Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis

1. Enunciato del Problema

Il documento affronta il controllo di sistemi ingegneristici complessi (ad esempio, flussi fluidi, processi di combustione, strutture flessibili) in cui:

• I modelli matematici non sono disponibili o non sono adatti: I modelli fisici ad alta fedeltà sono spesso troppo intensivi dal punto di vista computazionale per il controllo in tempo reale, e i modelli basati sui primi principi potrebbero non esistere.
• Sensoristica ad alta dimensionalità: I sistemi spesso dispongono di sensori distribuiti che generano dati ad alta dimensionalità, mentre gli obiettivi di controllo sono definiti su variabili fisiche a dimensionalità inferiore.
• Limitazioni dei metodi esistenti:
  • Il controllo adattativo classico (ad esempio, MRAC) assume spesso una struttura di modello parametrico nota.
  • I metodi privi di modello basati sull'ottimizzazione (ad esempio, RCAC, RL) possono essere onerosi dal punto di vista computazionale, sensibili alla sintonizzazione o privi di garanzie di stabilità in contesti a tempo continuo.
  • Molti metodi basati sui dati (ad esempio, DMD standard) sono offline e non si integrano direttamente con la sintesi del controllore in tempo reale.

Obiettivo: Sviluppare un quadro unificato, privo di modello, che esegua l'identificazione del sistema online e la sintesi del controllore in tempo reale direttamente dai dati di misurazione in streaming, preservando l'interpretabilità fisica senza fare affidamento su dati in batch o ottimizzazioni complesse.

2. Metodologia: Controllo Adattativo a Modalità Dinamiche (DMAC)

Il quadro proposto DMAC opera in un ciclo ricorsivo a ogni passo temporale $k$, combinando due moduli principali:

A. Approssimazione della Dinamica (Identificazione Online)

Invece di utilizzare parametri vettorializzati o modelli ingresso-uscita, DMAC stima una rappresentazione locale lineare nello spazio degli stati direttamente nello spazio delle misurazioni.

• Forma del Modello: Assume un'approssimazione lineare locale: $\xi_{k+1} = A_k \xi_k + B_k u_k$, dove $\xi_k$ è lo stato misurato e $u_k$ è l'ingresso di controllo.
• Algoritmo: Impiega un algoritmo RLS (Recursive Least Squares) a matrice con un fattore di oblio ($\lambda$).
  • A differenza del RLS standard che vettorializza i parametri, DMAC aggiorna direttamente la matrice $\Theta_k = [A_k \quad B_k]$.
  • Funzione di Costo: Minimizza un costo ai minimi quadrati regolarizzato e pesato esponenzialmente:
    $$J_k(\Theta) = \sum_{i=0}^k \lambda^{k-i} \|\xi_i - \Theta \phi_{i-1}\|_2^2 + \lambda^k \text{tr}(\Theta^T R_\Theta \Theta)$$
  • Vantaggi: Questo approccio che preserva la struttura evita l'esplosione dimensionale associata alla vettorializzazione e produce direttamente le matrici dello spazio degli stati ($A, B$), mantenendo l'interpretabilità fisica.

B. Sintesi del Controllore

Una volta stimata la dinamica locale ($A_k, B_k$), viene sintetizzato immediatamente un controllore.

• Legge di Controllo: Viene utilizzato un controllore a retroazione dallo stato completo con azione integrale per il tracciamento del riferimento:
  $$u_k = K_{\xi, k} \xi_k + K_{q, k} q_k + v_k$$
  • $K_{\xi, k}$ e $K_{q, k}$ sono guadagni variabili nel tempo calcolati tramite progettazione LQR (Linear Quadratic Regulator) basata sulle stime correnti $(A_k, B_k)$.
  • $q_k$ è uno stato integratore per l'accumulo dell'errore.
  • $v_k$ è un segnale di eccitazione (rumore i.i.d. a media zero) aggiunto per garantire la persistenza dell'eccitazione (PE) nel regressore, che è critica per la convergenza dello stimatore RLS.

3. Contributi Chiave

1. Architettura Unificata: Introduce DMAC, un quadro che integra senza soluzione di continuità l'approssimazione a modalità dinamiche (modellazione basata sui dati) con la sintesi del controllo adattativo, consentendo la progettazione del controllore in tempo reale a partire da dati in streaming.
2. RLS a Valore Matriciale: Propone un algoritmo di identificazione ricorsiva che stima modelli nello spazio degli stati a basso ordine direttamente nello spazio delle misurazioni utilizzando una formulazione RLS a valore matriciale. Questo evita la vettorializzazione, il lifting e la ricostruzione ingresso-uscita, riducendo la complessità computazionale e preservando la struttura fisica.
3. Garanzie Teoriche:
   • Dimostra la convergenza dell'algoritmo di identificazione ricorsiva (l'errore di stima converge a zero o è limitato).
   • Stabilisce la Limitazione Uniforme Ultimalmente (UUB) dello stato del sistema ad anello chiuso, dimostrando che il sistema rimane stabile nonostante il segnale di eccitazione richiesto per l'identificazione.
4. Robustezza: Dimostra che il metodo funziona per sistemi lineari, non lineari e a parametri distribuiti senza richiedere conoscenze a priori del modello del sistema.

4. Risultati ed Esempi Numerici

Gli autori hanno validato DMAC su tre sistemi di complessità crescente:

• Sistema Lineare Instabile:
  • Risultato: Ha stabilizzato con successo un sistema instabile ad anello aperto.
  • Osservazione: Lo stato è convergente verso un intorno limitato dell'origine. La dimensione di questo intorno era proporzionale alla magnitudine del segnale di eccitazione ($v_k$), confermando i limiti teorici. Le stime dei parametri sono converte ai valori reali.
• Oscillatore di Van der Pol (Non Lineare):
  • Risultato: Ha raggiunto il tracciamento del riferimento per un sistema oscillatorio non lineare.
  • Sensibilità: Il controllore ha mantenuto prestazioni di tracciamento stabili attraverso ampie variazioni degli iperparametri ($\lambda$, regolarizzazione, pesi LQR) e dei parametri del sistema (smorzamento non lineare $\mu$).
• Equazione di Burgers (PDE a Parametri Distribuiti):
  • Risultato: Ha controllato un sistema di dinamica dei fluidi 1D governato da una PDE non lineare utilizzando solo misurazioni sparse di sensori (7 nodi su 100).
  • Significato: Ha dimostrato la capacità di gestire sistemi distribuiti ad alta dimensionalità identificando un modello lineare locale a basso ordine direttamente da misurazioni sparse.
  • Robustezza: Ha mostrato robustezza alle variazioni del coefficiente di viscosità ($\nu$).

5. Significato e Impatto

• Colmare il Divario: DMAC colma il divario tra modellazione basata sui dati (DMD) e controllo adattativo, passando dall'analisi offline alla sintesi del controllo online e in tempo reale.
• Interpretabilità Fisica: Identificando direttamente le matrici dello spazio degli stati invece di mappe ingresso-uscita astratte, il controllore risultante mantiene un chiaro significato fisico, cruciale per le applicazioni ingegneristiche.
• Efficienza Computazionale: L'approccio RLS a valore matriciale è computazionalmente efficiente, rendendolo adatto a sistemi con sensoristica ad alta dimensionalità ma obiettivi di controllo a dimensionalità inferiore.
• Rigorosità Teorica: A differenza di molti metodi di controllo basati sull'apprendimento che si affidano a euristiche, DMAC fornisce prove rigorose basate su Lyapunov per la stabilità e la limitatezza.
• Direzioni Future: Gli autori identificano lavori futuri volti a ridurre la dipendenza dalla persistenza dell'eccitazione (per minimizzare il degrado delle prestazioni dovuto al rumore) e a imporre vincoli strutturali (ad esempio, stabilizzabilità) durante la fase di identificazione.

In sintesi, questo documento presenta un metodo robusto, teoricamente fondato ed efficientemente computazionale per il controllo di sistemi dinamici complessi e sconosciuti utilizzando solo dati misurati, offrendo un'alternativa praticabile al controllo basato su modelli tradizionali e ai pesanti metodi di apprendimento basati sull'ottimizzazione.