⚡ electrical engineering

A guided residual search for nonlinear state-space identification

Cet article propose une méthode d'identification de modèles d'espace d'état non linéaires qui améliore la fiabilité et l'efficacité de l'estimation des paramètres en décomposant le problème d'optimisation non convexe en une séquence de sous-problèmes traitables, combinant une recherche guidée des résidus à partir d'un modèle linéaire initial et un affinage par optimisation à multiples tirs.

Auteurs originaux : Merijn Floren, Jan Swevers

Publié 2026-02-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Merijn Floren, Jan Swevers

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

Imaginez que vous essayez de prédire la trajectoire d'une balle de tennis qui rebondit sur un terrain très irrégulier, avec des vents changeants et des rebonds imprévisibles. C'est ce que font les ingénieurs quand ils essaient de créer un modèle mathématique pour des systèmes complexes (comme un avion ou un moteur) qui ne se comportent pas de manière simple et linéaire.

Le problème, c'est que trouver la bonne formule pour prédire ce comportement est comme chercher une aiguille dans une botte de foin géante, dans le noir, et en courant. Si vous commencez au mauvais endroit, vous risquez de rester coincé dans un petit trou (un "minimum local") et de penser que c'est la meilleure solution, alors que ce n'est pas le cas.

Voici comment l'équipe de Merijn Floren et Jan Swevers a résolu ce casse-tête, expliqué simplement :

1. Le problème : La montagne trop raide

Pour prédire le futur d'un système complexe, on utilise souvent un modèle "linéaire" (une ligne droite) comme base, puis on ajoute un "correctif" pour gérer les bizarreries (les non-linéarités).
Le problème, c'est que si vous essayez d'ajuster ce correctif d'un seul coup, le calcul devient un chaos. C'est comme essayer de grimper une montagne escarpée dans le brouillard : vous risquez de glisser dans un ravin et de ne jamais atteindre le sommet.

2. La solution : Une approche en trois étapes (Le guide de randonnée)

Au lieu de grimper d'un seul bond, les auteurs proposent une méthode en trois étapes, comme un guide de randonnée qui vous emmène au sommet pas à pas.

Étape 1 : La "Recherche guidée des résidus" (Le détective)

Imaginez que vous avez déjà une carte approximative du terrain (le modèle linéaire de base). Vous savez qu'il y a des erreurs entre votre carte et la réalité.
Au lieu de deviner au hasard où sont ces erreurs, ils utilisent une méthode intelligente appelée "recherche guidée".

L'analogie : C'est comme si vous regardiez une vidéo du trajet et que vous cherchiez, fenêtre par fenêtre, exactement où la voiture a dévié de la route prévue. Ils ne regardent pas tout le voyage d'un coup, mais de petits bouts de temps. Cela leur permet de deviner très précisément ce que le système "réel" a fait de différent par rapport à la théorie.
Le résultat : Ils obtiennent une liste très précise des "erreurs" (les résidus) et de l'état du système à chaque instant.

Étape 2 : L'Entraînement du "Correcteur" (L'élève)

Maintenant qu'ils ont cette liste précise d'erreurs, ils entraînent un petit cerveau artificiel (un réseau de neurones) pour apprendre à reproduire ces erreurs.

L'analogie : C'est comme donner à un élève un cahier de corrections parfait. L'élève apprend par cœur comment le système se trompe. À la fin, l'élève est très fort pour prédire l'erreur, mais il a appris en regardant les réponses, pas en vivant l'expérience.

Étape 3 : Le "Tir multiple" (Le test de réalité)

C'est ici que ça devient crucial. Si on utilise simplement ce que l'élève a appris pour prédire le futur sur une longue période, il va se tromper de plus en plus.

Le problème du "Décalage" : Imaginez que l'élève prédit l'erreur de demain, puis utilise cette prédiction pour prédire l'erreur de après-demain. Comme sa prédiction n'est pas parfaite à 100 %, l'erreur s'accumule. C'est comme le jeu du téléphone arabe : à la fin, le message est totalement déformé. C'est ce qu'on appelle le décalage de distribution.
La solution (Le Tir Multiple) : Au lieu de faire une seule longue prédiction, ils divisent le voyage en petits segments courts. À chaque début de segment, ils "réinitialisent" la position du système avec les données réelles (ou les meilleures estimations).
L'analogie : Au lieu de demander à l'élève de prédire tout le voyage d'un coup, on lui demande de prédire les 10 prochaines minutes, puis on lui donne la position réelle à la minute 10, et on lui demande de prédire les 10 minutes suivantes. Cela empêche les petites erreurs de s'accumuler et de devenir catastrophiques.

3. Pourquoi c'est génial ?

Éviter les pièges : En commençant par cette méthode étape par étape, ils placent le modèle dans une "zone de confort" où il a de grandes chances de trouver la meilleure solution possible, au lieu de se perdre au hasard.
Robustesse : Même si le modèle initial semble imparfait (à cause du décalage mentionné plus haut), la dernière étape (le tir multiple) permet de le polir et de le rendre extrêmement précis.
Résultats : Ils ont testé ça sur un système électronique (Silverbox) et sur un avion de chasse (F-16). Leurs modèles ont mieux prédit le comportement réel que les méthodes actuelles les plus avancées, surtout sur le long terme.

En résumé

Cette méthode est comme un architecte qui ne construit pas un gratte-ciel d'un seul coup. D'abord, il pose des fondations solides (le modèle linéaire). Ensuite, il construit des étages un par un en s'assurant que chaque étage est parfaitement aligné avant de passer au suivant (la recherche guidée). Enfin, il vérifie la stabilité de l'ensemble en testant chaque section individuellement avant de les assembler définitivement (le tir multiple).

Le résultat ? Un modèle qui comprend la complexité du monde réel sans se perdre dans le chaos des calculs.

1. Problématique

L'identification de systèmes dynamiques non linéaires à partir de données entrée-sortie expérimentales est un défi majeur, principalement en raison de la nécessité de résoudre des problèmes d'optimisation hautement non convexes. Ces problèmes souffrent souvent de :

Convergence lente et risque de piégeage dans des minima locaux sous-optimaux.
Sensibilité à l'initialisation : une mauvaise initialisation des paramètres conduit souvent à des solutions médiocres.
Effets de gradient : la simulation récursive sur de longs horizons peut entraîner des effets de gradient explosifs ou disparaissants, augmentant les coûts computationnels.
Décalage de distribution (Distribution Shift) : Les méthodes existantes qui estiment les états latents de manière indépendante (sans récursivité) créent un décalage entre la phase d'entraînement et la phase de simulation réelle, où les erreurs s'accumulent exponentiellement.

L'objectif est d'identifier des modèles d'espace d'état non linéaires sous la forme d'une Représentation Linéaire Fractionnaire Non Linéaire (NL-LFR), qui sépare les dynamiques linéaires dominantes des non-linéarités localisées via une interconnexion de rétroaction.

2. Méthodologie

Les auteurs proposent une stratégie d'identification séquentielle en trois étapes, conçue pour décomposer le problème global en sous-problèmes traitables :

Étape I : Recherche guidée des résidus (Guided Residual Search)

Principe : En partant d'un modèle linéaire initial ( $M_0$ ), cette étape vise à estimer les variables latentes ( $w$ et $x$ ) et les matrices de couplage ( $B_w, D_{yw}$ ) associées à la non-linéarité.
Approche Bilevel :
- Problème interne : Estimation non paramétrique des résidus $w$ sur des fenêtres temporelles glissantes (stratégie de fenêtre), en traitant $w$ comme une entrée exogène. Cela permet d'inférer les états $x$ sans résoudre le problème de contrôle optimal complet.
- Problème externe : Mise à jour des paramètres $\theta_{wy} = (B_w, D_{yw})$ pour minimiser l'erreur de sortie sur l'ensemble des fenêtres.
Avantage : Cette approche fournit une estimation initiale des états et des paramètres non linéaires beaucoup plus précise qu'une initialisation aléatoire.

Étape II : Apprentissage paramétrique du résidu non linéaire

Une fois les variables latentes ( $w^*, x^*$ ) estimées, un réseau de neurones (NN) est entraîné pour modéliser la fonction statique non linéaire $f_{NN}$ qui relie les états et les entrées au résidu $w$ .
Les matrices de sortie du NN ( $C_z, D_{zu}$ ) et les poids du réseau sont optimisés en minimisant l'erreur quadratique entre le résidu estimé et la prédiction du NN.
Hypothèse : À ce stade, les échantillons sont traités comme indépendants (I.I.D.), ce qui permet un entraînement efficace sur GPU, mais ignore la dynamique récursive du système.

Étape III : Optimisation finale par tir multiple (Multiple Shooting)

Problème : L'entraînement précédent (Étape II) ignore la récursivité, ce qui, selon le Théorème 1 des auteurs, entraîne une accumulation exponentielle des erreurs lors de la simulation (décalage de distribution).
Solution : Une optimisation conjointe de tous les paramètres du modèle NL-LFR et des états initiaux des intervalles de tir est réalisée.
Tir Multiple : La simulation est divisée en intervalles courts. Les états initiaux de chaque intervalle sont traités comme des variables de décision. Cela lisse le paysage de la fonction de perte, limite l'accumulation d'erreurs et permet de récupérer des régions de paramètres non contractives.
Initialisation : Les résultats des étapes I et II fournissent une initialisation "éclairée" (well-informed) pour cette optimisation finale, évitant les minima locaux.

3. Contributions Clés

Extension de la recherche guidée des résidus : Adaptation de cette méthode aux modèles NL-LFR généraux sans nécessiter de connaissances a priori des équations physiques ni de données périodiques (contrairement aux travaux précédents).
Analyse théorique et mitigation du décalage de distribution :
- Démonstration théorique (Théorème 1) que l'estimation non récursive des résidus conduit à une erreur de simulation croissant exponentiellement ( $O(L^{N-1}\epsilon)$ ) si le système n'est pas contractif.
- Démonstration expérimentale de ce phénomène sur des données réelles.
- Proposition d'une stratégie de mitigation via l'optimisation par tir multiple pour corriger ce décalage lors de la phase finale.
Stratégie d'initialisation hybride : Combinaison d'une estimation non paramétrique des résidus, d'un apprentissage de réseau de neurones, et d'une optimisation par tir multiple pour garantir une convergence robuste.

4. Résultats Expérimentaux

La méthode a été validée sur deux benchmarks expérimentaux :

Système Silverbox (Système masse-ressort-amortisseur non linéaire) :
- Comparaison avec des méthodes "boîte noire" de l'état de l'art (SUBNET, PNLSS).
- La méthode proposée atteint des erreurs quadratiques moyennes normalisées (NRMSE) compétitives, surpassant les méthodes purement linéaires et rivalisant avec les approches profondes complexes.
- L'initialisation guidée permet une convergence beaucoup plus rapide et vers des solutions plus précises que l'initialisation linéaire seule.
- Le tir multiple converge systématiquement vers des erreurs finales plus faibles que le tir unique (single shooting).
Test de vibration au sol d'un F-16 :
- Système plus complexe (1 entrée, 3 sorties, non-linéarités de rigidité et d'amortissement).
- Preuve du décalage de distribution : L'entraînement du réseau de neurones seul réduit l'erreur statique mais augmente drastiquement l'erreur de simulation dynamique (volatilité), confirmant le théorème.
- Performance de convergence : Malgré une erreur de simulation initiale élevée due au décalage, le modèle initialisé par la méthode proposée converge rapidement vers une solution optimale. À l'inverse, l'initialisation linéaire seule reste piégée dans un minimum local.
- Le modèle final NL-LFR améliore significativement la précision de simulation par rapport au modèle linéaire (BLA) sur des données de test non vues.

5. Signification et Impact

Ce travail apporte une contribution significative à l'identification des systèmes non linéaires en :

Rendant l'optimisation non convexe plus fiable : En décomposant le problème complexe en étapes gérables, il réduit la dépendance à une initialisation aléatoire.
Résolvant le paradoxe de l'entraînement vs simulation : Il identifie et corrige explicitement le problème du décalage de distribution inhérent aux méthodes qui séparent l'estimation d'état de la simulation récursive.
Offrant une alternative efficace : La méthode propose un compromis intéressant entre la complexité computationnelle des méthodes d'encodage profond (comme SUBNET) et la précision des modèles physiques, tout en restant applicable à des données arbitraires (non périodiques).

En conclusion, cette approche permet d'obtenir des modèles d'état non linéaires de haute fidélité avec une convergence robuste, essentielle pour les applications de contrôle avancé et la modélisation de systèmes physiques complexes.