Computing Scaled Relative Graphs of Discrete-time LTI Systems from Data

Cet article présente des méthodes pour calculer exactement le graphe relatif mis à l'échelle (SRG) de systèmes linéaires invariants dans le temps discrets à partir de leur représentation d'état ou de données d'entrée-sortie, en introduisant également une version robuste capable de gérer des données bruitées.

L'essentiel

Imaginez que vous essayez de comprendre comment fonctionne une machine mystérieuse, comme un vieux réfrigérateur ou un système de chauffage complexe, sans avoir accès à ses plans techniques. Vous ne pouvez que lui donner des commandes (allumer, éteindre, régler la température) et observer ce qui se passe (le bruit, la température de l'air).

C'est exactement le défi que relève ce papier scientifique, mais avec des systèmes mathématiques appelés systèmes LTI (des machines qui réagissent de manière prévisible et constante dans le temps).

Voici l'explication de ce travail, traduite en langage simple avec des images concrètes :

1. La Carte au Trésor : Le "Graphique Relatif Échelle" (SRG)

Dans le monde de l'ingénierie, pour savoir si une machine va fonctionner correctement ou si elle va exploser, les ingénieurs utilisent des cartes. Traditionnellement, ils utilisaient des cartes comme les diagrammes de Bode ou de Nyquist (des graphiques complexes qui ressemblent à des montagnes russes).

Récemment, une nouvelle carte plus puissante a été inventée : le Graphique Relatif Échelle (SRG).

• L'analogie : Imaginez que le SRG est une carte de trésor en 3D qui montre non seulement combien la machine amplifie un signal (le volume), mais aussi quand elle le fait (le décalage dans le temps).
• Le but : Si cette carte est "propre" et bien définie, on sait que le système est stable. Si elle est trop grande ou bizarre, le système pourrait devenir fou.

2. Le Problème : Comment dessiner cette carte ?

Jusqu'à présent, pour dessiner cette carte, il fallait connaître les "plans intérieurs" de la machine (les équations mathématiques précises, comme le moteur, les engrenages, etc.). C'est comme si vous ne pouviez dessiner la carte du trésor que si vous aviez déjà les plans de la grotte.

Mais que faire si vous n'avez pas les plans ? Que faire si la machine est inconnue, ou si elle est abîmée et que vous ne savez pas exactement comment elle réagit ?

3. La Solution du Papier : Dessiner la carte à partir de l'expérience

Les auteurs de ce papier (Talitha Nauta et Richard Pates) ont trouvé trois façons magiques de dessiner cette carte sans avoir les plans :

A. Si vous avez les plans (La méthode mathématique)

Si vous connaissez les équations de la machine, ils montrent comment utiliser une calculatrice très puissante (des "Inégalités Matricielles Linéaires" ou LMI) pour tracer la carte parfaitement. C'est comme utiliser un GPS ultra-précis quand on a la carte papier.

B. Si vous n'avez que des observations (La méthode "Data-Driven")

C'est la partie la plus excitante. Imaginez que vous n'avez pas les plans, mais que vous avez un journal de bord : une liste de toutes les commandes que vous avez données et de toutes les réactions que vous avez observées.

• L'analogie : C'est comme si vous appreniez à conduire une voiture inconnue en regardant simplement comment elle réagit quand vous tournez le volant, sans jamais ouvrir le capot.
• La méthode : Les auteurs montrent comment prendre ces données (les entrées et les sorties) et utiliser les mêmes calculs puissants pour reconstruire la carte du trésor. Ils prouvent que si vous avez assez de données variées (ce qu'ils appellent "persistance d'excitation", un peu comme secouer le système pour voir comment il réagit partout), vous pouvez dessiner la carte aussi précisément que si vous aviez les plans.

C. Si les données sont "sales" (La méthode Robuste)

Dans la vraie vie, les données ne sont jamais parfaites. Il y a du bruit, des erreurs de mesure, comme si quelqu'un parlait fort pendant que vous écoutiez la machine.

• L'analogie : Imaginez que vous essayez de dessiner la carte du trésor, mais que votre crayon tremble ou qu'il y a de la pluie sur le papier.
• La solution : Les auteurs proposent une version "robuste" de la carte. Au lieu de dessiner un point précis, ils dessinent une zone de sécurité (un cercle plus large). Cette zone garantit que, même avec le bruit et les erreurs, la vraie carte du trésor se trouve à l'intérieur de votre dessin. C'est une zone de sécurité qui protège l'ingénieur contre les surprises.

4. Pourquoi c'est important ?

Ce papier est comme un manuel d'instructions pour les ingénieurs modernes :

1. Il dit : "Vous n'avez plus besoin de connaître la mécanique interne de la machine pour savoir si elle est sûre."
2. Il dit : "Même si vos mesures sont imparfaites, vous pouvez quand même tracer une zone de sécurité fiable."

En résumé, ils ont transformé un outil mathématique complexe (le SRG) en quelque chose de calculable directement à partir de l'expérience, que la machine soit connue ou inconnue, parfaite ou bruyante. C'est une avancée majeure pour rendre les systèmes automatisés plus sûrs et plus faciles à analyser, même sans connaître leurs secrets les plus profonds.

Résumé technique

Voici un résumé technique détaillé de l'article "Computing Scaled Relative Graphs of Discrete-Time LTI Systems from Data" de Talitha Nauta et Richard Pates.

1. Problématique et Contexte

Les méthodes graphiques d'analyse de systèmes (comme les diagrammes de Nyquist et de Bode) sont fondamentales en théorie du contrôle classique pour l'analyse de stabilité, de robustesse et la conception de boucles. Récemment, le Graphique Relatif Échelle (Scaled Relative Graph - SRG) est apparu comme un outil prometteur pour l'analyse des systèmes dynamiques, tant linéaires que non linéaires. Le SRG généralise les notions de gain et de déphasage dans le plan complexe étendu, offrant une représentation géométrique des propriétés des opérateurs.

Cependant, une lacune majeure subsistait : les méthodes existantes pour calculer ou sur-approcher le SRG étaient principalement développées pour les systèmes continus ou pour des opérateurs abstraits sur des espaces de Hilbert. De plus, le calcul exact du SRG pour les systèmes linéaires invariants dans le temps (LTI) discrets à partir de leur représentation d'état, ou à partir de données brutes (sans modèle), n'était pas entièrement résolu.

L'objectif de cet article est de combler ces lacunes en :

1. Établissant une méthode exacte pour calculer le SRG des systèmes LTI discrets à partir de leur représentation d'état.
2. Proposant une approche entièrement pilotée par les données (data-driven) pour calculer le SRG d'un système inconnu.
3. Développant une version robuste du SRG capable de gérer des données bruitées.

2. Méthodologie

Les auteurs considèrent un système LTI discret multi-entrées multi-sorties (MIMO) défini par :
$$x_{k+1} = Ax_k + Bu_k, \quad x_0 = 0$$
$$y_k = Cx_k + Du_k$$

Ils définissent deux types d'opérateurs associés à ce système agissant sur l'espace des suites carré-sommables $\ell_2$ (ou ses tronquations $\ell_{2,\tau}$) :

• $T_\tau$ : Opérateur sur un horizon fini tronqué.
• $T$ : Opérateur sur l'horizon infini.

Le SRG d'un opérateur $L$ est défini comme l'ensemble des points dans le plan complexe représentant le rapport de gain $\|y\|/\|u\|$ et le déphasage entre l'entrée et la sortie.

A. Calcul à partir de la représentation d'état (Modèle connu)

Pour un système dont les matrices $(A, B, C, D)$ sont connues, les auteurs utilisent le Lemme de Bounded Real et des Inégalités Matricielles Linéaires (LMI).

• Le calcul du gain maximum ($\bar{\sigma}$) et du gain minimum ($\underline{\sigma}$) de l'opérateur $T - \alpha I$ (où $\alpha \in \mathbb{R}$) est formulé comme un problème d'optimisation convexe sous contraintes LMI.
• Le SRG est ensuite reconstruit en intersectant les régions définies par ces gains pour une grille de valeurs de $\alpha$.
• Le théorème 1 fournit les conditions LMI exactes pour obtenir ces gains limites lorsque $\tau \to \infty$.

B. Calcul à partir de trajectoires de données (Modèle inconnu, sans bruit)

Lorsque les matrices du système sont inconnues mais qu'une trajectoire entrée-sortie $(u_k, y_k)$ est disponible, les auteurs s'appuient sur les travaux récents sur la vérification de la dissipativité à partir de données.

• Hypothèses : L'entrée doit être persistamment excitante d'un ordre suffisant, et la longueur de la fenêtre de données doit dépasser le "lag" (retard) du système.
• Méthode : Les données sont organisées en matrices de Hankel ($\Xi, \Xi_+, U_\Xi, Y_\Xi$).
• Le théorème 2 montre que les mêmes LMIs que dans le cas modèle connu peuvent être reformulées directement en fonction de ces matrices de données, permettant de calculer les bornes de gain et donc le SRG sans jamais identifier les matrices $A, B, C, D$.

C. Calcul robuste à partir de données bruitées

Pour les données corrompues par du bruit de processus $v_k$, les auteurs introduisent une approche robuste.

• Le bruit est modélisé comme appartenant à un ensemble défini par une contrainte quadratique (Assomption 1).
• En utilisant un Lemme de Dualisation et des outils de contrôle robuste, ils caractérisent l'ensemble de tous les systèmes $(\tilde{C}, \tilde{D})$ compatibles avec les données bruitées.
• Le Théorème 3 propose une LMI robuste qui garantit que le SRG calculé contient (sur-approxime) le SRG du système réel, quelle que soit la réalisation du bruit dans l'ensemble supposé.

3. Contributions Clés

1. Extension aux systèmes discrets : Première formulation exacte du calcul du SRG pour les systèmes LTI discrets via des LMIs basées sur l'espace d'état.
2. Approche Data-Driven : Démonstration qu'il est possible de calculer le SRG d'un système inconnu uniquement à partir d'une seule trajectoire entrée-sortie, sans identification préalable du modèle.
3. SRG Robuste : Développement d'une méthode pour construire un SRG robuste qui englobe le SRG réel en présence de bruit, garantissant ainsi la sécurité de l'analyse de stabilité.
4. Unification théorique : Lien explicite entre les opérateurs sur $\ell_2$ tronqués et infinis, et leur calcul via des inégalités matricielles.

4. Résultats et Validation

Les auteurs valident leurs méthodes à travers des exemples numériques :

• Système MIMO instable : La comparaison entre le SRG calculé via le modèle (Théorème 1) et via les données (Théorème 2) montre une correspondance parfaite. Le SRG robuste (Théorème 3) englobe correctement le SRG réel, avec une extension visible due au bruit.
• Filtres passe-bas et passe-haut : Deux systèmes différents possédant le même diagramme de Nyquist (et donc le même SRG théorique) sont analysés. Bien que leurs SRG idéaux soient identiques, leurs SRG robustes diffèrent. Cela illustre que le bruit affecte différemment les systèmes selon leur dynamique fréquentielle (le modèle de bruit utilisé agit comme un filtre passe-bas, affectant davantage les basses fréquences).

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Praticité : Il rend le SRG accessible pour les systèmes discrets, qui sont omniprésents dans l'implémentation numérique des contrôleurs modernes.
• Sécurité et Robustesse : La capacité de calculer un SRG robuste à partir de données bruitées est cruciale pour l'analyse de stabilité dans des environnements réels où les modèles exacts sont inaccessibles et les mesures imparfaites.
• Généralité : La méthode s'applique aux systèmes MIMO et non seulement aux systèmes SISO, élargissant ainsi le champ d'application des outils graphiques modernes.
• Fondation pour le contrôle : Ces résultats ouvrent la voie à de nouvelles méthodes de conception de contrôleurs robustes et d'analyse de stabilité pour des systèmes complexes, en utilisant directement les données expérimentales plutôt que des modèles paramétriques incertains.

En résumé, cet article fournit un cadre complet et rigoureux pour l'analyse géométrique des systèmes LTI discrets, reliant la théorie des opérateurs, l'optimisation convexe (LMI) et l'apprentissage automatique (data-driven control).