⚡ electrical engineering

Online learning of Koopman operator using streaming data from different dynamical regimes

Ce papier propose un cadre d'apprentissage en ligne de l'opérateur de Koopman à partir de données en flux, qui utilise la distance de Grassmann pour identifier et archiver sélectivement les segments de données représentant de nouveaux régimes dynamiques, permettant ainsi une mise à jour adaptative du modèle avec une réduction du nombre de fonctions de base et une optimisation de l'ordre du système.

Auteurs originaux : Kartik Loya, Phanindra Tallapragada

Publié 2026-04-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kartik Loya, Phanindra Tallapragada

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌊 Le Problème : Le déluge de données

Imaginez que vous essayez de comprendre comment fonctionne une machine complexe, comme une voiture de course ou le climat. Aujourd'hui, nous avons des capteurs partout qui nous envoient un flot continu de données (comme une rivière qui ne s'arrête jamais).

Le problème, c'est que :

Le volume est énorme : Si on essaie de tout stocker et de tout analyser à chaque instant, l'ordinateur explose (trop lent, trop de mémoire).
Les changements sont imprévisibles : Parfois, la machine se comporte normalement, mais soudainement, elle entre dans un "mode rare" (comme une tempête soudaine ou un virage serré). Si on ignore ces moments, on ne comprend pas la machine. Si on les garde tous, on noie l'ordinateur.

Les méthodes actuelles sont soit trop lentes (elles gardent tout), soit trop oublieuses (elles effacent les anciennes données et oublient les événements rares).

💡 La Solution : Le "Filtre Intelligents" et le "Miroir Linéaire"

Les auteurs de ce papier proposent une nouvelle méthode pour apprendre en temps réel (en ligne) sans se noyer dans les données. Voici comment ils font, avec deux idées clés :

1. Le Miroir Linéaire (L'Opérateur de Koopman)

Imaginez que la réalité est un film en 3D très complexe et chaotique. C'est dur à prédire.
L'idée de l'Opérateur de Koopman, c'est de projeter ce film 3D sur un miroir magique qui le transforme en une image 2D simple et droite (linéaire).

Au lieu de comprendre pourquoi la voiture dérape (complexe), on regarde juste une ligne droite qui prédit où elle va (simple).
Le but du papier est de construire et d'améliorer ce "miroir" au fur et à mesure qu'on reçoit des données.

2. Le Filtre de la "Nouveauté" (La Distance de Grassmann)

C'est ici que la magie opère. Au lieu de garder chaque goutte d'eau de la rivière, le système pose une question à chaque nouvelle donnée : "Est-ce que cette nouvelle information est vraiment différente de ce que je connais déjà ?"

Pour répondre, ils utilisent une mesure mathématique appelée Distance de Grassmann.

L'analogie du peintre : Imaginez que vous apprenez à peindre.
- Vous commencez par peindre des paysages (c'est votre premier modèle).
- Ensuite, vous recevez une photo d'un paysage très similaire. Votre système dit : "Ah, c'est juste un autre paysage, je connais déjà ça." -> Il jette la photo (pas besoin de la stocker).
- Soudain, vous recevez une photo d'un océan en furie (un régime dynamique différent). Votre système dit : "Whoa ! C'est totalement différent de ce que je connais ! C'est une nouvelle 'nouveauté' !" -> Il garde la photo et met à jour son modèle de peinture pour inclure les océans.

🚀 Comment ça marche concrètement ?

Le processus décrit dans le papier fonctionne comme un gardien de musée très sélectif :

Réception : Le système reçoit un nouveau paquet de données (un segment de vidéo de la machine).
Comparaison : Il compare la "forme" de ces nouvelles données avec ce qu'il a déjà appris (la sous-espace de ses données actuelles).
Le Test du Seuil :
- Si la différence est petite (en dessous d'un seuil) : C'est du "bruit" ou de la répétition. Le système dit : "Inutile de m'embêter, je jette ça." Cela économise énormément de place et de temps.
- Si la différence est grande (au-dessus du seuil) : C'est une découverte ! Le système dit : "Attention, nouvelle zone !" Il ajoute ces données à sa bibliothèque et met à jour son modèle (son miroir) pour inclure cette nouvelle réalité.
Adaptation : Le système peut même changer sa taille (son "ordre") si nécessaire. Si on lui montre des choses trop complexes, il grandit pour les comprendre. S'il voit que c'est simple, il reste petit et rapide.

🏆 Pourquoi c'est génial ? (Les Résultats)

Les auteurs ont testé leur méthode sur des simulations (comme un oscillateur de Duffing, qui est un système physique qui peut osciller de deux façons très différentes).

Gain de temps et d'espace : Au lieu d'utiliser 100% des données, ils n'ont gardé que les 20% les plus importants. Le reste était redondant.
Précision : Même avec moins de données, leur modèle prédit le futur beaucoup mieux que les méthodes classiques qui essaient de tout apprendre.
Détection des crises : Ils ont pu repérer instantanément quand le système passait d'un comportement calme à un comportement chaotique (comme passer d'une vallée calme à une tempête), ce qui est crucial pour la sécurité.

En résumé

Ce papier propose une façon intelligente d'apprendre des machines en temps réel. Au lieu de tout enregistrer (ce qui est impossible), le système agit comme un curateur d'art : il ne garde que les œuvres (les données) qui apportent quelque chose de nouveau et d'unique, et il ignore le reste. Cela permet de créer un modèle précis, léger et capable de s'adapter aux surprises, même dans des systèmes très complexes.

1. Problématique

L'essor des capteurs a généré une abondance de données en flux continu (streaming) pour des systèmes complexes. Bien que ces données soient précieuses pour la modélisation et le contrôle, leur traitement pose des défis majeurs :

Contraintes computationnelles : Les méthodes existantes (comme la Décomposition en Modes Dynamiques étendue, EDMD) nécessitent souvent des décompositions en valeurs singulières (SVD) et des inversions de matrices sur de grands ensembles de données, ce qui devient impossible à mesure que le volume de données augmente.
Hétérogénéité des régimes dynamiques : Les données en flux peuvent provenir intermittemment de régimes dynamiques très différents ou d'événements rares. Les méthodes adaptatives classiques utilisant un facteur d'oubli risquent de négliger ces régimes importants s'ils ne sont pas visités fréquemment.
Incertitude de l'ordre du système : Pour les systèmes complexes inconnus, déterminer l'ordre du système et apprendre les fonctions de base (basis functions) adaptées est difficile sans une connaissance a priori.

L'objectif est de développer un cadre permettant d'apprendre et de mettre à jour l'opérateur de Koopman en temps réel à partir de données en flux, tout en gérant efficacement les changements de régimes dynamiques et en minimisant l'utilisation des ressources de calcul.

2. Méthodologie

Les auteurs proposent un cadre basé sur l'identification récursive de sous-espaces (R-SSID) couplé à une mesure de distance de Grassmannienne pour la sélection des données.

A. Fondements Théoriques

Opérateur de Koopman : L'approche approxime un système dynamique non linéaire par un système linéaire invariant dans le temps (LTI) de haute dimension (espace "levé" ou lifted space). Les observables sont projetés sur cet espace via des fonctions de base.
Identification de Sous-Espace (SSID) : Au lieu de spécifier a priori les fonctions de base, la méthode utilise l'identification de sous-espaces pour reconstruire directement la matrice d'observabilité étendue ( $\Gamma$ ) et les matrices du système ( $K, B, C, D$ ) à partir des données d'entrée-sortie.
Régression par Processus Gaussien (GP) : Les états levés ( $z_t$ ) sont modélisés comme des réalisations de processus gaussiens, permettant d'apprendre la relation entre les états physiques $x_t$ et l'espace levé sans définir explicitement un dictionnaire de fonctions.

B. Algorithme Proposé : R-SSID avec Sélection Guidée par Grassmannienne

L'algorithme (Algorithm 2) fonctionne en plusieurs étapes itératives lors de l'arrivée de nouveaux segments de données :

Construction de la matrice de Hankel : Pour chaque nouveau segment de données, une matrice de Hankel est construite.
Calcul de la distance de Grassmannienne : On calcule la distance entre le sous-espace de la matrice d'observabilité étendue actuelle ( $\Gamma_i$ $Γ_{i}$ ) et le sous-espace du nouveau segment de données ( $\hat{\Gamma}_{i+1}$ $\hat{Γ}_{i + 1}$ ).
- La distance est définie par les angles principaux entre les sous-espaces.
Filtrage des données (Pruning) :
- Si la distance est inférieure à un seuil $\epsilon$ : Le nouveau segment est considéré comme redondant (provenant du même régime dynamique) et est ignoré.
- Si la distance est supérieure au seuil $\epsilon$ : Le segment est considéré comme "nouveau" (nouveau régime ou événement rare). Il est ajouté à l'archive et utilisé pour mettre à jour récursivement les matrices du système via la mise à jour de la matrice de données symétrique $\Xi$ .
Mise à jour Récursive : L'algorithme utilise une mise à jour récursive (basée sur le lemme d'inversion matricielle) pour mettre à jour les matrices sans recalculer l'intégralité de la SVD sur toutes les données historiques.
Adaptation de l'ordre : La décomposition en valeurs singulières de la matrice mise à jour permet de déterminer dynamiquement l'ordre du système ( $r$ ) en sélectionnant les modes dominants.

3. Contributions Clés

Gestion efficace des données en flux : Méthode capable de traiter des données illimitées en temps réel sans stocker l'historique complet, en ne conservant que les segments apportant une "nouveauté" informationnelle.
Détection automatique des régimes dynamiques : Utilisation de la distance de Grassmannienne pour identifier les changements qualitatifs dans la dynamique du système (ex: passage d'un oscillateur mono-puits à bi-puits).
Apprentissage adaptatif de l'ordre et des bases : Le système peut ajuster son ordre ( $r$ ) et apprendre les fonctions de base via des processus gaussiens, éliminant le besoin de définir un dictionnaire fixe.
Réduction de la complexité : Réduction significative du nombre de fonctions de base nécessaires par rapport aux méthodes EDMD classiques tout en maintenant une haute précision.

4. Résultats et Validation

Les auteurs ont validé leur approche sur deux exemples numériques :

Système Non Linéaire Simple :
- Un système non linéaire a été simulé avec 100 segments de données.
- Résultat : L'algorithme n'a accepté que 10 segments sur 100 pour la mise à jour (les 90 autres étant jugés redondants).
- L'opérateur de Koopman identifié a convergé vers la matrice de référence, et l'ordre du système a été correctement identifié comme étant 3 (basé sur les valeurs singulières).
Oscillateur de Duffing avec Contrôle :
- Un oscillateur de Duffing présentant des comportements complexes (oscillations mono-puits et bi-puits) a été testé avec 900 segments de données.
- Détection de changement : Une augmentation soudaine de la distance de Grassmannienne a été détectée au 601ème segment, correspondant au passage d'oscillations mono-puits à bi-puits.
- Adaptation : L'ordre du système a augmenté de 9 à 11 pour capturer la nouvelle dynamique.
- Performance de prédiction : Le modèle mis à jour (K900) a montré une erreur quadratique moyenne (RMSE) inférieure à celle du modèle initial (K600).
- Comparaison avec EDMD : L'algorithme R-SSID (avec 11 fonctions de base) a surpassé la méthode K-EDMD utilisant 27 et même 102 fonctions de base en termes de précision de prédiction et d'efficacité computationnelle.

5. Signification et Conclusion

Ce travail présente une avancée significative pour le contrôle et la modélisation de systèmes complexes à partir de données massives en temps réel.

Efficacité : Il résout le problème de la surcharge computationnelle en évitant de stocker et traiter toutes les données historiques.
Robustesse : Il est capable de capturer des événements rares ou des changements de régimes critiques que les méthodes à facteur d'oubli pourraient ignorer.
Précision : En adaptant dynamiquement l'ordre du système et les fonctions de base, il offre une précision supérieure avec un modèle plus parcimonieux (moins de paramètres) que les méthodes batch ou EDMD standards.

Cette approche ouvre la voie à des contrôleurs adaptatifs capables de fonctionner sur des systèmes non linéaires complexes dont la dynamique évolue dans le temps, en utilisant uniquement des flux de données de capteurs.