⚡ electrical engineering

EDMD-Based Robust Observer Synthesis for Nonlinear Systems

यह शोध पत्र निरंतर-समय गैररेखीय प्रणालियों (continuous-time nonlinear systems) के लिए एक डेटा-संचालित सुदृढ़ ऑब्जर्वर संश्लेषण विधि का प्रस्ताव करता है जो एक अनुमानित रैखिक लिफ़्टेड मॉडल (approximate linear lifted model) के निर्माण के लिए एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन (EDMD) का उपयोग करता है, जहाँ परिणामी मॉडलिंग त्रुटियों को रिप्रोड्यूसिंग कर्नल हिल्बर्ट स्पेस थ्योरी के माध्यम से सीमित किया जाता है और वांछित अवलोकन प्रदर्शन सुनिश्चित करने के लिए लीनियर मैट्रिक्स इनइक्वालिटी (LMI) अनुकूलन के माध्यम से कम किया जाता है।

मूल लेखक: Xiuzhen Ye, Wentao Tang

प्रकाशित 2026-03-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiuzhen Ye, Wentao Tang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक तूफानी, अप्रत्याशित समुद्र में एक जहाज को रास्ता दिखाने की कोशिश कर रहे हैं। लहरें (सिस्टम का व्यवहार) अराजक और नॉन-लीनियर (non-linear) हैं, जिसका अर्थ है कि वे सरल, सीधी रेखाओं का पालन नहीं करती हैं। आपके पास एक नक्शा है, लेकिन वह थोड़ा धुंधला है, और आपका दिशा-सूचक यंत्र (सेंसर) आपको केवल पानी की सतह के बारे में कुछ ही चीजें बताता है, गहराई या नीचे की धाराओं के बारे में नहीं।

आपका लक्ष्य अपने कंट्रोल रूम के भीतर एक "घोस्ट शिप" (एक ऑब्जर्वर/observer) बनाना है जो वास्तविक जहाज की गति की सटीक नकल कर सके, ताकि आप सुरक्षित रूप से जहाज चला सकें, भले ही आप बाहर सब कुछ न देख पा रहे हों।

यह शोध पत्र कोपमान ऑपरेटर थ्योरी (Koopman Operator Theory) और EDMD (Extended Dynamic Mode Decomposition) नामक विधि का उपयोग करके उस घोस्ट शिप को बनाने का एक चतुर नया तरीका प्रस्तुत करता है। यहाँ इसका सरल विवरण दिया गया है:

1. समस्या: एक गोल छेद में चौकोर खूँटा फिट करने की कोशिश

नॉन-लीनियर सिस्टम (जैसे मौसम, रासायनिक रिएक्टर, या तूफान में फंसा जहाज) बहुत जटिल होते हैं। वे सरल गणित के साथ अनुमान लगाना कठिन है क्योंकि वे मुड़ते और घूमते हैं।

पुराना तरीका: वैज्ञानिक इन जटिल सिस्टमों को एक उच्च आयाम (higher dimension) में "लिफ्ट" करके अनुमान लगाने की कोशिश करते हैं। कल्पना कीजिए कि आप ऊन के एक उलझे हुए गोले को तब तक खींच रहे हैं जब तक कि वह एक सीधी रेखा जैसा न दिखने लगे।
चुनौती: जब आप उस ऊन को खींचते हैं, तो वह कभी भी पूरी तरह सीधा नहीं होता। उसमें हमेशा थोड़ा सा "लहराव" या त्रुटि (error) रह जाती है। अतीत में, इंजीनियर अक्सर इस लहराव को नजरअंदाज कर देते थे या इसे रैंडम शोर (noise) मान लेते थे। लेकिन यह शोध पत्र कहता है, "नहीं, यह लहराव अनुमानित (predictable) है!"

2. समाधान: "सेक्टर" (Sector) सुरक्षा जाल

लेखकों ने महसूस किया कि यह "लहराव" (वास्तविक जटिल सिस्टम और उनके सरल लीनियर मॉडल के बीच की त्रुटि) रैंडम अराजकता नहीं है। यह एक रबर बैंड की तरह व्यवहार करता है।

उपमा: कल्पना कीजिए कि त्रुटि आपके नक्शे के केंद्र से जुड़ा एक रबर बैंड है। आप केंद्र से जितना दूर जाएंगे, रबर बैंड उतना ही कसता जाएगा, लेकिन यह हमेशा एक विशिष्ट शंकु (cone) के आकार के भीतर ही खिंचेगा (जिसे "सेक्टर" कहा जाता है)।
यह क्यों महत्वपूर्ण है: क्योंकि त्रुटि अनुमानित है (यह उस शंकु के भीतर रहती है), आप एक सुरक्षा जाल बना सकते हैं। आपको सटीक त्रुटि जानने की आवश्यकता नहीं है; आपको बस यह जानने की आवश्यकता है कि वह अधिकतम कितनी हो सकती है।

3. दो प्रकार के "लहराव"

यह शोध पत्र पहचानता है कि नक्शा पूर्ण क्यों नहीं है, इसके दो कारण हैं:

"डिक्शनरी" त्रुटि (संरचनात्मक): आपने एक सीमित सेट के लेगो ब्रिक्स (Lego bricks) का उपयोग करके एक जटिल पेंटिंग को समझाने की कोशिश की। आप कितने भी ब्रिक्स का उपयोग करें, आप मोना लिसा को पूरी तरह से फिर से नहीं बना सकते। यह कार्यों (functions) की एक सीमित सूची का उपयोग करने से होने वाली त्रुटि है।
"डेटा" त्रुटि (स्टोकेस्टिक): आपने समुद्र के लाखों दृश्यों के बजाय केवल 100 स्नैपशॉट देखे। आपके नमूने में शायद कोई विशाल लहर छूट गई हो। यह सीमित डेटा से होने वाली त्रुटि है।

लेखकों ने सिद्ध किया कि ये दोनों त्रुटियाँ उस अनुमानित रबर बैंड (सेक्टर बाउंड) की तरह व्यवहार करती हैं।

4. घोस्ट शिप बनाना (द ऑब्जर्वर)

अब जबकि वे जानते हैं कि त्रुटि एक "रबर बैंड" है, तो वे एक मानक, विश्वसनीय उपकरण (जिसे LMIs या लीनियर मैट्रिक्स इनइक्वेलिटीज कहा जाता है) का उपयोग करके ऑब्जर्वर बना सकते हैं।

इसे एक गार्डरेल (guardrail) स्थापित करने के रूप में सोचें। गार्डरेल को इतना चौड़ा बनाया गया है कि यदि रबर बैंड टूट जाए तो वह उसे पकड़ सके, लेकिन इतना सख्त भी कि वह घोस्ट शिप को सही रास्ते पर रखे।
ट्यूनिंग नॉब (Tuning Knob): इंजीनियर यह चुन सकते हैं कि घोस्ट शिप कितना आक्रामक होना चाहिए।
- धीमा और स्थिर: घोस्ट शिप वास्तविक जहाज का धीरे-धीरे अनुसरण करता है। यह सुरक्षित है लेकिन प्रतिक्रिया देने में धीमा हो सकता है।
- तेज़ और फुर्तीला: घोस्ट शिप तुरंत पकड़ बनाने की कोशिश करता है। यह तेजी से प्रतिक्रिया करता है लेकिन शांत होने से पहले थोड़ा "झटका" (jitter) दे सकता है या ओवरशूट कर सकता है।

5. परिणाम: जहाज का परीक्षण

लेखकों ने तीन अलग-अलग परिदृश्यों पर इसका परीक्षण किया:

एक पूरी तरह से स्थिर सिस्टम: जैसे शांत पानी में जहाज। यह विधि बहुत कम डेटा के साथ भी पूरी तरह से काम करती है।
एक जटिल केमिकल प्लांट: जैसे लहरों वाले समुद्र में जहाज जहाँ "लेगो ब्रिक्स" (डिक्शनरी) का आकार पूरी तरह से फिट नहीं बैठता। रबर बैंड सुरक्षा जाल ने त्रुटियों को पकड़ लिया, और घोस्ट शिप फिर भी वास्तविक जहाज को सटीक रूप से ट्रैक करने में सफल रहा।
एक लिमिट साइकिल (Van der Pol Oscillator): यह एक ऐसा सिस्टम है जो स्वाभाविक रूप से एक घेरे में घूमना चाहता है (लिमिट साइकिल)। यह सबसे कठिन मामला है क्योंकि सिस्टम अस्थिर है। विधि ने "सबसे खराब स्थिति की त्रुटि" को कम करने के लिए गार्डरेल्स को एडजस्ट किया, और सफलतापूर्वक घूमते हुए जहाज को ट्रैक किया।

मुख्य निष्कर्ष

यह शोध पत्र इंजीनियरों को एक यूनिवर्सल एडेप्टर देने जैसा है।
पहले, यदि आप किसी जटिल, नॉन-लीनियर सिस्टम को नियंत्रित करने के लिए सरल लीनियर टूल्स का उपयोग करना चाहते थे, तो आपको इस बात की उम्मीद करनी पड़ती थी कि अनुमान पर्याप्त अच्छा होगा। यह शोध पत्र कहता है: "उम्मीद न करें। सबसे खराब स्थिति की त्रुटि की गणना करें, इसे एक रबर बैंड की तरह मानें, और एक ऐसा मजबूत कंट्रोलर बनाएं जो काम करे भले ही नक्शा थोड़ा गलत हो।"

यह एक बिखरे हुए, डरावने नॉन-लीनियर समस्या को एक साफ, समाधान योग्य लीनियर समस्या में बदल देता है जिसमें एक अंतर्निहित सुरक्षा मार्जिन होता है।

यहाँ "EDMD-Based Robust Observer Synthesis for Nonlinear Systems" (Xiuzhen Ye और Wentao Tang द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक डेटा-संचालित (data-driven) संदर्भ में निरंतर-समय गैररेखीय प्रणालियों (continuous-time nonlinear systems) के लिए स्टेट ऑब्जर्वर्स (state observers) डिजाइन करने की चुनौती को संबोधित करता है।

संदर्भ: पारंपरिक गैररेखीय नियंत्रण अक्सर पूर्ण अवस्था (full state) की उपलब्धता मानकर चलता है, लेकिन व्यवहार में, केवल आउटपुट का एक उपसमुच्चय (subset) ही मापने योग्य होता है। अनमापे गए स्टेट्स (unmeasured states) का अनुमान लगाने के लिए स्टेट ऑब्जर्वर्स की आवश्यकता होती है।
चुनौती: कोपमैन ऑपरेटर फ्रेमवर्क (Koopman operator framework) "लिफ्टिंग" (अवस्थाओं को आधार फलनों के उच्च-आयामी स्थान में मैप करना) के माध्यम से गैररेखीय गतिकी (nonlinear dynamics) के रैखिकीकरण (linearization) की अनुमति देता है, लेकिन व्यावहारिक कार्यान्वयन एक्सटेंडेड डायनेमिक मोड डिकम्पोजिशन (EDMD) और एक फाइनाइट डिक्शनरी (finite dictionary) के आधार पर निर्भर करता है।
मुख्य मुद्दा: एक फाइनाइट डिक्शनरी का उपयोग करने से वास्तविक अनंत-आयामी कोपमैन गतिकी और पहचाने गए परिमित-आयामी रैखिक मॉडल के बीच एक अनिवार्य अनुमान त्रुटि (approximation error) (संरचनात्मक बेमेल) उत्पन्न होती है। मौजूदा साहित्य अक्सर इस त्रुटि को या तो बहुत रूढ़िवादी तरीके से मानता है या फाइनाइट डेटा सैंपल्स की स्टोकेस्टिक प्रकृति को अनदेखा कर देता है। लेखक इस त्रुटि को कठोरता से चरित्रित करने और एक ऐसा रोबस्ट ऑब्जर्वर (robust observer) संश्लेषित करने का लक्ष्य रखते हैं जो नियत (deterministic) और स्टोकेस्टिक (stochastic) दोनों प्रकार की त्रुटियों को ध्यान में रखता हो।

2. कार्यप्रणाली (Methodology)

प्रस्तावित कार्यप्रणाली रोबस्ट ऑब्जर्वर संश्लेषण प्राप्त करने के लिए रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) सिद्धांत को लीनियर मैट्रिक्स इनइक्वलिटीज (LMIs) के साथ एकीकृत करती है।

A. सैद्धांतिक आधार: सेक्टरियल एरर बाउंड (Sectorial Error Bound)

लेखक जेनरेटर EDMD (gEDMD) के माध्यम से पहचाने गए कोपमैन मॉडल के प्रेडिक्शन एरर पर एक कठोर सीमा (bound) स्थापित करते हैं।

RKHS फ्रेमवर्क: वे एक विशिष्ट लीनियर-रेडियल कर्नेल (linear-radial kernel) का उपयोग करते हैं जो मूल बिंदु (origin) पर इक्विलिब्रियम पॉइंट को सुरक्षित रखता है। यह अवस्था स्थान (state space) को एक ऐसे फीचर स्पेस में "लिफ्ट" करने की अनुमति देता है जहाँ गतिकी लगभग रैखिक होती है।
त्रुटि का लक्षण वर्णन (Error Characterization): लिफ्टेड रैखिक मॉडल ( $\dot{z} = Az + r$ $\overset{z}{˙} = A z + r$ ) में कुल त्रुटि को विभाजित किया गया है:
1. डिटरमिनिस्टिक एरर (Deterministic Error): जो अनंत-आयामी ऑपरेटर के फाइनाइट डिक्शनरी पर प्रोजेक्शन से उत्पन्न होता है।
2. स्टोकेस्टिक एरर (Stochastic Error): जो पहचान के लिए उपयोग किए गए फाइनाइट डेटा सैंपल्स से उत्पन्न होता है।
मुख्य सैद्धांतिक परिणाम: लेखक सिद्ध करते हैं कि कुल शेष पद (remainder term) $r(x)$ लिफ्टेड स्टेट $z$ द्वारा सेक्टरियली बाउंड (sectorially bounded) है। विशेष रूप से, $\|r(x)\| \leq c_r \|z\|$ , जहाँ $c_r$ डिक्शनरी के आकार, सैंपल साइज और कॉन्फिडेंस लेवल पर निर्भर एक स्थिरांक है। यह "सेक्टरियल" गुण रोबस्ट कंट्रोल डिजाइन के लिए अत्यंत महत्वपूर्ण है।

B. रोबस्ट ऑब्जर्वर संश्लेषण (Robust Observer Synthesis)

सेक्टरियल एरर बाउंड के आधार पर, ऑब्जर्वर डिजाइन को एक कॉनवेक्स ऑप्टिमाइज़ेशन समस्या के रूप में तैयार किया गया है।

ऑब्जर्वर संरचना: लिफ्टेड स्पेस में एक ल्यूनबर्गर-टाइप (Luenberger-type) ऑब्जर्वर डिजाइन किया गया है:
$\dot{\hat{z}} = A\hat{z} + L(y - C\hat{z})$
जहाँ $A$ पहचाना गया gEDMD मैट्रिक्स है, और $L$ वह गेन (gain) है जिसे निर्धारित किया जाना है।
स्थिरता विश्लेषण (Stability Analysis): एरर डायनेमिक्स का विश्लेषण लयापुनोव फंक्शन्स (Lyapunov functions) का उपयोग करके किया जाता है। डिजाइन यह सुनिश्चित करता है कि ऑब्जर्वेशन एरर तेजी से घटता है (exponentially decays) या मॉडलिंग एरर से ऑब्जर्वेशन एरर तक का $L_2$ -गेन न्यूनतम होता है।
LMI फॉर्मूलेशन:
- केस 1 (एसिम्प्टोटिकली स्टेबल सिस्टम्स): संश्लेषण को एक LMI के रूप में तैयार किया गया है ताकि ऑब्जर्वेशन एरर के लिए एक निर्धारित एक्सपोनेंशियल डिके रेट ( $\alpha$ ) की गारंटी दी जा सके।
- केस 2 (अनस्टेबल/लिमिट साइकिल सिस्टम्स): संश्लेषण मॉडलिंग एरर से ऑब्जर्वेशन एरर के $L_2$ -गेन ( $\gamma$ ) को कम करता है, जिससे यह सुनिश्चित होता है कि यदि सिस्टम ओरिजिन की ओर अभिसरित (converge) नहीं भी होता है, तो भी एरर सीमित रहता है।

3. मुख्य योगदान (Key Contributions)

कठोर त्रुटि मात्रा का निर्धारण (Rigorous Error Quantification): यह शोध पत्र एक नया सैद्धांतिक प्रमाण प्रदान करता है कि जब लीनियर-रेडियल कर्नेल का उपयोग किया जाता है, तो gEDMD की अनुमान त्रुटि लिफ्टेड स्टेट द्वारा सेक्टरियली बाउंड होती है। यह नियत संरचनात्मक त्रुटियों और स्टोकेस्टिक सैंपलिंग त्रुटियों को एक एकल रोबस्ट फ्रेमवर्क में एकीकृत करता है।
रोबस्ट ऑब्जर्वर संश्लेषण: यह पहचाने गए एरर बाउंड्स को स्पष्ट रूप से ध्यान में रखते हुए लीनियर मैट्रिक्स इनइक्वलिटीज (LMIs) का उपयोग करके ऑब्जर्वर्स डिजाइन करने के लिए एक व्यवस्थित विधि प्रस्तावित करता है। यह सरल "प्लग-एंड-प्ले" EDMD से आगे बढ़कर एक रोबस्ट कंट्रोल-थ्योरेटिक दृष्टिकोण की ओर ले जाता है।
अस्थिर प्रणालियों को संभालना: यह फ्रेमवर्क $L_2$ -गेन मिनिमाइजेशन पर ध्यान केंद्रित करके गैर-एसिम्प्टोटिकली स्थिर प्रणालियों (जैसे लिमिट साइकल) तक विस्तारित है।
एलिमेंट्री लीनियर सिस्टम्स दृष्टिकोण: यह कार्य दर्शाता है कि जटिल ऑपरेटर कैलकुलस की आवश्यकता के बिना, गैररेखीय ऑब्जर्वेशन के लिए मौलिक रैखिक सिस्टम थ्योरी (कोपमैन लिफ्टिंग के माध्यम से) को कैसे लागू किया जाए, बशर्ते कि एरर बाउंड्स का सम्मान किया जाए।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने तीन अलग-अलग संख्यात्मक उदाहरणों पर इस पद्धति को सत्यापित किया:

उदाहरण 1: इनवेरिएंट लिफ्टिंग के साथ स्थिर प्रणाली (Stable System with Invariant Lifting)
- एक ऐसी प्रणाली जहाँ चुना गया डिक्शनरी एक सटीक रैखिक प्रतिनिधित्व प्रदान करता है।
- परिणाम: ऑब्जर्वर ने वांछित एक्सपोनेंशियल कन्वर्जेंस रेट ( $\alpha = 0.1$ और $0.99 $) सफलतापूर्वक प्राप्त किया। उच्च$ \alpha$ से तेज़ कन्वर्जेंस मिला लेकिन शुरुआती "पीकिंग" एरर अधिक हुआ, जो ट्रेड-ऑफ की पुष्टि करता है।
उदाहरण 2: बिना इनवेरिएंट लिफ्टिंग के स्थिर प्रणाली (Stable System without Invariant Lifting)
- एक रासायनिक प्रक्रिया (दो CSTRs जो सीरीज में हैं) जहाँ डिक्शनरी इनवेरिएंट नहीं है (अनुमान त्रुटि मौजूद है)।
- परिणाम: गैर-इनवेरिएंट डिक्शनरी और महत्वपूर्ण सेक्टरियल एरर बाउंड ( $c_r \approx 0.67$ ) के बावजूद, सिंथेसाइज्ड ऑब्जर्वर ने गारंटी दी कि एस्टीमेशन एरर नगण्य स्तर ( $<10^{-4}$ ) तक गिर जाएगा।
उदाहरण 3: लिमिट साइकिल सिस्टम (Van der Pol Oscillator)
- एक अस्थिर प्रणाली जो एक लिमिट साइकल प्रदर्शित करती है।
- परिणाम: $L_2$ -गेन फॉर्मूलेशन का उपयोग करते हुए, ऑब्जर्वर ने सफलतापूर्वक लिमिट साइकल को ट्रैक किया। अध्ययन ने दिखाया कि डिक्शनरी की पॉलीनोमियल डिग्री बढ़ाने से (4 से 8 तक) एरर बाउंड ( $c_r$ ) काफी कम हो गया और ट्रैकिंग सटीकता में सुधार हुआ (RMSE 0.123 से घटकर 0.022 हो गया)।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र डेटा-ड्रिवन मॉडलिंग (Koopman/EDMD) और रोबस्ट कंट्रोल थ्योरी के बीच के अंतर को पाटता है।

सैद्धांतिक प्रभाव: यह फाइनाइट-डायमेंशनल कोपमैन एप्रोक्सिमेशन में "मिसमैच" की समस्या को हल करता है, इसे एक सेक्टर-बाउंड अनिश्चितता के रूप में चरित्रित करके, जिससे यह मानक रोबस्ट कंट्रोल टूल्स (LMIs) के अनुकूल बन जाता है।
व्यावहारिक प्रभाव: यह केवल इनपुट-आउटपुट डेटा का उपयोग करके जटिल गैररेखीय प्रणालियों के लिए स्टेट ऑब्जर्वर्स डिजाइन करने के लिए एक विश्वसनीय, एल्गोरिदम आधारित मार्ग (Algorithm 1) प्रदान करता है, जिसके लिए सिस्टम की पूरी गतिकी के ज्ञान की आवश्यकता नहीं है।
भविष्य की दिशाएं: लेखक उल्लेख करते हैं कि जबकि वर्तमान विधि एक पूर्व-निर्धारित डिक्शनरी पर निर्भर करती है, भविष्य के कार्य कर्नेल-आधारित विधियों का पता लगा सकते हैं जो स्वयं डिक्शनरी को अनुकूलित कर सकें, जिससे संभावित रूप से संरचनात्मक मिसमैच को पूरी तरह से समाप्त किया जा सके। इसके अतिरिक्त, मॉडल पहचान के लिए स्टेट डेटा पूरी तरह से अनुपलब्ध होने वाले परिदृश्यों को संबोधित करना एक खुला विषय बना हुआ है।