Gain-Scheduling Data-Enabled Predictive Control for Nonlinear Systems with Linearized Operating Regions

A continuación se presenta un resumen técnico detallado del artículo "Gain-Scheduling Data-Enabled Predictive Control for Nonlinear Systems with Linearized Operating Regions" (Control Predictivo Basado en Datos con Programación de Ganancia para Sistemas No Lineales con Regiones de Operación Linealizadas), traducido y sintetizado al español.

---

1. Planteamiento del Problema

El Control Predictivo Basado en Datos (DeePC) es una alternativa totalmente basada en datos al Control Predictivo por Modelo (MPC) clásico. Utiliza el Lema Fundamental de Willems para representar las trayectorias de un sistema lineal e invariante en el tiempo (LTI) mediante matrices de Hankel construidas a partir de datos de entrada-salida persistentemente excitados.

Sin embargo, el DeePC estándar enfrenta limitaciones significativas al aplicarse a sistemas no lineales fuertes:

• Representación Global Insuficiente: Intentar capturar toda la dinámica no lineal en una sola matriz de Hankel global requiere datos masivos y a menudo resulta en una precisión de predicción deficiente, degradando el rendimiento de control en lazo cerrado.
• Complejidad Computacional: Las matrices de Hankel necesarias para cubrir un rango de operación amplio y no lineal son muy grandes, incrementando la carga computacional.
• Falta de Estructura: A diferencia de los métodos de control clásico, el DeePC no incorpora naturalmente mecanismos para manejar cambios en la dinámica del sistema a través de diferentes puntos de operación.

El objetivo de este trabajo es desarrollar un marco que combine la flexibilidad del DeePC con la robustez de las técnicas de programación de ganancia (Gain Scheduling), permitiendo controlar sistemas no lineales mediante múltiples representaciones lineales locales.

2. Metodología Propuesta: GS-DeePC

Los autores proponen el marco GS-DeePC (Gain-Scheduled Data-Enabled Predictive Control), que se basa en dividir el rango de operación de una variable de programación medible en múltiples regiones, cada una con su propia representación lineal.

A. Construcción de Matrices de Hankel Regionales

El proceso de recopilación de datos sigue cuatro pasos:

1. Registro: Se recogen trayectorias de entrada-salida junto con una variable de programación $\rho(k)$ que parametriza el comportamiento no lineal dominante (ej. la posición angular en un motor).
2. Partición: El rango de $\rho(k)$ se divide en $n$ regiones ($M_i$). Se pueden usar particiones uniformes o no uniformes según el conocimiento del sistema.
3. Extracción y Ensamblaje: Se extraen subsecuencias de datos donde la variable de programación permanece dentro de los límites de cada región. Para cada región, se construyen matrices de Hankel locales ($H_i$). Si hay múltiples secuencias, se concatenan para formar una matriz de Hankel tipo mosaico.
4. Regiones Compuestas (Composite Regions): Para mitigar las discontinuidades en las transiciones, se crean regiones compuestas ($C_i$) fusionando dos regiones adyacentes ($M_i \cup M_{i+1}$). Esto implica concatenar sus matrices de Hankel, creando una superposición de datos que suaviza el cambio entre modelos.

B. Lógica de Conmutación en Línea

Durante la operación, el controlador selecciona qué matriz de Hankel utilizar según el valor actual de la variable de programación. Se evalúan tres estrategias:

1. Conmutación Simple: Asigna la región actual directamente. Tiende a causar "chattering" (oscilación rápida) cerca de los límites.
2. Conmutación con Tiempo de Permanencia (Dwell Time): Bloquea el cambio de región durante un tiempo mínimo. Reduce la frecuencia de conmutación pero puede retrasar la respuesta.
3. Conmutación con Regiones Compuestas (Propuesta Principal): Utiliza las regiones compuestas definidas en el paso 4. El sistema permanece en la matriz de la región compuesta mientras la variable de programación esté dentro de sus límites ampliados. Esto actúa como un mecanismo de histéresis, evitando el chattering sin necesidad de tiempos de espera artificiales largos.

C. Formulación de Optimización

El problema de optimización mantiene la estructura original del DeePC. La única diferencia es que, en cada paso de tiempo, se sustituyen las matrices de datos ($U_p, Y_p, U_f, Y_f$) por las correspondientes a la región activa (o compuesta). Esto preserva la complejidad computacional online del problema de optimización, aunque reduce la carga en la construcción de las matrices.

3. Contribuciones Clave

1. Marco Estructurado de Programación de Ganancia para DeePC: Extensión sistemática del DeePC que utiliza matrices de Hankel regionales y compuestas, incluyendo una lógica de conmutación diseñada para suprimir el chattering.
2. Metodología Práctica de Recopilación de Datos: Definición clara de cómo particionar el espacio de operación, los requisitos de excitación persistente por región y la construcción de matrices de Hankel mosaico para sistemas no lineales.
3. Análisis de Beneficios Computacionales: Demostración de que GS-DeePC puede reducir la complejidad computacional en comparación con el DeePC estándar, ya que las matrices regionales son más pequeñas (requieren secuencias de datos más cortas) que una matriz global masiva.
4. Validación Experimental Exhaustiva: Pruebas en un sistema no lineal real (motor DC con disco desbalanceado) comparando con DeePC estándar y con el enfoque LPV-DPC (Data-Driven Predictive Control basado en Sistemas de Parámetros Variacionales Lineales).

4. Resultados Experimentales

Los experimentos se realizaron en un modelo de simulación de un motor DC con un disco desbalanceado, un sistema con dinámica no lineal fuerte (término $\sin(\theta)$).

• Comparación de Rendimiento:
  • DeePC Estándar: Mostró un error de seguimiento en estado estacionario significativamente alto ($RMSE_{SS} \approx 0.057$) debido a la incapacidad de una única representación lineal global para capturar la no linealidad.
  • LPV-DPC (Referencia): Logró un rendimiento excelente ($RMSE_{SS} \approx 0.002$), pero con una formulación más compleja que requiere incrustación LPV y trayectorias auxiliares.
  • GS-DeePC: Con un número suficiente de regiones compuestas (ej. $n_C = 23$), alcanzó un rendimiento casi idéntico al LPV-DPC ($RMSE_{SS} \approx 0.003$), superando drásticamente al DeePC estándar.
• Impacto del Número de Regiones: Se observó que aumentar el número de regiones mejora la precisión de predicción y reduce el error hasta cierto punto, tras lo cual el rendimiento se estabiliza. Sin embargo, regiones demasiado estrechas pueden dificultar la obtención de suficientes datos para cumplir con la excitación persistente.
• Estabilidad de la Conmutación: La estrategia de Regiones Compuestas demostró ser superior a las estrategias de tiempo de permanencia (dwell time) simples. Logró transiciones suaves sin chattering observable, manteniendo la consistencia de la predicción durante los cruces de límites.
• Robustez: El método demostró ser robusto incluso al aumentar la masa del disco (incrementando la no linealidad), donde GS-DeePC mantuvo su ventaja sobre el DeePC estándar.

5. Significado y Conclusiones

El trabajo presenta una solución práctica y efectiva para aplicar el control predictivo basado en datos a sistemas no lineales complejos sin necesidad de identificar un modelo paramétrico global.

• Innovación Principal: La introducción de regiones compuestas y matrices de Hankel fusionadas permite transiciones suaves y robustas entre modelos lineales locales, resolviendo el problema clásico del chattering en la programación de ganancia dentro del contexto de control basado en datos.
• Eficiencia: GS-DeePC ofrece un compromiso óptimo entre precisión y complejidad. Al utilizar datos locales, reduce el tamaño de las matrices de Hankel necesarias, lo que puede traducirse en menores requisitos computacionales offline y una mejor escalabilidad, manteniendo un rendimiento comparable a métodos más complejos como el LPV-DPC.
• Aplicabilidad: El marco es "libre de modelos" (model-free) en el sentido de que no requiere ecuaciones diferenciales explícitas, solo datos de entrada-salida y una variable de programación medible, lo que facilita su implementación en sistemas físicos reales donde los modelos precisos son difíciles de obtener.

En resumen, GS-DeePC fusiona exitosamente las ventajas del control basado en datos con la filosofía clásica de la programación de ganancia, proporcionando un marco robusto, eficiente y de alto rendimiento para el control de sistemas no lineales.