Optimal shaping filter design for data-driven feedforward controller tuning

तकनीकी सारांश: डेटा-संचालित फीडफॉरवर्ड कंट्रोलर ट्यूनिंग के लिए इष्टतम शेपिंग फ़िल्टर डिज़ाइन

समस्या विवरण
यह शोध पत्र टू-डिग्रीज़-ऑफ-फ्रीडम (2-DOF) नियंत्रण प्रणालियों के भीतर डेटा-संचालित मॉडल मिलान समस्या को संबोधित करता है। विशेष रूप से, यह एक प्रारंभिक प्रयोग से प्राप्त इनपुट-आउटपुट डेटा का उपयोग करके एक फीडफॉरवर्ड कंट्रोलर, $C_{ff}(\rho)$, को ट्यून करने पर ध्यान केंद्रित करता है, ताकि क्लोज्ड-लूप सिस्टम, $T(\rho)$, और एक वांछित संदर्भ मॉडल, $T_d$, के बीच के अंतर को न्यूनतम किया जा सके।

जबकि एक सामान्य दृष्टिकोण सीधे डेटा से "इष्टतम" कंट्रोलर (वह जो पूर्ण मॉडल मिलान प्राप्त करता है) को पहचानने का होता है, यह शोध पत्र तर्क देता है कि यह अपर्याप्त है। उन परिदृश्यों में जहाँ कंट्रोलर की संरचना स्थिर होती है और आदर्श व्युत्क्रम मॉडल (inverse model) को पूरी तरह से प्रस्तुत नहीं कर सकती (अर्थात, $C^*_{ff} \notin \mathcal{C}$), पहचाने गए कंट्रोलर और इष्टतम कंट्रोलर के बीच की समानता को कम करना वास्तविक नियंत्रण प्रदर्शन त्रुटि को न्यूनतम करने की गारंटी नहीं देता है। यह अंतर इसलिए मौजूद है क्योंकि कंट्रोलर मापदंडों में समानता का अर्थ तुरंत क्लोज्ड-लूप प्रदर्शन में समानता नहीं होता है। इस अंतर को पाटने के लिए, लागत फलन (cost function) में एक शेपिंग फ़िल्टर (या प्रीफ़िल्टर), $L$, को पेश किया गया है। हालाँकि, केवल उपलब्ध डेटा पर निर्भर रहते हुए एक इष्टतम शेपिंग फ़िल्टर का डिज़ाइन तैयार करना—न कि अज्ञात वास्तविक प्लांट $P$ पर—एक महत्वपूर्ण चुनौती बनी हुई है।

कार्यप्रणाली
यह शोध पत्र समस्या को मॉडल मिलिंग त्रुटि के भारित (weighted) $H_2$ नॉर्म को न्यूनतम करने वाले $\rho$ को खोजने के रूप में तैयार करता है:
$$J(\rho) = \|W(T(\rho) - T_d)\|^2$$
जहाँ $W$ एक वेट फंक्शन है और $P$ अज्ञात है।

लेखक एक डेटा-संचालित लागत फलन प्रस्तावित करते हैं जिसमें एक शेपिंग फ़िल्टर $L$ का उपयोग किया गया है:
$$J_L(\rho) = \sum_{k=0}^{N-1} \left( L(T_d u^0_k - C_{ff}(\rho) y^0_k) \right)^2$$
जहाँ $u^0_k$ और $y^0_k$ एक प्रारंभिक फीडफॉरवर्ड पैरामीटर $\rho_0$ के साथ प्रारंभिक प्रयोग से प्राप्त इनपुट-आउटपुट डेटा हैं।

मुख्य कार्यप्रणाली इष्टतम $L$ को खोजने की प्रक्रिया में शामिल है ताकि $J_L(\rho)$ को न्यूनतम करना, अनंत डेटा लंबाई $N \to \infty$ होने पर, वास्तविक प्रदर्शन मीट्रिक $J(\rho)$ को न्यूनतम करने के एसिम्प्टोटिक रूप से (asymptotically) समतुल्य हो। यह व्युत्पत्ति निम्नलिखित धारणाओं पर आधारित है:

1. सिस्टम शोर-मुक्त (noise-free) है।
2. प्रारंभिक फीडबैक लूप आंतरिक रूप से स्थिर (internally stable) है।
3. संदर्भ सिग्नल स्पेक्ट्रम ज्ञात है (या तो ज्ञात फ़िल्टर $R$ द्वारा उत्पन्न स्टेप सिग्नल या व्हाइट नॉइज़ जो $R$ द्वारा फ़िल्टर्ड है)।

प्रमुख योगदान
इस कार्य का प्राथमिक योगदान डेटा-संचालित फीडफॉरवर्ड ट्यूनिंग के लिए इष्टतम शेपिंग फ़िल्टर का स्पष्ट व्युत्पत्ति है, जब संरचनात्मक बाधाओं के कारण पूर्ण मॉडल मिलान प्राप्त करना असंभव हो। प्रस्तावित फ़िल्टर है:
$$L = \frac{1}{C_{ff}(\rho_0) + T_d C_{fb}} \frac{W}{R} \frac{1}{z^m}$$
जहाँ $C_{fb}$ फीडबैक कंट्रोलर है, $T_d$ संदर्भ मॉडल है, और $z^{-m}$ फ़िल्टर को प्रोपर (proper) सुनिश्चित करने के लिए एक शुद्ध विलंब (pure delay) है।

इस योगदान की प्रमुख विशेषताएं हैं:

• रचनात्मकता (Constructibility): फ़िल्टर को पूरी तरह से उपलब्ध जानकारी (प्रारंभिक डेटा, ज्ञात कंट्रोलर्स, संदर्भ मॉडल और सिग्नल स्पेक्ट्रम) से बनाया गया है, जिसमें अज्ञात प्लांट $P$ के ज्ञान की आवश्यकता नहीं है।
• इष्टतमता (Optimality): यह शोध पत्र सिद्ध करता है कि इस विशिष्ट $L$ के साथ लागत फलन को न्यूनतम करने से अनंत डेटा की सीमा में वही इष्टतम पैरामीटर $\rho$ प्राप्त होता है जो वास्तविक प्रदर्शन लागत $J(\rho)$ को न्यूनतम करने से मिलता है।
• ERIT के साथ संबंध: यह शोध पत्र प्रस्तावित पद्धति और एस्टिमेटेड रिस्पॉन्स इटरेटिव ट्यूनिंग (ERIT) के बीच एक सैद्धांतिक संबंध स्थापित करता है। यह प्रदर्शित करता है कि ERIT प्रस्तावित ढांचे का एक विशेष मामला है और यह तब इष्टतम होता है जब वेट फंक्शन $W$ को ठीक से संदर्भ सिग्नल फ़िल्टर $R$ के रूप में चुना जाता है (अर्थात, जब ट्यूनिंग प्रयोग में समान संदर्भ सिग्नल का उपयोग किया जाता है)।

परिणाम
प्रस्तावित शेपिंग फ़िल्टर की प्रभावशीलता को दो केस स्टडीज के माध्यम से मान्य किया गया है:

1. संख्यात्मक उदाहरण (Numerical Example):

   • एक लीनियर टाइम-इनवेरिएंट सिस्टम का उपयोग किया गया जिसमें एक सरल फीडफॉरवर्ड संरचना थी (जो संदर्भ मॉडल को पूरी तरह से मैच करने के लिए अपर्याप्त थी)।
   • केस 1 ($W=1$): इष्टतम शेपिंग फ़िल्टर ने हाई-पास व्यवहार प्रदर्शित किया। जबकि बिना फ़िल्टर के ट्यून किया गया कंट्रोलर पैरामीटर स्पेस में "आदर्श" कंट्रोलर के अधिक करीब था, उसका क्लोज्ड-लूप ट्रैकिंग प्रदर्शन खराब था। फ़िल्टर-सक्षम ट्यूनिंग ने संदर्भ मॉडल के मिलान के लिए क्लोज्ड-लूप प्रतिक्रिया में काफी सुधार किया, विशेष रूप से उच्च-आवृत्ति रेंज में।
   • केस 2 ($W=R$): यह परिदृश्य ERIT सेटअप के अनुरूप है। परिणामों ने दिखाया कि शेपिंग फ़िल्टर (ERIT के समान) का उपयोग करने से बिना फ़िल्टर के ट्यूनिंग की तुलना में स्क्वेर्ड ट्रैकिंग एरर में लगभग 43% की कमी आई, जिससे आउटपुट में होने वाले दोलन (oscillations) प्रभावी रूप से समाप्त हो गए।

2. व्यावहारिक प्रयोग (Practical Experiment):

   • एक स्टेप रेफरेंस इनपुट के साथ Quanser Rotary Servo Base Unit पर प्रयोग किए गए।
   • शोर के प्रभाव को कम करने के लिए सिग्नल प्रोजेक्शन का उपयोग किया गया।
   • प्रस्तावित शेपिंग फ़िल्टर का उपयोग करके अपडेट किया गया कंट्रोलर, बिना फ़िल्टर वाले कंट्रोलर की तुलना में वांछित आउटपुट को काफी बेहतर तरीके से ट्रैक करता है।
   • प्रस्तावित विधि के लिए स्क्वेर्ड एरर का योग 0.26 था, जबकि बिना शेपिंग फ़िल्टर वाले मेथड के लिए यह 0.76 और प्रारंभिक कंट्रोलर के लिए 0.81 था।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित शेपिंग फ़िल्टर फीडफॉरवर्ड कंट्रोलर्स के लिए डेटा-संचालित मॉडल मिलान समस्या का एक कठोर समाधान प्रदान करता है, जहाँ कंट्रोलर की संरचना सीमित होती है। उपलब्ध डेटा से इष्टतम फ़िल्टर का निर्माण करके, यह पद्धति प्रत्यक्ष कंट्रोलर पहचान (direct controller identification) के दोषों से बचती है, जो शोर-मुक्त डेटा के बावजूद उप-इष्टतम (suboptimal) प्रदर्शन की ओर ले जा सकता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि वर्तमान कार्य एसिम्प्टोटिक गुणों (बड़े $N$) पर केंद्रित है। वे सीमित डेटा मात्रा के साथ सांख्यिकीय गुणों के अन्वेषण को भविष्य के अनुसंधान के लिए एक आवश्यक दिशा के रूप में पहचानते हैं। यह कार्य 2-DOF नियंत्रण संरचनाओं की उपयोगिता को पुख्ता करता है, जहाँ फीडबैक-ओनली ट्यूनिंग की तुलना में स्थिरता सुनिश्चित करना आसान होता है, बशर्ते कि अपडेट किया गया फीडफॉरवर्ड कंट्रोलर स्थिर रहे।