Optimal shaping filter design for data-driven feedforward controller tuning

Sintesi Tecnica: Progettazione di un Filtro di Modellazione Ottimale per la Sintonizzazione di un Controllore Feedforward basata sui Dati

Enunciato del Problema
Questo articolo affronta il problema del model matching basato sui dati all'interno di sistemi di controllo a due gradi di libertà (2-DOF). Nello specifico, si concentra sulla sintonizzazione di un controllore feedforward, $C_{ff}(\rho)$, utilizzando dati di input-output da un esperimento preliminare per minimizzare la discrepanza tra il sistema a ciclo chiuso, $T(\rho)$, e un modello di riferimento desiderato, $T_d$.

Sebbene un approccio comune consista nell'identificare direttamente dai dati il controllore "ottimale" (quello che realizza un model matching perfetto), l'articolo sostiene che ciò sia insufficiente. In scenari in cui la struttura del controllore è fissa e non può rappresentare perfettamente il modello inverso ideale (ovvero $C^*_{ff} \notin \mathcal{C}$), minimizzare l'errore tra il controllore identificato e il controllore ottimale non garantisce la minimizzazione dell'effettivo errore di prestazione del controllo. Questa lacuna esiste perché la somiglianza nei parametri del controllore non implica immediatamente la somiglianza nelle prestazioni a ciclo chiuso. Per colmare questo divario, un filtro di modellazione (o prefiltro), $L$, viene introdotto nella funzione di costo. Tuttavia, progettare un filtro di modellazione ottimale che si basi solo sui dati disponibili, piuttosto che sul vero processo incognito $P$, rimane una sfida significativa.

Metodologia
L'articolo formula il problema come la ricerca di un parametro $\rho$ che minimizzi la norma $H_2$ pesata dell'errore di model matching:
$$J(\rho) = \|W(T(\rho) - T_d)\|^2$$
dove $W$ è una funzione di peso e $P$ è incognita.

L'autore propone una funzione di costo basata sui dati utilizzando un filtro di modellazione $L$:
$$J_L(\rho) = \sum_{k=0}^{N-1} \left( L(T_d u^0_k - C_{ff}(\rho) y^0_k) \right)^2$$
dove $u^0_k$ e $y^0_k$ sono dati di input-output da un esperimento preliminare con un parametro feedforward iniziale $\rho_0$.

La metodologia principale consiste nel derivare l'ottimale $L$ tale che la minimizzazione di $J_L(\rho)$ sia asintoticamente equivalente alla minimizzazione della vera metrica di prestazione $J(\rho)$ al tendere di $N \to \infty$. La derivazione assume che:

1. Il sistema sia privo di rumore.
2. L'anello di retroazione iniziale sia internamente stabile.
3. Lo spettro del segnale di riferimento sia noto (ovvero un segnale a gradino generato da un filtro noto $R$ o un rumore bianco filtrato da $R$).

Contributi Chiave
Il contributo primario di questo lavoro è la derivazione esplicita del filtro di modellazione ottimale per la sintonizzazione feedforward basata sui dati quando il model matching perfetto non è raggiungibile a causa di vincoli strutturali. Il filtro proposto è:
$$L = \frac{1}{C_{ff}(\rho_0) + T_d C_{fb}} \frac{W}{R} \frac{1}{z^m}$$
dove $C_{fb}$ è il controllore di feedback, $T_d$ è il modello di riferimento, e $z^{-m}$ è un ritardo puro per garantire che il filtro sia proprio.

Le proprietà chiave di questo contributo includono:

• Costruttibilità: Il filtro è costruito interamente dalla informazione disponibile (dati iniziali, controllori noti, modello di riferimento e spettro del segnale) senza richiedere la conoscenza del processo incognito $P$.
• Ottimalità: L'articolo dimostra che minimizzare la funzione di costo con questo specifico $L$ produce lo stesso parametro ottimale $\rho$ derivante dalla minimizzazione della vera funzione di costo delle prestazioni $J(\rho)$ nel limite di infiniti dati.
• Relazione con ERIT: L'articolo stabilisce un legame teorico tra il metodo proposto e l'Estimated Response Iterative Tuning (ERIT). Dimostra che l'ERIT è un caso speciale del framework proposto ed è ottimale quando la funzione di peso $W$ è scelta esattamente come il filtro del segnale di riferimento $R$ (ovvero, quando lo stesso segnale di riferimento viene utilizzato nell'esperimento di sintonizzazione).

Risultati
L'efficacia del filtro di modellazione proposto è validata attraverso due casi di studio:

1. Esempio Numerico:

   • È stato utilizzato un sistema lineare tempo-invariante con una semplice struttura feedforward (insufficiente per far corrispondere perfettamente il modello di riferimento).
   • Caso 1 ($W=1$): Il filtro di modellazione ottimale ha mostrato un comportamento passa-alto. Sebbene il controllore sintonizzato senza il filtro fosse più vicino al controllore "ideale" nello spazio dei parametri, esso performava peggio in termini di inseguimento a ciclo chiuso. La sintonizzazione abilitata dal filtro ha migliorato significativamente la risposta a ciclo chiuso per corrispondere al modello di riferimento, particolarmente nell'intervallo di alta frequenza.
   • Caso 2 ($W=R$): Questo scenario corrisponde alla configurazione ERIT. I risultati hanno mostrato che l'uso del filtro di modellazione (equivalente all'ERIT) ha ridotto l'errore quadratico di inseguimento di circa il 43% rispetto alla sintonizzazione senza filtro, eliminando efficacemente le oscillazioni in uscita.

2. Esperimento Pratico:

   • Gli esperimenti sono stati condotti su un Quanser Rotary Servo Base Unit con un ingresso di riferimento a gradino.
   • È stata impiegata la proiezione del segnale per mitigare l'influenza del rumore.
   • Il controllore aggiornato utilizzando il filtro di modellazione proposto ha inseguito l'uscita desiderata significativamente meglio rispetto al controllore sintonizzato senza il filtro.
   • La somma degli errori quadratici per il metodo proposto è stata di 0,26, rispetto allo 0,76 per il metodo senza filtro e allo 0,81 per il controllore iniziale.

Significatività e Rivendicazioni
L'articolo afferma che il filtro di modellazione proposto fornisce una soluzione rigorosa al problema del model matching basato sui dati per i controllori feedforward in cui la struttura del controllore è limitata. Costruendo l'ottimale filtro dai dati disponibili, il metodo evita le insidie dell'identificazione diretta del controllore, che può portare a prestazioni subottimali anche con dati privi di rumore.

L'autore nota con modestia che l'attuale lavoro si concentra sulle proprietà asintotiche (grandi $N$). Identifica l'investigazione delle proprietà statistiche con quantità limitate di dati come una direzione necessaria per la ricerca futura. Il lavoro rafforza l'utilità delle strutture di controllo 2-DOF, dove la stabilità è più facile da garantire rispetto alla sintonizzazione basata solo sul feedback, a condizione che l'aggiornamento del controllore feedforward rimanga stabile.