⚡ electrical engineering

Stability Analysis and Data-Driven State Estimation for Generalized Persidskii Systems with Time Delays: Theory and Experimental Validation on PMSM Drives

Ce papier présente un cadre piloté par les données pour l'analyse de stabilité et l'estimation d'état de systèmes de Persidskii généralisés à retards, utilisant le relèvement de Koopman pour l'identification de modèle et un contrôleur ICODE-MPPI, validé expérimentalement sur un entraînement à machine synchrone à aimants permanents pour démontrer des améliorations significatives de la précision d'estimation et des performances de suivi de vitesse par rapport aux méthodes conventionnelles.

Auteurs originaux : Syed Pouladi

Publié 2026-05-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Syed Pouladi

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 conduire une voiture électrique haute performance (spécifiquement, un moteur synchrone à aimants permanents, ou MSAP) à travers un col de montagne brumeux. Vous avez une carte, mais elle est légèrement obsolète, et il y a un délai entre le moment où vous voyez un virage et le moment où votre voiture tourne réellement. Si vous vous fiez à un GPS standard (comme un contrôleur traditionnel), vous pourriez prendre le virage trop large ou rester bloqué dans le brouillard, car le système se perd à cause du délai et des bosses imprévues sur la route.

Ce papier présente une nouvelle méthode plus intelligente pour conduire cette voiture. Il combine trois idées principales : un type spécial de « code de la route » mathématique pour gérer les particularités de la voiture, un « copilote » ultra-précis pour deviner où se trouve la voiture, et un système d'apprentissage qui construit une meilleure carte en conduisant.

Voici la décomposition de leur solution en utilisant des analogies du quotidien :

1. Le « code de la route » pour les particularités de la voiture (Systèmes de Persidskii généralisés)

La plupart des voitures (et des moteurs) ne sont pas parfaitement linéaires. Si vous appuyez un peu sur la pédale d'accélérateur, vous allez un peu plus vite. Mais si vous appuyez trop fort, le moteur atteint une limite (saturation), ou si vous relâchez, il y a une zone morte où rien ne se passe. Ce sont des comportements « non linéaires ».

Les auteurs utilisent un cadre mathématique spécifique appelé systèmes de Persidskii généralisés. Imaginez cela comme un code de la route qui dit : « Nous savons que la voiture se comporte de manière linéaire la plupart du temps, mais lorsqu'elle atteint une limite (comme une limite de vitesse ou une zone morte), nous savons exactement de combien elle peut dévier. »

En utilisant ce code de la route, ils peuvent prouver mathématiquement que la voiture restera stable même si la route est cahoteuse (perturbations) ou s'il y a un délai dans la direction (retards temporels).

2. Le problème du « délai temporel » (Retards temporels)

Dans les systèmes numériques, il y a toujours un tout petit délai. Vous appuyez sur le bouton, et une milliseconde plus tard, le moteur réagit. Dans un système à mouvement rapide, cette milliseconde semble une éternité.

Les auteurs ont développé un nouveau test de stabilité (en utilisant ce qu'on appelle une fonctionnelle de Lyapunov–Krasovskii). Imaginez cela comme un calcul de « tampon de sécurité ». Au lieu de simplement vérifier si la voiture est stable maintenant, ils calculent une marge de sécurité qui prend en compte le temps que met le signal à voyager. Ils ont prouvé que tant que le délai reste en dessous d'une certaine limite (environ 18 millisecondes dans leur expérience), la voiture ne tournera jamais hors de contrôle.

3. Le « super-copilote » (Observateur robuste)

Parfois, vous ne pouvez pas tout voir. Vous connaissez peut-être la vitesse, mais vous ne pouvez pas mesurer directement les courants électriques internes sans capteurs coûteux. Vous devez les deviner (les estimer).

Les devineurs standards (comme le Filtre de Kalman Étendu) sont souvent confus lorsque la voiture rencontre un coup de boutoir soudain ou un virage serré, ce qui fait dériver l'estimation. Les auteurs ont construit un observateur structuré qui imite le propre « code de la route » de la voiture. Parce que le copilote comprend les mêmes limites et règles que la voiture, il ne se perd pas à cause des bosses.

Le résultat : Dans leurs tests, ce nouveau copilote a estimé la vitesse 35 % plus précisément que la méthode standard, récupérant beaucoup plus rapidement après des changements brusques de charge.

4. La « carte apprenante » (Identification de Koopman)

Habituellement, pour bien conduire une voiture, vous devez connaître la physique exacte du moteur. Mais que faire si vous ne connaissez pas parfaitement le moteur ?

Les auteurs ont utilisé une technique appelée élévation de Koopman. Imaginez que vous essayez d'apprendre un nouveau jeu vidéo. Au lieu de mémoriser chaque pixel, vous apprenez quelques motifs de « bonus » qui prédisent l'avenir. Ils ont pris des données du moteur et utilisé cette méthode pour construire une carte simplifiée et linéaire du moteur complexe et non linéaire.

Crucialement, ils ont forcé ce processus d'apprentissage à obéir au « code de la route de sécurité » (les contraintes de Persidskii). Cela garantit que même si la carte est apprise à partir de données, elle ne peut pas prédire un scénario où la voiture deviendrait instable. C'est comme un étudiant à qui il est seulement permis d'apprendre des faits prouvés sûrs.

5. Le « conducteur intelligent » (Contrôleur ICODE-MPPI)

Enfin, ils ont tout réuni dans un contrôleur appelé ICODE-MPPI.

Fonctionnement : Avant de faire un mouvement, ce contrôleur exécute des milliers de simulations « et si » dans sa tête (comme un joueur d'échecs pensant 20 coups à l'avance).
L'avantage : Parce que la carte qu'il utilise est garantie stable (grâce aux étapes précédentes), le contrôleur peut prendre des risques et réagir rapidement sans craindre de se crasher.
Le résultat : Lorsqu'il a été testé contre des méthodes de conduite standard, ce nouveau système a suivi la vitesse souhaitée 67 % mieux, gérant les délais et les bosses avec une précision beaucoup plus fluide.

La conclusion

Les auteurs ont créé un package complet :

Une preuve mathématique qui dit « Ce système est sûr même avec des délais ».
Un algorithme d'apprentissage qui construit un modèle du moteur tout en garantissant qu'il reste sûr.
Un contrôleur intelligent qui utilise ce modèle pour conduire parfaitement un moteur électrique de 1,5 kW.

Ils ont testé cela sur un vrai moteur dans un laboratoire. Les résultats ont montré que leur méthode était nettement meilleure pour estimer la vitesse du moteur et suivre une cible de vitesse que les méthodes actuellement utilisées dans l'industrie. Ils ont même prouvé que le système pouvait gérer jusqu'à 18 millisecondes de délai avant de devenir théoriquement instable, ce qui correspondait presque parfaitement à leurs expériences réelles.

1. Énoncé du problème

L'article aborde le défi de l'analyse de stabilité et de l'estimation d'état pour les systèmes de Persidskii généralisés (une classe de systèmes couplant des dynamiques linéaires avec une rétroaction non linéaire bornée par secteur) soumis à des retards variables dans le temps et à des perturbations externes.

Les défis clés identifiés incluent :

Sensibilité aux retards : Les critères de stabilité existants pour les systèmes de Persidskii supposent souvent des canaux sans retard, ce qui est irréaliste pour les entraînements à commande numérique et les systèmes en réseau où les délais d'échantillonnage et de transmission (de l'ordre de la milliseconde) sont courants.
Incertitude du modèle : Dans de nombreuses applications pratiques (par exemple, la surveillance de l'état), les matrices du système sont inconnues. Les méthodes d'identification pilotées par les données standard (comme la décomposition modale dynamique étendue - EDMD) ne garantissent pas que le modèle identifié hérite des propriétés de stabilité.
Commande robuste : Le contrôle de tels systèmes dans des conditions d'incertitude et de retard nécessite un cadre garantissant la stabilité entrée-état (ISS) pour éviter l'emballement numérique ou l'instabilité lors de perturbations transitoires.

2. Méthodologie

Les auteurs proposent un cadre unifié intégrant l'analyse de stabilité théorique, la conception d'observateurs structurés, l'identification pilotée par les données préservant la stabilité et une commande avancée.

A. Analyse de stabilité théorique

Fonctionnelle de Lyapunov-Krasovskii (FLK) : Une FLK composite est construite, combinant :
1. Un terme intégral classique de Persidskii pour l'énergie non linéaire.
2. Un tampon quadratique standard pour le retard.
3. Un terme à double intégrale basé sur Wirtinger pour fournir des bornes plus serrées sur les termes croisés résultant de l'inégalité de Jensen.
Critère LMI : Les auteurs dérivent une condition ISS dépendante du retard formulée sous forme d'inégalités matricielles linéaires (LMI). Ce critère garantit l'ISS avec un gain $L_2$ spécifique ( $\gamma$ ) des perturbations vers l'état, tenant explicitement compte du retard admissible maximal ( $\tau_{max}$ ).

B. Observateur robuste structuré

Un observateur structuré de type Persidskii est conçu pour refléter l'architecture de la plante.
En préservant la structure bornée par secteur dans la dynamique de l'erreur, les auteurs prouvent que l'erreur de l'observateur converge globalement.
Le gain de l'observateur est optimisé pour minimiser la norme $H_\infty$ de la fonction de transfert perturbations-vers-erreur, assurant ainsi la robustesse face au bruit de mesure et aux perturbations externes.

C. Identification pilotée par les données préservant la stabilité

Cadre de l'opérateur de Koopman : Le système est relevé dans un espace observable de dimension supérieure pour créer une représentation de type linéaire.
Régression contrainte : Contrairement à l'EDMD standard, le processus d'identification (résolution des matrices de Koopman $A_K, B_K, C_K$ ) est formulé comme un problème d'optimisation sous contraintes.
Contrainte : La LMI-ISS dérivée dans la section théorique est intégrée comme une condition latérale convexe lors de la régression des paramètres. Cela garantit que le modèle identifié est mathématiquement assuré d'être ISS, héritant des certificats de robustesse du modèle analytique.

D. Architecture de commande (ICODE-MPPI)

Le modèle Koopman-Persidskii identifié sert de noyau de prédiction pour un contrôleur ICODE-MPPI (Estimation Dynamique Orientée Commande Dépendante de l'Entrée – Intégrale de Trajectoire Prédictive de Modèle).
Le contrôleur utilise des simulations stochastiques pour optimiser les entrées de commande. La garantie structurelle d'ISS du modèle assure que les coûts de simulation restent bornés même lorsque le système excite des non-linéarités, empêchant l'instabilité numérique souvent observée avec les prédicteurs de réseaux de neurones boîte noire.

3. Contributions clés

Critère LMI affiné : Un nouveau critère ISS dépendant du retard pour les systèmes de Persidskii généralisés utilisant une FLK unifiée avec des doubles intégrales basées sur Wirtinger, produisant des bornes plus serrées sur le retard admissible maximal.
Conception d'observateur structuré : Un observateur $H_\infty$ avec des conditions de gain explicites garantissant la convergence pour les systèmes avec mesures d'état partielles.
Identification préservant la stabilité : Un nouveau protocole d'identification de Koopman qui impose la LMI-ISS de Persidskii comme contrainte, garantissant que le modèle identifié est stable.
Validation expérimentale : Tests complets sur un entraînement de moteur synchrone à aimants permanents (PMSM) de 1,5 kW, validant à la fois les bornes théoriques et les performances de commande.

4. Résultats expérimentaux

Le cadre a été validé sur un banc d'essai PMSM de 1,5 kW avec un frein de charge programmable et un retard de groupe mesuré de $\tau = 5$ ms.

Performances d'estimation d'état :
- L'observateur de Persidskii a réalisé une réduction de 35,3 % de l'erreur quadratique moyenne (RMSE) de l'estimation de vitesse par rapport à un filtre de Kalman étendu (EKF) standard (1,12 rad/s contre 1,73 rad/s).
- Il a démontré une récupération transitoire plus rapide (350 ms contre 590 ms) après une perturbation de charge par échelon.
Performances de suivi :
- Le contrôleur ICODE-MPPI a montré une amélioration de 67,1 % de la précision de suivi de vitesse par rapport à la commande vectorielle (FOC) standard.
- Il a surpassé un MPPI « boîte noire » (utilisant des réseaux de neurones non contraints) en maintenant la stabilité et en minimisant le déphasage sous des perturbations périodiques.
Robustesse au retard :
- Le système est resté stable jusqu'à un retard artificiellement injecté de 18 ms.
- Cela correspondait étroitement à la borne prédite par la LMI théorique de 18,2 ms.
- En revanche, le MPPI boîte noire a perdu sa stabilité à environ 14 ms, soulignant la nécessité de la contrainte préservant la stabilité.

5. Importance

Cet article comble le fossé entre la théorie rigoureuse de la stabilité non linéaire et la commande moderne pilotée par les données. Son importance réside dans :

Relier la théorie et la pratique : Il va au-delà des hypothèses théoriques sans retard pour fournir un cadre fonctionnant avec les retards temporels réels et les incertitudes de modèles.
Sécurité dans la commande pilotée par les données : En intégrant directement des contraintes de stabilité dans le processus d'identification, il résout le problème de la « boîte noire » où les modèles pilotés par les données peuvent être précis mais instables dans des conditions extrêmes.
Gains de performance : Les résultats expérimentaux sur un entraînement PMSM démontrent des améliorations tangibles de la précision d'estimation et des performances de suivi par rapport aux méthodes industrielles standard (FOC et EKF), prouvant la viabilité de l'approche pour les systèmes électromécaniques haute performance.
Évolutivité : L'utilisation de matrices de Lyapunov diagonales et d'observateurs structurés suggère que la méthode est traitable du point de vue computationnel pour des systèmes de dimension modérée, la rendant adaptée à une mise en œuvre embarquée.