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

A continuación se presenta un resumen técnico detallado del artículo "Control Adaptativo de Modo Dinámico sin Modelo para la Síntesis de Control Basada en Datos" de Parham Oveissi y Ankit Goel.

1. Planteamiento del Problema

El artículo aborda el control de sistemas de ingeniería complejos (por ejemplo, flujos de fluidos, procesos de combustión, estructuras flexibles) donde:

• Los modelos matemáticos no están disponibles o no son adecuados: Los modelos físicos de alta fidelidad suelen ser demasiado intensivos computacionalmente para el control en tiempo real, y pueden no existir modelos basados en primeros principios.
• Sensores de alta dimensión: Los sistemas suelen tener sensores distribuidos que generan datos de alta dimensión, mientras que los objetivos de control se definen sobre variables físicas de menor dimensión.
• Limitaciones de los métodos existentes:
  • El control adaptativo clásico (por ejemplo, MRAC) a menudo asume una estructura de modelo paramétrico conocida.
  • Los métodos sin modelo basados en optimización (por ejemplo, RCAC, RL) pueden ser computacionalmente pesados, sensibles al ajuste o carecer de garantías de estabilidad en configuraciones de tiempo continuo.
  • Muchos métodos basados en datos (por ejemplo, DMD estándar) son offline y no se integran directamente con la síntesis de controladores en tiempo real.

Objetivo: Desarrollar un marco unificado y sin modelo que realice identificación de sistemas en línea y síntesis de controladores en tiempo real directamente a partir de datos de medición en flujo, preservando la interpretabilidad física sin depender de datos por lotes ni de optimizaciones complejas.

2. Metodología: Control Adaptativo de Modo Dinámico (DMAC)

El marco propuesto DMAC opera en un bucle recursivo en cada paso de tiempo $k$, combinando dos módulos principales:

A. Aproximación de Dinámica (Identificación en Línea)

En lugar de utilizar parámetros vectorizados o modelos de entrada-salida, DMAC estima una representación de espacio de estados lineal local directamente en el espacio de medición.

• Forma del Modelo: Asume una aproximación lineal local: $\xi_{k+1} = A_k \xi_k + B_k u_k$, donde $\xi_k$ es el estado medido y $u_k$ es la entrada de control.
• Algoritmo: Emplea un algoritmo de Mínimos Cuadrados Recursivos (RLS) Matricial con un factor de olvido ($\lambda$).
  • A diferencia del RLS estándar que vectoriza los parámetros, DMAC actualiza la matriz $\Theta_k = [A_k \quad B_k]$ directamente.
  • Función de Costo: Minimiza un costo de mínimos cuadrados regularizado con ponderación exponencial:
    $$J_k(\Theta) = \sum_{i=0}^k \lambda^{k-i} \|\xi_i - \Theta \phi_{i-1}\|_2^2 + \lambda^k \text{tr}(\Theta^T R_\Theta \Theta)$$
  • Beneficios: Este enfoque que preserva la estructura evita la explosión dimensional asociada con la vectorización y produce matrices de espacio de estados ($A, B$) directamente, manteniendo la interpretabilidad física.

B. Síntesis del Controlador

Una vez estimadas las dinámicas locales ($A_k, B_k$), se sintetiza un controlador inmediatamente.

• Ley de Control: Se utiliza un controlador de retroalimentación de estado completo con acción integral para el seguimiento de referencias:
  $$u_k = K_{\xi, k} \xi_k + K_{q, k} q_k + v_k$$
  • $K_{\xi, k}$ y $K_{q, k}$ son ganancias variantes en el tiempo calculadas mediante el diseño de Regulador Lineal Cuadrático (LQR) basado en las estimaciones actuales $(A_k, B_k)$.
  • $q_k$ es un estado integrador para la acumulación de error.
  • $v_k$ es una señal de excitación (ruido i.i.d. de media cero) añadida para garantizar la persistencia de excitación (PE) en el regresor, lo cual es crítico para la convergencia del estimador RLS.

3. Contribuciones Clave

1. Arquitectura Unificada: Introduce DMAC, un marco que integra sin fisuras la aproximación de modos dinámicos (modelado basado en datos) con la síntesis de control adaptativo, permitiendo el diseño de controladores en tiempo real a partir de datos en flujo.
2. RLS de Valor Matricial: Propone un algoritmo de identificación recursiva que estima modelos de espacio de estados de bajo orden directamente en el espacio de medición utilizando una formulación de RLS de valor matricial. Esto evita la vectorización, el levantamiento y la reconstrucción de entrada-salida, reduciendo la complejidad computacional y preservando la estructura física.
3. Garantías Teóricas:
   • Prueba la convergencia del algoritmo de identificación recursiva (el error de estimación converge a cero o está acotado).
   • Establece la Acotación Uniforme Ultimal (UUB) del estado del sistema en lazo cerrado, demostrando que el sistema permanece estable a pesar de la señal de excitación requerida para la identificación.
4. Robustez: Demuestra que el método funciona para sistemas lineales, no lineales y de parámetros distribuidos sin requerir conocimiento a priori del modelo del sistema.

4. Resultados y Ejemplos Numéricos

Los autores validaron DMAC en tres sistemas de complejidad creciente:

• Sistema Lineal Inestable:
  • Resultado: Estabilizó con éxito un sistema inestable en lazo abierto.
  • Observación: El estado convergió a una vecindad acotada del origen. El tamaño de esta vecindad fue proporcional a la magnitud de la señal de excitación ($v_k$), confirmando los límites teóricos. Las estimaciones de parámetros convergieron a los valores reales.
• Oscilador de Van der Pol (No Lineal):
  • Resultado: Logró seguimiento de referencia para un sistema oscilatorio no lineal.
  • Sensibilidad: El controlador mantuvo un rendimiento de seguimiento estable a través de amplias variaciones en hiperparámetros ($\lambda$, regularización, pesos LQR) y parámetros del sistema (amortiguamiento no lineal $\mu$).
• Ecuación de Burgers (PDE de Parámetros Distribuidos):
  • Resultado: Controló un sistema de dinámica de fluidos 1D gobernado por una PDE no lineal utilizando únicamente mediciones de sensores dispersos (7 nodos de 100).
  • Significado: Demostró la capacidad de manejar sistemas de alta dimensión y distribuidos identificando un modelo lineal local de bajo orden directamente a partir de mediciones dispersas.
  • Robustez: Mostró robustez frente a variaciones en el coeficiente de viscosidad ($\nu$).

5. Significado e Impacto

• Cerrando la Brecha: DMAC cierra la brecha entre el modelado basado en datos (DMD) y el control adaptativo, pasando del análisis offline a la síntesis de control en línea y en tiempo real.
• Interpretabilidad Física: Al identificar matrices de espacio de estados directamente en lugar de mapas abstractos de entrada-salida, el controlador resultante retiene un significado físico claro, lo cual es crucial para aplicaciones de ingeniería.
• Eficiencia Computacional: El enfoque de RLS de valor matricial es computacionalmente eficiente, lo que lo hace adecuado para sistemas con sensores de alta dimensión pero objetivos de control de baja dimensión.
• Rigor Teórico: A diferencia de muchos métodos de control basados en aprendizaje que dependen de heurísticas, DMAC proporciona pruebas rigurosas basadas en Lyapunov para la estabilidad y la acotación.
• Futuras Direcciones: Los autores identifican trabajos futuros para reducir la dependencia de la excitación persistente (para minimizar la degradación del rendimiento por ruido) y para imponer restricciones estructurales (por ejemplo, estabilizabilidad) durante la fase de identificación.

En resumen, este artículo presenta un método robusto, fundamentado teóricamente y computacionalmente eficiente para controlar sistemas dinámicos complejos y desconocidos utilizando únicamente datos medidos, ofreciendo una alternativa viable al control basado en modelos tradicional y a los métodos de aprendizaje basados en optimización pesada.