Incremental Data Driven Transfer Identification

1. Problématique

L'article aborde le défi de l'identification de systèmes linéaires invariants dans le temps (LTI) déterministes en temps réel, particulièrement lorsque les données collectées sur le système cible (le « vrai système ») sont insuffisantes pour garantir une identification unique et précise.

• Contexte : Les méthodes traditionnelles d'identification et de contrôle basé sur les données nécessitent des ensembles de données longs et riches (satisfaisant des conditions de rang et d'excitation persistante) pour être robustes au bruit et garantir l'unicité du modèle.
• Défi : Dans de nombreuses applications pratiques (procédés chimiques, systèmes complexes), la collecte de données prolongée est coûteuse, lente ou dangereuse. De plus, les systèmes non linéaires ou variant dans le temps nécessitent une ré-identification fréquente.
• Opportunité : Il existe souvent un accès à des données abondantes provenant d'un système « similaire » (par exemple, une simulation haute fidélité ou un modèle physique basé sur les spécifications du fabricant), bien que ce système ne soit pas identique au système réel.
• Objectif : Développer une méthode permettant d'utiliser ces données de transfert (du système similaire) combinées aux données en ligne (du système réel) pour identifier un modèle unique et convergent dès les premières étapes de la collecte de données, sans attendre que le jeu de données réel devienne pleinement informatif.

2. Méthodologie

L'approche proposée est purement géométrique et repose sur la théorie des sous-espaces et des angles principaux.

A. Représentation par Sous-espaces

Au lieu d'estimer directement les matrices d'état $(A, B)$, les auteurs caractérisent les systèmes par les sous-espaces engendrés par leurs matrices de données.

• Soit $S$ le sous-espace associé aux données abondantes du système similaire.
• Soit $T_i$ le sous-espace associé aux données collectées jusqu'au temps $i$ sur le système réel.
• Soit $T_\Omega$ le sous-espace inconnu du vrai système (atteint lorsque les données sont suffisantes).

B. Construction Incrémentale du Sous-espace $H_i$

L'idée centrale est de construire, à chaque instant $i$, un sous-espace $H_i$ qui satisfait deux critères :

1. Il contient les données réelles disponibles ($T_i \subseteq H_i$).
2. Il est le plus proche possible du sous-espace du système similaire ($S$) selon une métrique géométrique définie (l'angle principal maximal).

La formule de construction est donnée par :
$$H_i = T_i + (T_i^\perp \cap S)$$
Où $T_i^\perp$ est le complément orthogonal de $T_i$.

Interprétation :

• Initialement, lorsque les données réelles sont rares ($dim(T_i)$ est petit), le terme $(T_i^\perp \cap S)$ domine, et $H_i$ est très proche de $S$.
• À mesure que de nouvelles données réelles sont collectées, la dimension de $T_i$ augmente, réduisant la dimension de l'intersection $(T_i^\perp \cap S)$. Le sous-espace $H_i$ s'éloigne progressivement de $S$ pour se rapprocher de $T_\Omega$.
• Cette transition se fait sans paramètres de pondération à régler (contrairement aux méthodes bayésiennes ou aux réseaux de neurones).

C. Extraction du Modèle d'État

Une fois le sous-espace $H_i$ construit, il est partitionné pour extraire les matrices du système $(A_i, B_i)$ :
$$[A_i \quad B_i] = X_i^+ \begin{bmatrix} X_i^- \\ U_i^- \end{bmatrix}^\dagger$$
où $X_i^+, X_i^-, U_i^-$ sont des partitions de la base de $H_i$ correspondant respectivement aux états futurs, états passés et entrées.

3. Contributions Clés

1. Existence et Unicité Garanties : L'article prouve que, sous des hypothèses raisonnables (les sous-espaces ne sont pas partiellement orthogonaux), le sous-espace $H_i$ a une dimension fixe et permet d'extraire un modèle d'état unique $(A_i, B_i)$ à chaque instant, même lorsque les données réelles sont insuffisantes pour une identification classique.
2. Propriétés de Convergence Monotone :
   • La distance entre $H_i$ et le système similaire $S$ augmente de manière monotone.
   • La distance entre $H_i$ et le vrai système $T_\Omega$ diminue de manière monotone à mesure que les données s'accumulent.
   • Lorsque les données deviennent informatives (rang maximal), $H_i$ converge exactement vers $T_\Omega$.
3. Bornes d'Erreur : Les auteurs établissent des bornes théoriques reliant la distance entre les sous-espaces ($d(H_i, T_\Omega)$) et l'erreur d'estimation des paramètres ($\|[A_i \ B_i] - [A_T \ B_T]\|_F$). Cela permet de quantifier l'incertitude du modèle à chaque étape.
4. Efficacité Computationnelle : La méthode ne nécessite pas d'optimisation en ligne (comme les LMI ou les descentes de gradient) ni de réglage de paramètres. Elle repose sur des décompositions en valeurs singulières (SVD) et des opérations algébriques directes, la rendant adaptée à une mise en œuvre en temps réel.

4. Résultats et Validation

Les résultats sont validés par des exemples numériques :

• Cas 1 : Réacteur Nucléaire (PHWR) :

  • Un système de haute dimension ($n=56, m=15$) est utilisé.
  • Un système similaire est créé en ajoutant du bruit aux paramètres réels.
  • Les résultats montrent que la distance entre le sous-espace estimé et le vrai sous-espace diminue rapidement, et l'erreur de Frobenius sur les matrices converge vers zéro dès que le rang des données atteint la dimension nécessaire.

• Cas 2 : Placement de Pôles (Système Instable) :

  • Un système instable est contrôlé en utilisant l'approche d'équivalence de certitude (certainty equivalence) avec le modèle estimé.
  • Comparaison :
    • Utiliser uniquement le modèle du système similaire conduit à un système en boucle fermée instable.
    • Utiliser le modèle incrémental proposé (avec très peu de données réelles) permet de stabiliser le système et de placer les pôles très près de la position désirée.
  • Cela démontre l'utilité pratique de la méthode pour le contrôle précoce.

5. Signification et Impact

Cet article apporte une contribution significative à la communauté du contrôle basé sur les données et de l'apprentissage par transfert :

• Réduction du temps d'arrêt : Il permet de déployer des contrôleurs ou d'identifier des systèmes beaucoup plus tôt dans le processus de collecte de données, réduisant ainsi les coûts et les risques associés aux périodes d'identification longues.
• Rigueur Théorique : Contrairement à de nombreuses méthodes d'apprentissage par transfert basées sur le Deep Learning (qui manquent souvent de garanties théoriques), cette approche offre des preuves mathématiques d'unicité, de convergence et de bornes d'erreur.
• Simplicité d'Implémentation : L'absence de paramètres à régler et de boucles d'optimisation en ligne rend la méthode robuste et facile à intégrer dans des systèmes embarqués ou des applications industrielles.
• Perspective Géométrique : Elle offre une nouvelle perspective élégante pour fusionner des données hétérogènes (similaires et réelles) en exploitant la structure des sous-espaces, ouvrant la voie à des extensions futures (par exemple, vers des données bruitées, bien que cela reste un défi ouvert mentionné par les auteurs).

En résumé, cette méthode propose un cadre rigoureux et efficace pour « transférer » la connaissance d'un système similaire vers un système réel, permettant une identification et un contrôle fiables même avec des données initiales très limitées.