⚡ electrical engineering

Stability Analysis and Data-Driven State Estimation for Generalized Persidskii Systems with Time Delays: Theory and Experimental Validation on PMSM Drives

Questo articolo presenta un framework basato sui dati per l'analisi della stabilità e la stima dello stato di sistemi generalizzati di Persidskii con ritardi temporali, che utilizza il lifting di Koopman per l'identificazione del modello e un controllore ICODE-MPPI, validato sperimentalmente su un azionamento PMSM per dimostrare significativi miglioramenti nella precisione di stima e nelle prestazioni di tracciamento della velocità rispetto ai metodi convenzionali.

Autori originali: Syed Pouladi

Pubblicato 2026-05-01

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Syed Pouladi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di guidare un'auto elettrica ad alte prestazioni (nello specifico, un motore sincrono a magneti permanenti, o PMSM) attraverso un passo di montagna avvolto dalla nebbia. Hai una mappa, ma è leggermente obsoleta e c'è un ritardo tra il momento in cui vedi una curva e quello in cui la tua auto effettivamente sterza. Se ti affidi a un GPS standard (come un controllore tradizionale), potresti superare la curva o rimanere bloccato nella nebbia perché il sistema si confonde a causa del ritardo e delle impreviste asperità della strada.

Questo articolo presenta un modo nuovo e più intelligente per guidare quell'auto. Combina tre idee principali: un tipo speciale di "regolamento" matematico per gestire le stranezze dell'auto, un "co-pilota" super-preciso per indovinare dove si trova l'auto e un sistema di apprendimento che costruisce una mappa migliore mentre si guida.

Ecco la scomposizione della loro soluzione utilizzando analogie quotidiane:

1. Il "Regolamento" per le Stranezze dell'Auto (Sistemi Persidskii Generalizzati)

La maggior parte delle auto (e dei motori) non è perfettamente lineare. Se premi leggermente l'acceleratore, vai leggermente più veloce. Ma se lo premi troppo forte, il motore raggiunge un limite (saturazione), o se lo lasci andare, c'è una zona morta in cui non succede nulla. Questi sono comportamenti "non lineari".

Gli autori utilizzano un quadro matematico specifico chiamato Sistemi Persidskii Generalizzati. Pensa a questo come a un regolamento che dice: "Sappiamo che l'auto si comporta in modo lineare per la maggior parte del tempo, ma quando raggiunge un limite (come un limite di velocità o una zona morta), sappiamo esattamente quanto può deviare."

Utilizzando questo regolamento, possono dimostrare matematicamente che l'auto rimarrà stabile anche se la strada è sconnessa (disturbi) o se c'è un ritardo nello sterzo (ritardi temporali).

2. Il Problema del "Ritardo Temporale" (Ritardi Temporali)

Nei sistemi digitali, c'è sempre un minuscolo ritardo. Premi il pulsante e un millisecondo dopo il motore reagisce. In un sistema in rapido movimento, quel millisecondo sembra un'eternità.

Gli autori hanno sviluppato un nuovo test di stabilità (utilizzando qualcosa chiamato funzionale di Lyapunov–Krasovskii). Immagina questo come un calcolo del "cuscinetto di sicurezza". Invece di controllare solo se l'auto è stabile in questo momento, calcolano un margine di sicurezza che tiene conto del tempo necessario perché il segnale viaggi. Hanno dimostrato che finché il ritardo rimane sotto un certo limite (circa 18 millisecondi nel loro esperimento), l'auto non andrà mai fuori controllo.

3. Il "Super-Co-Pilota" (Osservatore Robusto)

A volte non puoi vedere tutto. Potresti conoscere la velocità, ma non puoi misurare direttamente le correnti elettriche interne senza costosi sensori. Devi indovinarle (stimarle).

I normali indovinatori (come il Filtro di Kalman Esteso) spesso si confondono quando l'auto incontra una buca improvvisa o una curva stretta, causando una deriva della stima. Gli autori hanno costruito un osservatore strutturato che imita il proprio "regolamento" dell'auto. Poiché il co-pilota comprende gli stessi limiti e le stesse regole dell'auto, non si confonde per le buche.

Il Risultato: Nei loro test, questo nuovo co-pilota ha indovinato la velocità con un 35% di precisione in più rispetto al metodo standard, riprendendosi molto più velocemente dai cambiamenti improvvisi del carico.

4. La "Mappa Appresa" (Identificazione di Koopman)

Di solito, per guidare bene un'auto, devi conoscere la fisica esatta del motore. Ma cosa succede se non conosci perfettamente il motore?

Gli autori hanno utilizzato una tecnica chiamata sollevamento di Koopman. Immagina di cercare di imparare un nuovo videogioco. Invece di memorizzare ogni singolo pixel, impari alcuni schemi di "power-up" che predicono il futuro. Hanno preso dati dal motore e utilizzato questo metodo per costruire una mappa semplificata e lineare del motore complesso e non lineare.

Fondamentalmente, hanno costretto questo processo di apprendimento a obbedire al "regolamento di sicurezza" (i vincoli Persidskii). Questo assicura che, anche se la mappa è appresa dai dati, non può prevedere uno scenario in cui l'auto diventa instabile. È come uno studente a cui è permesso imparare solo fatti che si è dimostrato essere sicuri.

5. Il "Guidatore Intelligente" (Controllore ICODE-MPPI)

Infine, hanno messo tutto insieme in un controllore chiamato ICODE-MPPI.

Come funziona: Prima di compiere una mossa, questo controllore esegue migliaia di simulazioni "cosa succederebbe se" nella sua testa (come un giocatore di scacchi che pensa 20 mosse avanti).
Il Vantaggio: Poiché la mappa che utilizza è garantita come stabile (grazie ai passaggi precedenti), il controllore può correre rischi e reagire rapidamente senza paura di schiantarsi.
Il Risultato: Quando testato contro i metodi di guida standard, questo nuovo sistema ha tracciato la velocità desiderata con un 67% di miglioramento, gestendo ritardi e asperità con una precisione molto più fluida.

La Conclusione

Gli autori hanno creato un pacchetto completo:

Una prova matematica che dice: "Questo sistema è sicuro anche con i ritardi."
Un algoritmo di apprendimento che costruisce un modello del motore garantendo che rimanga sicuro.
Un controllore intelligente che utilizza quel modello per guidare perfettamente un motore elettrico da 1,5 kW.

Hanno testato questo su un motore reale in laboratorio. I risultati hanno mostrato che il loro metodo era significativamente migliore nel prevedere la velocità del motore e nel seguire un obiettivo di velocità rispetto ai metodi attualmente utilizzati nell'industria. Hanno persino dimostrato che il sistema poteva gestire fino a 18 millisecondi di ritardo prima di diventare teoricamente instabile, il che corrispondeva quasi perfettamente ai loro esperimenti nel mondo reale.

1. Enunciato del Problema

Il documento affronta la sfida di analizzare la stabilità e stimare gli stati per sistemi di Persidskii generalizzati (una classe di sistemi che accoppia dinamiche lineari con retroazioni non lineari limitate a settori) soggetti a ritardi variabili nel tempo e disturbi esterni.

Le sfide chiave identificate includono:

Sensibilità ai Ritardi: I criteri di stabilità esistenti per i sistemi di Persidskii spesso assumono canali privi di ritardi, il che è irrealistico per azionamenti a controllo digitale e sistemi in rete dove i ritardi di campionamento e trasmissione (millisecondi) sono comuni.
Incertezza del Modello: In molte applicazioni pratiche (ad esempio, monitoraggio delle condizioni), le matrici del sistema sono sconosciute. I metodi standard di identificazione basata sui dati (come la Decomposizione Modale Dinamica Estesa - EDMD) non garantiscono che il modello identificato erediti le proprietà di stabilità.
Controllo Robusto: Il controllo di tali sistemi in presenza di incertezza e ritardi richiede un quadro che garantisca la Stabilità Input-Stato (ISS) per prevenire esplosioni numeriche o instabilità durante disturbi transitori.

2. Metodologia

Gli autori propongono un quadro unificato che integra l'analisi teorica di stabilità, la progettazione strutturata di osservatori, l'identificazione basata sui dati che preserva la stabilità e il controllo avanzato.

A. Analisi Teorica di Stabilità

Funzionale di Lyapunov–Krasovskii (LKF): Viene costruito un LKF composito, combinando:
1. Un termine integrale classico di Persidskii per l'energia non lineare.
2. Un buffer quadratico standard per i ritardi.
3. Un termine a doppio integrale basato su Wirtinger per fornire limiti più stretti sui termini incrociati derivanti dalla disuguaglianza di Jensen.
Criterio LMI: Gli autori derivano una condizione ISS dipendente dal ritardo formulata come Disuguaglianze Matriciali Lineari (LMI). Questo criterio garantisce l'ISS con un guadagno $L_2$ specifico ( $\gamma$ ) dai disturbi allo stato, tenendo esplicitamente conto del ritardo massimo ammissibile ( $\tau_{max}$ ).

B. Osservatore Robusto Strutturato

Viene progettato un osservatore strutturato di Persidskii per rispecchiare l'architettura dell'impianto.
Preservando la struttura limitata a settori nella dinamica dell'errore, gli autori dimostrano che l'errore dell'osservatore converge globalmente.
Il guadagno dell'osservatore è ottimizzato per minimizzare la norma $H_\infty$ della funzione di trasferimento da disturbo a errore, garantendo robustezza contro il rumore di misura e i disturbi esterni.

C. Identificazione Basata sui Dati che Preserva la Stabilità

Quadro dell'Operatore di Koopman: Il sistema è sollevato in uno spazio osservabile a dimensionalità superiore per creare una rappresentazione simile a quella lineare.
Regressione Vincolata: A differenza della EDMD standard, il processo di identificazione (risoluzione per le matrici di Koopman $A_K, B_K, C_K$ ) è posto come un problema di ottimizzazione vincolata.
Vincolo: La LMI-ISS derivata nella sezione teorica è incorporata come condizione laterale convessa durante la regressione dei parametri. Ciò garantisce che il modello identificato sia matematicamente garantito come ISS, ereditando i certificati di robustezza del modello analitico.

D. Architettura di Controllo (ICODE-MPPI)

Il modello identificato Persidskii-Koopman funge da kernel di previsione per un controllore ICODE-MPPI (Input-dependent Control-oriented Dynamical Estimation – Model Predictive Path Integral).
Il controllore utilizza lanci stocastici per ottimizzare gli ingressi di controllo. La garanzia strutturale di ISS del modello assicura che i costi dei lanci rimangano limitati anche quando il sistema eccita non linearità, prevenendo l'instabilità numerica spesso osservata con predittori a rete neurale "scatola nera".

3. Contributi Chiave

Criterio LMI Raffinato: Un nuovo criterio ISS dipendente dal ritardo per sistemi di Persidskii generalizzati che utilizza un LKF unificato con integrali doppi basati su Wirtinger, producendo limiti più stretti sul ritardo massimo ammissibile.
Progettazione di Osservatore Strutturato: Un osservatore $H_\infty$ con condizioni di guadagno esplicite che garantisce la convergenza per sistemi con misurazioni parziali dello stato.
Identificazione che Preserva la Stabilità: Un protocollo di identificazione Koopman innovativo che impone la LMI-ISS di Persidskii come vincolo, garantendo che il modello identificato sia stabile.
Validazione Sperimentale: Test completi su un banco prova di azionamento PMSM da 1,5 kW, validando sia i limiti teorici che le prestazioni di controllo.

4. Risultati Sperimentali

Il quadro è stato validato su un banco prova PMSM da 1,5 kW con un freno a carico programmabile e un ritardo di gruppo misurato di $\tau = 5$ ms.

Prestazioni di Stima dello Stato:
- L'osservatore di Persidskii ha raggiunto una riduzione del 35,3% nell'errore quadratico medio (RMSE) della stima della velocità rispetto a un Filtro di Kalman Esteso (EKF) standard (1,12 rad/s contro 1,73 rad/s).
- Ha dimostrato un recupero transitorio più rapido (350 ms contro 590 ms) dopo un disturbo di carico a gradino.
Prestazioni di Inseguimento:
- Il controllore ICODE-MPPI ha mostrato un miglioramento del 67,1% nella precisione di inseguimento della velocità rispetto al Controllo Orientato al Campo (FOC) standard.
- Ha superato un MPPI "scatola nera" (che utilizza reti neurali non vincolate) mantenendo la stabilità e minimizzando il ritardo di fase sotto disturbi periodici.
Robustezza ai Ritardi:
- Il sistema è rimasto stabile fino a un ritardo artificialmente iniettato di 18 ms.
- Ciò corrisponde strettamente al limite previsto dalle LMI teoriche di 18,2 ms.
- Al contrario, l'MPPI a scatola nera ha perso stabilità a circa 14 ms, evidenziando la necessità del vincolo che preserva la stabilità.

5. Significato

Questo documento colma il divario tra la rigorosa teoria di stabilità non lineare e il moderno controllo basato sui dati. Il suo significato risiede in:

Colmare Teoria e Pratica: Supera le assunzioni teoriche prive di ritardi per fornire un quadro che funziona con ritardi temporali reali e incertezze del modello.
Sicurezza nel Controllo Basato sui Dati: Incorporando vincoli di stabilità direttamente nel processo di identificazione, risolve il problema della "scatola nera" in cui i modelli basati sui dati potrebbero essere accurati ma instabili in condizioni estreme.
Guadagni nelle Prestazioni: I risultati sperimentali su un azionamento PMSM dimostrano miglioramenti tangibili nella precisione di stima e nelle prestazioni di inseguimento rispetto ai metodi standard del settore (FOC ed EKF), provando la fattibilità dell'approccio per sistemi elettromeccanici ad alte prestazioni.
Scalabilità: L'uso di matrici di Lyapunov diagonali e osservatori strutturati suggerisce che il metodo è computazionalmente trattabile per sistemi di dimensione moderata, rendendolo adatto all'implementazione embedded.