Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

यहाँ शोध पत्र "Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र समय-परिवर्तनीय विलंब (time-varying delays) वाले रैखिक प्रणालियों (linear systems) के नियंत्रण को संबोधित करता है, जहाँ विलंब इनपुट चैनल ($D_1(t)$) और मेजरमेंट चैनल ($D_2(t)$) दोनों में मौजूद हैं।

• मुख्य चुनौती: जबकि प्रेडिक्टर फीडबैक (predictor feedback) विलंब को संभालने के लिए एक मजबूत विधि है, इसके सटीक कार्यान्वयन के लिए इनवर्स डिले मैपिंग (inverse delay mapping) (विशेष रूप से, प्रेडिक्शन होराइजन $\psi(t) = \phi_1^{-1}(t) - t$, जहाँ $\phi_1(t) = t - D_1(t)$) की आवश्यकता होती है।
• बाधा (The Bottleneck): समय-परिवर्तनीय विलंबों के लिए, इस इनवर्स मैपिंग का क्लोज्ड-फॉर्म एनालिटिकल समाधान मिलना अत्यंत दुर्लभ है। फलस्वरूप, सटीक कार्यान्वयन असंभव है, और सिस्टम को सन्निकटन (approximations) पर निर्भर रहना पड़ता है।
• अंतराल (The Gap): मौजूदा साहित्य अक्सर सटीक कार्यान्वयन मान लेता है या केवल स्टेट-फीडबैक (state-feedback) पर ध्यान केंद्रित करता है। यह कार्य आउटपुट-फीडबैक परिदृश्य (जहाँ केवल विलंबित मेजरमेंट्स उपलब्ध हैं) को संबोधित करता है और प्रेडिक्शन होराइजन के सन्निकटन के दौरान सिस्टम की स्थिरता का कठोरता से विश्लेषण करता है।

2. कार्यप्रणाली (Methodology)

लेखक एक तीन-चरणीय नियंत्रण आर्किटेक्चर और प्रेडिक्शन होराइजन ($\psi$) को सन्निकट करने के दो अलग-अलग तरीकों का प्रस्ताव करते हैं।

अ. नियंत्रण आर्किटेक्चर (आउटपुट-फीडबैक डिज़ाइन)

प्रस्तावित नियंत्रक एक ऑब्जर्वर (observer) और एक प्रेडिक्टर (predictor) को जोड़ता है:

1. ऑब्जर्वर (Observer): विलंबित मेजरमेंट $Y(t)$ से विलंबित अवस्था $Z(\phi_2(t))$ का पुनर्निर्माण करता है।
2. स्टेट प्रोपेगेशन (State Propagation): वर्तमान समय $t$ तक अवस्था को प्लांट डायनेमिक्स का उपयोग करके आगे बढ़ाता है ताकि $\hat{Z}(t)$ प्राप्त किया जा सके।
3. प्रेडिक्टर (Predictor): वर्तमान अनुमानित अवस्था को भविष्य के समय $t + \psi(t)$ तक आगे बढ़ाता है ताकि $\hat{P}(t)$ उत्पन्न किया जा सके, जिसका उपयोग कंट्रोल लॉ $U(t) = K\hat{P}(t)$ में किया जाता है।

ब. प्रेडिक्शन होराइजन ($\psi$) के लिए सन्निकटन योजनाएं

चूंकि $\psi(t)$ की सटीक गणना नहीं की जा सकती, इसलिए लेखक इनवर्स डिले ऑपरेटर को सन्निकट करने के लिए दो दृष्टिकोण प्रस्तावित करते हैं:

1. संख्यात्मक एकीकरण (Numerical Integration - ODE-आधारित):

   • यह इनवर्स डिले समस्या को एक साधारण अवकल समीकरण (ODE) के रूप में पुनर्गठित करता है: $\dot{\psi}(t) = \frac{\dot{D}(t+\psi(t))}{1-\dot{D}(t+\psi(t))}$।
   • इसे मानक संख्यात्मक विधियों (जैसे, Explicit Euler या Runge-Kutta) का उपयोग करके हल किया जाता है।
   • लाभ: मॉडल-आधारित, किसी प्रशिक्षण डेटा की आवश्यकता नहीं।
   • हानि: लंबे समय के क्षितिज (time horizons) के लिए गणनात्मक रूप से महंगा; समय क्षितिज $T$ के साथ त्रुटि सीमा बढ़ती है।

2. न्यूरल ऑपरेटर सन्निकटन (Neural Operator Approximation - डेटा-संचालित):

   • यह इनवर्स डिले मैपिंग को एक ऑपरेटर लर्निंग समस्या के रूप में मानता है: $D(\cdot) \mapsto \psi(\cdot)$।
   • यह डिले फंक्शन और उनके संगत सटीक इनवर्स के डेटासेट से इस मैपिंग को सीखने के लिए न्यूरल ऑपरेटर्स (विशेष रूप से, फूरियर न्यूरल ऑपरेटर्स, FNO) का उपयोग करता है।
   • लाभ: अत्यंत तीव्र इन्फरेंस (GPU-त्वरित); यह महंगे संख्यात्मक एकीकरण के लिए एक सरोगेट (surrogate) के रूप में कार्य करता है।
   • हानि: ऑफलाइन प्रशिक्षण की आवश्यकता; सटीकता प्रशिक्षण वितरण (training distribution) पर निर्भर करती है।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र तीन प्राथमिक सैद्धांतिक और व्यावहारिक योगदान देता है:

1. ऑपरेटर-थ्योरेटिक फ्रेमवर्क (Operator-Theoretic Framework):

   • लेखक स्थापित करते हैं कि इनवर्स डिले मैपिंग कॉम्पैक्ट सेट्स पर लिप्सचिट्ज़ निरंतर (Lipschitz continuous) है।
   • वे सिद्ध करते हैं कि संख्यात्मक एकीकरण विधि और न्यूरल ऑपरेटर दृष्टिकोण दोनों ही कॉम्पैक्ट सेट्स पर स्वैच्छिक सन्निकटन सटीकता (arbitrary approximation accuracy) प्राप्त कर सकते हैं, जो इन सन्निकटनों के विश्लेषण के लिए एक एकीकृत गणितीय आधार प्रदान करता है।

2. मजबूत स्थिरता विश्लेषण (Robust Stability Analysis):

   • पेपर क्लोज्ड-लूप सिस्टम की ग्लोबल एक्सपोनेंशियल स्टेबिलिटी (Global Exponential Stability) के लिए पर्याप्त स्थितियाँ (sufficient conditions) व्युत्पन्न करता है।
   • बैकस्टेपिंग ट्रांसफॉर्मेशन (backstepping transformation) और लियापुनोव-क्रासोवस्की फलनल (Lyapunov-Krasovskii functionals) का उपयोग करते हुए, वे सिद्ध करते हैं कि यदि प्रेडिक्शन होराइजन की सन्निकटन त्रुटि ($|\psi(t) - \hat{\psi}(t)|$) पर्याप्त रूप से छोटी (एक सीमा $\epsilon^*$ द्वारा सीमित) है, तो सिस्टम सन्निकटन त्रुटि और इनपुट एवं मेजरमेंट दोनों विलंबों की उपस्थिति के बावजूद स्थिर रहता है।
   • यह इनपुट और मेजरमेंट दोनों समय-परिवर्तनीय विलंबों वाले रैखिक सिस्टमों के लिए पहला आउटपुट-फीडबैक प्रेडिक्टर डिज़ाइन है जो होराइजन सन्निकटन त्रुटियों को ध्यान में रखता है।

3. व्यावहारिक कार्यान्वयन और ट्रेड-ऑफ (Practical Implementation & Trade-offs):

   • लेखक यूलर विधि (Euler method), रनगे-कुट्टा (RK4), और न्यूरल ऑपरेटर (FNO) की तुलना करने वाला एक व्यापक संख्यात्मक अध्ययन प्रस्तुत करते हैं।
   • वे प्रदर्शित करते हैं कि जबकि संख्यात्मक विधियाँ सटीक हैं, वे गणनात्मक रूप से भारी हैं। न्यूरल ऑपरेटर, स्थिरता सीमाओं के भीतर प्रदर्शन के नुकसान के बिना, प्रेडिक्शन होराइजन के लिए एक बहुत तेज़ विकल्प प्रदान करता है।

4. परिणाम (Results)

• सैद्धांतिक गारंटी: थ्योरम 4 सिद्ध करता है कि क्लोज्ड-लूप सिस्टम ग्लोबल एक्सपोनेंशियल रूप से स्थिर होता है यदि प्रेडिक्शन होराइजन त्रुटि एक विशिष्ट थ्रेशोल्ड $\epsilon^*$ द्वारा सीमित हो। कोरोलरी 1 इसे अनंत समय क्षितिज तक विस्तारित करता है।
• संख्यात्मक सत्यापन:
  • एक अस्थिर रैखिक प्रणाली पर सिमुलेशन किया गया जिसमें दोलनी (oscillatory), समय-परिवर्तनीय विलंब थे।
  • सटीकता: न्यूरल ऑपरेटर (FNO) ने $9 \times 10^{-3}$ की वैलिडेशन एरर प्राप्त की और सफलतापूर्वक सिस्टम को स्थिर किया।
  • दक्षता:
    • यूलर विधि: ~12 ms प्रति मूल्यांकन।
    • RK4: ~42.5 ms प्रति मूल्यांकन।
    • न्यूरल ऑपरेटर (FNO): ~2.0 ms प्रति मूल्यांकन (लगभग 6 गुना तेज़ Euler से, और 21 गुना तेज़ RK4 से)।
  • परिणाम पुष्टि करते हैं कि न्यूरल ऑपरेटर वास्तविक समय के नियंत्रण लूप में गणनात्मक रूप से गहन सॉल्वर को बिना स्थिरता से समझौता किए प्रतिस्थापित कर सकता है।

5. महत्व (Significance)

यह कार्य कई कारणों से महत्वपूर्ण है:

• सिद्धांत और व्यवहार को जोड़ना: यह प्रेडिक्टर फीडबैक के "कार्यान्वयन अंतराल" को हल करता है। सैद्धांतिक प्रेडिक्टर डिज़ाइन अक्सर इसलिए खारिज कर दिए जाते हैं क्योंकि इनवर्स डिले हल करने योग्य नहीं होता; यह शोध पत्र गारंटीकृत स्थिरता के साथ कठोर, लागू करने योग्य सन्निकटन प्रदान करता है।
• लर्निंग-आधारित नियंत्रण में प्रगति: यह न्यूरल नेटवर्क का उपयोग केवल ब्लैक-बॉक्स कंट्रोलर के रूप में करने से आगे बढ़ता है। इसके बजाय, यह विशिष्ट गणितीय ऑपरेटरों (इनवर्स डिले) के लिए उच्च-निष्ठा वाले सरोगेट के रूप में न्यूरल ऑपरेटर्स का उपयोग करता है, उन्हें सिद्ध स्थिरता मार्जिन के साथ एक कठोर नियंत्रण-सैद्धांतिक ढांचे में एकीकृत करता है।
• आउटपुट-फीडबैक जटिलता: इनपुट और मेजरमेंट दोनों विलंबों को एक साथ आउटपुट-फीडबैक सेटिंग में संभालकर, यह कार्य पिछले स्टेट-फीडबैक-ओनली अध्ययनों की तुलना में अधिक यथार्थवादी और जटिल परिदृश्य को संबोधित करता है।
• रियल-टाइम व्यवहार्यता: यह प्रदर्शन दिखाता है कि न्यूरल ऑपरेटर्स नियंत्रण गणनाओं को एक क्रम (order of magnitude) तक तेज कर सकते हैं, जिससे उन्नत प्रेडिक्टर फीडबैक उच्च-आवृत्ति, विलंब-संवेदनशील साइबर-फिजिकल सिस्टम के लिए व्यवहार्य हो जाता है।