Gain-Scheduling Data-Enabled Predictive Control for Nonlinear Systems with Linearized Operating Regions

Titolo: Controllo Predittivo Abilitato dai Dati con Programmazione del Guadagno (Gain-Scheduling) per Sistemi Non Lineari con Regioni di Linearizzazione

1. Il Problema

Il Controllo Predittivo Abilitato dai Dati (DeePC) è un approccio alternativo al classico MPC che formula il problema di controllo direttamente utilizzando traiettorie di ingresso-uscita misurate, senza richiedere un modello parametrico esplicito. Tuttavia, il DeePC standard si basa sul Lemma Fondamentale di Willems, che assume un sistema lineare tempo-invariante (LTI).
Quando applicato a sistemi fortemente non lineari, una singola rappresentazione dei dati globale (un unico matrice di Hankel) diventa insufficiente. Questo porta a:

• Ridotta accuratezza predittiva.
• Degrado delle prestazioni in anello chiuso.
• Necessità di raccogliere enormi quantità di dati per coprire l'intero range operativo, aumentando la complessità computazionale.

Le soluzioni esistenti, come il LPV-DPC (basato su sistemi a parametri variabili), offrono buone prestazioni ma richiedono una mappatura complessa e un'incorporazione LPV che aumenta il carico computazionale e di modellazione.

2. Metodologia: GS-DeePC

Gli autori propongono un framework Gain-Scheduled Data-Enabled Predictive Control (GS-DeePC). L'idea centrale è dividere il dominio operativo di una variabile di scheduling misurabile (es. una variabile di stato o uscita) in diverse regioni, approssimando il sistema non lineare come una collezione di modelli lineari locali.

Le fasi principali della metodologia sono:

• Partizionamento e Raccolta Dati:

  • La variabile di scheduling $\rho(k)$ viene divisa in $n$ regioni ($M_i$).
  • Vengono estratte sottosequenze di dati ingresso-uscita che rimangono all'interno dei confini di ciascuna regione.
  • Per ogni regione, si costruisce una matrice di Hankel regionale ($H_i$) utilizzando solo i dati locali, garantendo che il sistema sia sufficientemente eccitato (persistenza di eccitazione) all'interno di quella specifica regione.

• Matrici di Hankel Composite (Innovazione Chiave):

  • Per evitare discontinuità e "chattering" (oscillazioni rapide) quando la variabile di scheduling attraversa i confini tra regioni, vengono introdotte regioni composite ($C_i$).
  • Una regione composite è l'unione di due regioni adiacenti ($M_i \cup M_{i+1}$). Le matrici di Hankel di queste due regioni vengono concatenate.
  • Questo crea un'area di sovrapposizione che agisce come un buffer (simile all'isteresi), permettendo al predittore di variare in modo fluido durante le transizioni.

• Logica di Commutazione Online:

  • Il controller seleziona dinamicamente la matrice di Hankel appropriata in base alla posizione corrente della variabile di scheduling.
  • Si confrontano diverse strategie: commutazione semplice, commutazione con "tempo di permanenza" (dwell time) e commutazione basata su regioni composite. Le regioni composite si dimostrano superiori nel sopprimere il chattering senza ritardi significativi.

• Vantaggi Computazionali:

  • Poiché ogni regione utilizza solo dati locali brevi, le matrici di Hankel sono molto più piccole rispetto a quelle di un DeePC globale.
  • La complessità computazionale online rimane invariata rispetto al DeePC standard (la struttura del problema di ottimizzazione non cambia), ma la precisione è maggiore e i requisiti di memoria/elaborazione sono ridotti.

3. Contributi Chiave

1. Framework Sistematico GS-DeePC: Un'estensione strutturata del DeePC che utilizza matrici di Hankel regionali e composite, includendo una logica di commutazione progettata per la stabilità.
2. Metodologia Pratica di Raccolta Dati: Una procedura dettagliata per la partizione delle regioni, la costruzione di matrici "mosaico-Hankel" e la gestione dei compromessi tra larghezza della regione e disponibilità di dati.
3. Analisi Sperimentale Estesa: Validazione su un sistema non lineare complesso (motore DC con disco sbilanciato) con analisi di sensitività sul numero di regioni di linearizzazione e confronto diretto con lo stato dell'arte (LPV-DPC).

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un modello di simulazione di un motore DC con un disco sbilanciato, un sistema intrinsecamente non lineare a causa del termine $\sin(\theta)$.

• Confronto Prestazionale:

  • DeePC Standard: Mostra errori di tracciamento in regime stazionario significativamente più alti (RMSE$_{SS}$ = 0.057) e richiede matrici di Hankel molto grandi.
  • GS-DeePC: Migliora drasticamente le prestazioni all'aumentare del numero di regioni. Con 23 regioni composite, raggiunge un RMSE$_{SS}$ di 0.003, quasi identico al benchmark LPV-DPC (RMSE$_{SS}$ = 0.002).
  • Transizioni: L'uso di regioni composite elimina il chattering osservato nelle strategie di commutazione semplice o basate solo su "dwell time", garantendo transizioni fluide e stabili.

• Efficienza:

  • Il GS-DeePC ottiene prestazioni paragonabili al complesso LPV-DPC ma con una formulazione più semplice e senza la necessità di mappature di scheduling avanzate o termini di prodotto nell'equazione di predizione.
  • La riduzione della dimensione delle matrici di Hankel porta a un minor carico computazionale rispetto all'uso di un DeePC globale per sistemi non lineari.

5. Significato e Implicazioni

Questo lavoro dimostra che è possibile applicare il controllo predittivo puramente basato sui dati a sistemi non lineari complessi senza dover identificare un modello parametrico globale.

• Ponte tra Teoria e Pratica: Merging i vantaggi del controllo gain-scheduling classico (semplicità, stabilità locale) con l'approccio data-driven moderno (nessuna modellazione esplicita).
• Robustezza: L'introduzione delle regioni composite risolve il problema critico delle discontinuità nella commutazione, rendendo il metodo praticabile per applicazioni reali.
• Scalabilità: Il metodo offre un compromesso ottimale tra accuratezza e complessità computazionale, rendendo il DeePC applicabile a sistemi con forti non linearità dove le tecniche tradizionali fallirebbero o sarebbero troppo costose da implementare.

In sintesi, il GS-DeePC rappresenta un avanzamento significativo verso l'adozione diffusa del controllo predittivo basato sui dati in scenari industriali reali caratterizzati da non linearità marcate.