Neural Luenberger state observer for nonautonomous nonlinear systems

1. Problématique et Contexte

La surveillance et le contrôle des procédés chimiques non linéaires reposent souvent sur des représentations d'espace d'état. Cependant, dans la pratique, la mesure complète de l'état du système est rarement possible en raison de contraintes physiques (ex. : concentrations non mesurables) ou financières (coût des capteurs). Cela rend nécessaire l'utilisation d'observateurs d'état pour estimer les variables internes à partir des entrées et sorties disponibles.

Les approches classiques présentent des limites :

• Filtre de Kalman étendu (EKF) : Nécessite une linéarisation locale et un modèle précis ; sa convergence est limitée à un voisinage de l'état réel.
• Observateurs à haut gain : Souffrent de phénomènes de dépassement transitoire (peaking) et d'une sensibilité élevée au bruit.
• Observateurs KKL (Kazantzis-Kravaris/Luenberger) : Bien que théoriquement puissants pour les systèmes non linéaires, leur synthèse traditionnelle exige la résolution d'équations aux dérivées partielles (EDP) basées sur un modèle, ce qui est souvent impossible ou impraticable pour des systèmes complexes ou inconnus.

Le défi principal abordé par cet article est de concevoir un observateur d'état entièrement sans modèle (model-free) pour des systèmes non autonomes (c'est-à-dire des systèmes soumis à des entrées de commande manipulées), capable d'apprendre directement à partir de données historiques ou simulées, sans connaissance a priori de la dynamique du système.

2. Méthodologie : L'Observateur NLOX

Les auteurs proposent une méthode appelée NLOX (Neural Luenberger Observer for nonlinear systems with external inputs). Cette approche étend le cadre KKL aux systèmes non autonomes en utilisant des réseaux de neurones pour approximer les composantes non linéaires.

A. Structure Théorique

Le système est modélisé sous forme affine en entrée :
$$\dot{x}(t) = f(x(t)) + g(x(t))u(t)$$
$$y(t) = h(x(t))$$

L'observateur proposé suit une dynamique de type Luenberger augmentée d'un terme affine en entrée pour gérer les perturbations externes :
$$\dot{z} = Az + By + \omega(z)u$$
$$\hat{x} = T^\dagger(z)$$

Où :

• $z$ est l'état de l'observateur (dans un espace de dimension supérieure).
• $A$ et $B$ sont des matrices linéaires invariantes dans le temps (LTI), choisies pour être stables (matrice $A$ de Hurwitz).
• $\omega(z)$ est un terme de correction affine en entrée dépendant de l'état de l'observateur.
• $T^\dagger$ est l'application inverse (pseudo-inverse) qui projette l'état de l'observateur $z$ vers l'estimation de l'état du système $\hat{x}$.

B. Apprentissage par Réseaux de Neurones

Au lieu de résoudre les EDP analytiques pour trouver les transformations $T$ et $\omega$, l'article propose d'apprendre ces fonctions directement à partir de données :

1. Architecture : Deux réseaux de neurones à propagation avant (MLP) entièrement connectés sont utilisés.
   • Un réseau apprend la fonction $\omega(z)$ (correction d'entrée).
   • Un autre réseau (ou un ensemble de réseaux) apprend la fonction $T^\dagger(z)$ (reconstruction de l'état).
2. Entraînement Supervisé (Hors ligne) : Les réseaux sont entraînés sur un jeu de données contenant des trajectoires d'entrées ($u$), de sorties ($y$) et d'états réels ($x$) (obtenus par simulation ou historique).
3. Fonction de Perte : L'objectif est de minimiser l'erreur quadratique entre l'état réel $x$ et l'estimation $\hat{x} = T^\dagger(z)$, où $z$ est simulé dynamiquement en utilisant la sortie du réseau $\omega$.
4. Stabilité : L'approche repose sur l'hypothèse de stabilité entrée-état incrémentale ($\delta$ISS) du système, garantissant que de petites variations des entrées n'entraînent pas de grandes déviations des trajectoires.

3. Contributions Clés

1. Synthèse sans modèle pour systèmes non autonomes : C'est la première approche qui apprend simultanément le terme affine en entrée et la transformation non linéaire d'état dans une structure KKL, spécifiquement pour des systèmes avec entrées de commande.
2. Garanties théoriques : Les auteurs établissent une borne d'erreur de généralisation probabiliste. Ils démontrent que l'erreur d'estimation sur de nouvelles données est bornée, en fonction de la taille de l'ensemble de données, de la complexité des réseaux (complexité de Rademacher) et de l'erreur de discrétisation numérique.
3. Applicabilité aux systèmes de haute dimension : Contrairement aux méthodes précédentes souvent limitées à des systèmes de faible dimension ($n_x \le 3$), cette méthode est validée sur un réacteur chimique complexe à 6 états.
4. Robustesse aux perturbations : La méthode démontre une capacité à maintenir une performance d'estimation précise même en présence de bruit et de perturbations stochastiques sur les entrées.

4. Résultats Expérimentaux

L'efficacité de la méthode NLOX a été validée sur deux études de cas industrielles :

Cas 1 : Réacteur Biologique (Bioreactor)

• Système : Réacteur à volume constant avec croissance microbienne (2 états).
• Comparaison : NLOX a été comparé à une solution analytique (KKL théorique), un Filtre de Kalman Étendu (EKF) et un Observateur à Mode Glissant (SMO).
• Résultats :
  • NLOX a atteint une précision comparable à la solution analytique (qui nécessite un modèle parfait) et a surpassé l'EKF et le SMO.
  • L'erreur quadratique moyenne (RMSE) sur les états testés était faible, démontrant que l'apprentissage sans modèle peut rivaliser avec les méthodes basées sur des modèles précis.
  • La méthode a maintenu sa robustesse lors de l'ajout de bruit sur les entrées.

Cas 2 : Réacteur Williams-Otto

• Système : Réacteur continu agité (CSTR) non isotherme avec trois réactions chimiques (6 états, 2 entrées, 2 sorties). C'est un système de dimension supérieure et fortement non linéaire.
• Défi : La synthèse analytique d'un observateur KKL pour ce système est intraitable.
• Comparaison : Comparaison avec l'EKF et le SMO.
• Résultats :
  • NLOX a surpassé significativement l'EKF (amélioration de précision d'un facteur ~4) et le SMO (facteur ~2).
  • L'avantage majeur de NLOX réside dans sa capacité à converger rapidement même lors de la phase d'initialisation, là où l'EKF échoue souvent en raison d'une mauvaise linéarisation initiale.
  • L'approche a réussi à gérer la complexité de la reconstruction de 6 états simultanément, prouvant son évolutivité.

5. Signification et Perspectives

Cet article comble un vide important dans la littérature sur l'observation d'état. Il démontre qu'il est possible de concevoir des observateurs robustes et précis pour des systèmes non linéaires complexes et non autonomes sans avoir besoin d'un modèle physique explicite.

• Impact Industriel : La méthode offre une alternative viable aux observateurs basés sur des modèles pour les procédés où la modélisation est difficile, coûteuse ou imprécise. Elle permet une mise en œuvre « data-driven » directe.
• Limitations actuelles : L'approche actuelle nécessite un apprentissage supervisé, c'est-à-dire l'accès à des données d'états réels (ou simulés de haute fidélité) pour l'entraînement.
• Travaux futurs : Les auteurs prévoient d'explorer des méthodes d'apprentissage non supervisé pour éliminer le besoin de données d'état « ground truth », en formulant un problème d'optimisation conjoint où l'observateur apprend à suivre un état latent cohérent avec les entrées-sorties.

En conclusion, le NLOX représente une avancée significative vers des observateurs d'état universels et adaptatifs pour la chimie et le génie des procédés, combinant la rigueur théorique du cadre KKL avec la puissance d'approximation des réseaux de neurones.