un marco de trabajo que combina la teoría del Operador de Koopman, el método gEDMD (Generator Extended Dynamic Mode Decomposition) y la teoría de Espacios de Hilbert con Núcleo Reproductor (RKHS) para formular un problema de síntesis de observadores robustos.

A. Modelado y Análisis de Error:

Espacio RKHS Equilibrio-Preservador: Se define un espacio de Hilbert específico ( $\mathring{H}^s$ ) utilizando un núcleo lineal-radial ( $\kappa(x, x') = (x \cdot x')\rho(\|x-x'\|)$ ). Este espacio garantiza que el punto de equilibrio (origen) se preserve y permite un análisis de error más preciso que los espacios de Sobolev tradicionales.
Identificación gEDMD: Se utiliza gEDMD para identificar un modelo lineal aproximado en el espacio levantado ( $z = \phi(x)$ ).
Acotación del Error (Contribución Teórica Clave):
- Se demuestra teóricamente que el error de predicción del modelo lineal levantado es sectorialmente acotado.
- El error total $r(x)$ satisface la desigualdad: $\|r(x)\| \leq c_r \|\phi(x)\|$ .
- Este error tiene dos componentes:
  - Determinista: Debido a la proyección de dimensiones infinitas a finitas (diccionario finito).
  - Estocástico: Debido al muestreo finito de datos.
- La cota $c_r$ combina ambos efectos y se mantiene acotada con una alta probabilidad.

B. Síntesis del Observador:
El observador se diseña como un observador de Luenberger en el espacio levantado:
$\dot{\hat{z}} = A\hat{z} + L(y - C\hat{z})$
Donde $A$ es la matriz identificada por gEDMD y $L$ es la ganancia a determinar. El error de estimación $e = z - \hat{z}$ sigue una dinámica lineal perturbada por el término de error sectorial $r$ .

Se plantean dos escenarios de síntesis mediante Desigualdades Matriciales Lineales (LMIs):

Sistemas Asintóticamente Estables: Se busca una tasa de decaimiento exponencial $\alpha$ para el error. Se formula una LMI que asegura que la función de Lyapunov $V = z^T P_z z + e^T P_e e$ decaiga a una tasa $\alpha$ , a pesar de la incertidumbre sectorial.
Sistemas Inestables (o sin estabilidad asintótica): Se busca minimizar la ganancia $L_2$ desde el error de modelado ( $r$ ) hasta el error de observación ( $e$ ). Esto se formula como un problema de programación semidefinida (SDP) para encontrar la matriz $P_e$ y la ganancia $L$ que minimicen $\gamma$ (la cota superior de la ganancia $L_2$ ).

3. Contribuciones Clave

Caracterización Rigurosa del Error: Establecen que el error de aproximación de gEDMD en un RKHS con núcleo lineal-radial es de forma sectorial. Esto es crucial porque permite tratar el error no lineal como una incertidumbre acotada proporcional al estado levantado, facilitando el uso de herramientas de control lineal robusto.
Síntesis Robusta Basada en Datos: Proporcionan un método explícito para diseñar observadores para sistemas no lineales utilizando solo datos, sin necesidad de conocer la función dinámica $f(x)$ explícitamente.
Tratamiento Unificado de Errores: Integran tanto el error estructural (diccionario finito) como el error estadístico (muestreo) en una sola cota de incertidumbre para el diseño del observador.
Marco "Elemental": Ofrecen una formulación que utiliza la teoría de sistemas lineales estándar (LMIs) dentro del marco del Operador de Koopman, evitando el uso directo de cálculo de operadores en espacios infinitos para la implementación práctica.

4. Resultados Numéricos

Los autores validan el método en tres ejemplos numéricos utilizando Python y CVXPY:

Ejemplo 1: Sistema Estable con Levantamiento Invariante:
- Un sistema no lineal donde el diccionario elegido es invariante (error cero teórico).
- Resultado: El observador logra tasas de convergencia exponencial ajustadas ( $\alpha = 0.1$ y $0.99$) con errores de estimación que decaen rápidamente, confirmando la viabilidad del algoritmo.
Ejemplo 2: Sistema Estable sin Levantamiento Invariante (Reactores CSTR):
- Un proceso químico con dos reactores en serie. El diccionario no es invariante, por lo que existe un error de modelado real.
- Resultado: A pesar de la falta de invariancia, el observador sintetizado garantiza que el error de estimación decaiga a niveles despreciables ( $<10^{-4}$ ), demostrando la robustez frente al error de desajuste estructural.
Ejemplo 3: Sistema de Ciclo Límite (Oscilador de Van der Pol):
- Un sistema inestable que converge a un ciclo límite.
- Resultado: Se utilizó la formulación de ganancia $L_2$ . Se observó que con un grado polinómico bajo ( $d_{max}=4$ ), el observador no capturaba bien la geometría del ciclo. Al aumentar el grado ( $d_{max}=8$ ), el error cuadrático medio (RMSE) disminuyó significativamente (de 0.123 a 0.022) y la trayectoria estimada siguió fielmente a la real.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría del Operador de Koopman y la práctica de diseño de observadores robustos.

Viabilidad Práctica: Demuestra que es posible utilizar modelos lineales aproximados derivados de datos para observar sistemas no lineales complejos, incluso cuando el modelo tiene errores inherentes.
Garantías de Estabilidad: A diferencia de muchos enfoques de aprendizaje automático que son "cajas negras", este método ofrece garantías teóricas de estabilidad y rendimiento (tasa de decaimiento o ganancia $L_2$ ) mediante condiciones LMI.
Futuro: Abre la puerta a métodos de diseño óptimo de observadores basados en kernels que eviten la dependencia de diccionarios preasignados, aunque el desafío de la identificación de modelos solo con datos de entrada-salida (sin estado completo) sigue siendo un problema abierto.

En resumen, el artículo presenta un marco teórico y práctico sólido para la observación de estado robusta en sistemas no lineales, transformando un problema no lineal complejo en un problema de optimización convexa (LMI) manejable, fundamentado en la teoría de operadores y el análisis de errores de datos.