Stability Analysis and Data-Driven State Estimation for Generalized Persidskii Systems with Time Delays: Theory and Experimental Validation on PMSM Drives

A continuación se presenta un resumen técnico detallado del artículo "Análisis de estabilidad y estimación de estado basada en datos para sistemas de Persidskii generalizados con retardos temporales: Teoría y validación experimental en accionamientos de motores síncronos de imanes permanentes (PMSM)".

1. Planteamiento del Problema

El artículo aborda el desafío de analizar la estabilidad y estimar los estados de sistemas de Persidskii generalizados (una clase de sistemas que acoplan dinámicas lineales con realimentación no lineal acotada en sector) sujetos a retardos temporales variables y perturbaciones externas.

Los desafíos clave identificados incluyen:

• Sensibilidad al Retardo: Los criterios de estabilidad existentes para sistemas de Persidskii a menudo asumen canales sin retardo, lo cual es poco realista para accionamientos controlados digitalmente y sistemas en red donde son comunes los retrasos de muestreo y transmisión (milisegundos).
• Incertidumbre del Modelo: En muchas aplicaciones prácticas (por ejemplo, monitorización de condiciones), las matrices del sistema son desconocidas. Los métodos estándar de identificación basados en datos (como la Descomposición de Modos Dinámicos Extendida - EDMD) no garantizan que el modelo identificado herede las propiedades de estabilidad.
• Control Robusto: Controlar tales sistemas bajo incertidumbre y retardo requiere un marco que garantice la Estabilidad Entrada-Estado (ISS) para evitar la explosión numérica o la inestabilidad durante perturbaciones transitorias.

2. Metodología

Los autores proponen un marco unificado que integra el análisis teórico de estabilidad, el diseño estructurado de observadores, la identificación basada en datos que preserva la estabilidad y el control avanzado.

A. Análisis Teórico de Estabilidad

• Funcional de Lyapunov-Krasovskii (LKF): Se construye un LKF compuesto, que combina:
  1. Un término integral clásico de Persidskii para la energía no lineal.
  2. Un búfer cuadrático estándar para el retardo.
  3. Un término de doble integral basado en Wirtinger para proporcionar límites más ajustados en los términos cruzados que surgen de la desigualdad de Jensen.
• Criterio LMI: Los autores derivan una condición ISS dependiente del retardo formulada como Desigualdades Matriciales Lineales (LMIs). Este criterio garantiza la ISS con una ganancia $L_2$ específica ($\gamma$) desde las perturbaciones hasta el estado, teniendo en cuenta explícitamente el retardo máximo admisible ($\tau_{max}$).

B. Observador Robusto Estructurado

• Se diseña un observador con estructura de Persidskii para reflejar la arquitectura de la planta.
• Al preservar la estructura acotada en sector en la dinámica del error, los autores demuestran que el error del observador converge globalmente.
• La ganancia del observador se optimiza para minimizar la norma $H_\infty$ de la función de transferencia de perturbación a error, garantizando robustez frente al ruido de medición y las perturbaciones externas.

C. Identificación Basada en Datos que Preserva la Estabilidad

• Marco del Operador de Koopman: El sistema se eleva a un espacio observable de mayor dimensión para crear una representación similar a la lineal.
• Regresión Constrained: A diferencia de la EDMD estándar, el proceso de identificación (resolver para las matrices de Koopman $A_K, B_K, C_K$) se plantea como un problema de optimización con restricciones.
• Restricción: La ISS-LMI derivada en la sección teórica se incrusta como una condición convexa lateral durante la regresión de parámetros. Esto garantiza que el modelo identificado sea matemáticamente ISS, heredando los certificados de robustez del modelo analítico.

D. Arquitectura de Control (ICODE-MPPI)

• El modelo identificado de Persidskii-Koopman sirve como núcleo de predicción para un controlador ICODE-MPPI (Estimación Dinámica Orientada al Control Dependiente de la Entrada – Integral de Trayectoria Predictiva de Modelo).
• El controlador utiliza despliegues estocásticos para optimizar las entradas de control. La garantía estructural de ISS del modelo asegura que los costos de despliegue permanezcan acotados incluso cuando el sistema excita no linealidades, evitando la inestabilidad numérica a menudo observada con predictores de redes neuronales de caja negra.

3. Contribuciones Clave

1. Criterio LMI Refinado: Un nuevo criterio ISS dependiente del retardo para sistemas de Persidskii generalizados que utiliza un LKF unificado con dobles integrales basadas en Wirtinger, produciendo límites más ajustados sobre el retardo máximo admisible.
2. Diseño de Observador Estructurado: Un observador $H_\infty$ con condiciones de ganancia explícitas que garantiza la convergencia para sistemas con mediciones parciales de estado.
3. Identificación que Preserva la Estabilidad: Un protocolo novedoso de identificación de Koopman que impone la ISS-LMI de Persidskii como restricción, garantizando que el modelo identificado sea estable.
4. Validación Experimental: Pruebas exhaustivas en un banco de pruebas de accionamiento de motor síncrono de imanes permanentes (PMSM) de 1.5 kW, validando tanto los límites teóricos como el rendimiento de control.

4. Resultados Experimentales

El marco se validó en un banco de pruebas de PMSM de 1.5 kW con un freno de carga programable y un retardo de grupo medido de $\tau = 5$ ms.

• Rendimiento de Estimación de Estado:
  • El observador de Persidskii logró una reducción del 35.3% en el Error Cuadrático Medio (RMSE) de estimación de velocidad en comparación con un Filtro de Kalman Extendido (EKF) estándar (1.12 rad/s vs. 1.73 rad/s).
  • Demostró una recuperación transitoria más rápida (350 ms vs. 590 ms) después de una perturbación de carga escalón.
• Rendimiento de Seguimiento:
  • El controlador ICODE-MPPI mostró una mejora del 67.1% en la precisión de seguimiento de velocidad en comparación con el Control Orientado al Campo (FOC) estándar.
  • Superó a un MPPI de "caja negra" (que utiliza redes neuronales sin restricciones) al mantener la estabilidad y minimizar el desfase bajo perturbaciones periódicas.
• Robustez al Retardo:
  • El sistema permaneció estable hasta un retardo inyectado artificialmente de 18 ms.
  • Esto coincidió estrechamente con el límite predicho teóricamente por LMI de 18.2 ms.
  • En contraste, el MPPI de caja negra perdió la estabilidad a aproximadamente 14 ms, destacando la necesidad de la restricción que preserva la estabilidad.

5. Significado

Este artículo cierra la brecha entre la teoría rigurosa de estabilidad no lineal y el control moderno basado en datos. Su importancia radica en:

• Unir Teoría y Práctica: Avanza más allá de las suposiciones teóricas sin retardo para proporcionar un marco que funciona con retardos temporales del mundo real e incertidumbres de modelo.
• Seguridad en el Control Basado en Datos: Al incrustar restricciones de estabilidad directamente en el proceso de identificación, resuelve el problema de la "caja negra" donde los modelos basados en datos pueden ser precisos pero inestables bajo condiciones extremas.
• Ganancias de Rendimiento: Los resultados experimentales en un accionamiento PMSM demuestran mejoras tangibles en la precisión de estimación y el rendimiento de seguimiento sobre métodos estándar de la industria (FOC y EKF), probando la viabilidad del enfoque para sistemas electromecánicos de alto rendimiento.
• Escalabilidad: El uso de matrices de Lyapunov diagonales y observadores estructurados sugiere que el método es computacionalmente viable para sistemas de dimensión moderada, haciéndolo adecuado para su implementación embebida.