Cyclic Reformulation-Based Identification and Polytopic Uncertainty Modeling for Multirate Systems

기술 요약: 다중 속도 시스템을 위한 순환 재구성 기반 식별 및 폴리토픽 불확실성 모델링

문제 정의
현대 제어 시스템은 서로 다른 샘플링 속도를 가진 이종 센서(다중 속도 시스템)를 빈번하게 사용한다. 이는 시스템 식별에 있어 근본적인 과제를 제기한다. 즉, 출력 측정값이 간헐적으로 누락되며, 시스템이 표준 선형 시불변(LTI) 시스템이 아닌 주기적 시변(PTV) 시스템으로 동작한다는 점이다. 기존의 접근 방식들은 다음과 같은 상당한 한계점을 가진다:

• 부분 공간(Subspace) 및 리프팅(Lifting) 방법: 고속 모델을 식별할 수는 있으나, 확장된 상태 공간에서의 가변 곱(variable products)으로 인해 원래의 시스템 파라미터를 복구하는 것이 어렵다.
• 반복법 (예: EM 알고리 알리즘): 누락된 출력을 잠재 변수로 취급하지만, 세심한 초기화가 필요하며, 국소 수렴 문제에 취약하고 계산 집약적이다.
• 보간법 기반 방법: 누락된 데이터를 보간법으로 채우는 방식은 노이즈 수준과 관계없이 체계적인 모델링 오차를 유발하여 정확도를 제한한다.

본 논문은 단일 데이터셋으로부터 강건한 명목 모델(nominal model)과 폴리토픽 불확실성 기술을 모두 생성하면서, 다중 속도 식별에 내재된 노이즈 유발 불일치를 처리할 수 있는 비반복적이고 제어 지향적인 식별 방법을 제공함으로써 이러한 공백을 메운다.

방법론
제안된 프레임워크는 **순환 재구성(cyclic reformulation)**에 의존하며, 이를 통해 다중 속도 시스템을 확장된 차원을 가진 동등한 시불변 표현으로 변환한다. 방법론은 다음 단계로 진행된다:

1. 시스템 표현: 다중 속도 시스템은 센서 샘플링 주기의 최소공배수 $M$에 따라 주기적으로 변하는 출력 선택 행렬 $V_k$를 갖는 LTI 플랜트로 모델링된다. 식별을 위해 누락된 출력은 제로 패딩(zero-padding) 처리된다.
2. 순환 재구성: 주기적 시스템은 순환 이동 행렬(cyclic shift matrices)을 사용하여 $Mn$차원($n$은 시스템 차수)의 시불변 시스템으로 변환된다. 이를 통해 "사이클링된(cycled)" 입출력 신호에 표준 부분 공간 식별법(예: MOESP)을 적용할 수 있다.
3. 좌표 변환: 부분 공간 식별은 $Mn$차원의 조밀한 행렬을 산출한다. 특정 좌표 변환 행렬$T$를 구축하여 **순환 재구성 구조**를 복구한다. 이 단계는$M$개의 서로 다른 파라미터 세트$(A_{mi}, B_{mi}, C_{mi}, D_{mi})$($i = 0, \dots, M-1$)를 추출한다.
   • 노이즈가 없는 시나리오에서, 이 $M$개의 세트는 (좌표 변환에 의해) 정확히 일치한다.
   • 유한한 노이즈 하에서는, 노이즈 유발 섭동으로 인해 분산(dispersion) 현상이 나타난다.
4. 이중 모델 구축: $M$개의 파라미터 세트는 두 가지 상호 보완적인 방식으로 활용된다:
   • 중심점 모델(Centroid Model): $M$개의 세트를 평균화하여 단일 명목 모델을 형성한다. 상태 행렬 $A$와 $B$에 대해서는 균등 평균을 취한다. 출력 행렬 $C$와 $D$에 대해서는, 제로 패딩된 데이터를 중복 계산하지 않도록 특정 출력이 관측된 위상만을 사용하여 행 단위(row-wise) 평균을 계산한다.
   • 폴리토픽 불확실성 모델(Polytopic Uncertainty Model): $M$개의 파라미터 세트는 볼록 폴리토프(convex polytope)의 정점(vertices) 역할을 한다. 적절한 구성(well-posedness)을 보장하기 위해, 관측되지 않은 위상에 해당하는 $C$와 $D$의 행들은 행 단위 중심값으로 임퓨테이션(imputation)된다. 결과적인 폴리토프는 이 $M$개 정점들의 볼록 결합(convex combination)으로 정의된다.

주요 기여

• 비반복적 식별: 본 방법은 EM 알고리즘의 수렴 위험 없이 원래의 시스템 행렬을 (좌표 변환까지 고려하여) 복구하는 정확한 비반복적 식별 파이프라인을 제공한다.
• 노이즈 분산의 활용: $M$개의 파라미터 세트가 노이즈가 없는 극한에서 일치한다고 가정했던 기존 연구([25])와 달리, 본 논문은 이들의 노이즈 유발 분산을 활용하여 폴리토픽 불확실성 모델을 구축한다. 이 모델은 정점 기반의 선형 행렬 부등식(LMI) 강건 제어 설계와 직접 호환된다.
• 중심점을 통한 노이즈 감소: 본 논문은 $M$개 세트의 중심점이 개별 정점이나 보간 기반 베이스라인보다 우수한 노이즈 감소 효과를 보이는 노이즈 감소 명목 모델 역할을 함을 입증한다.
• 구조적 복구: 본 논문은 노이즈가 없는 경우의 구조적 복구 정리(Theorem 1)를 재진술하고, 이를 유한 노이즈 모델링 단계와 분리하여, 후자를 행렬-좌표 거리가 아닌 출력 수준의 검증 통계량을 통해 평가한다.

결과
SISO 및 MIMO 다중 속도 시스템에 대한 수치 시뮬레이션은 본 접근 방식의 유효성을 입증한다:

• 중심점 성능: 출력의 2/3가 누락된 SISO 예제에서, 중심점 모델은 모든 노이즈 수준에서 96% 이상의 검증 FIT 점수를 달랐으며, 이는 선형 보간 기반의 MOESP 베이스라인(약 67% 유지)을 크게 상회하는 수치이다. 중심점은 일관되게 최선의 개별 정점보다 우수한 성능을 보였으며, 이는 평균화를 통한 노이즈 감소 효과를 확인시켜 준다.
• 폴리토프 신뢰성: 두 개의 센서($M=6$)를 가진 MIMO 예제에서, 구축된 폴리토프는 높은 예측 정확도를 가진 모델들을 포함하였다. 높은 노이즈 수준($\sigma = 0.1$)에서도, (최적화를 통해 찾아낸) "폴리토프 내 최적(best in-polytope)" 모델은 95% 이상의 평균 검증 FIT를 달성하였다.
• 강건성: 폴리토프 신뢰도는 다양한 센서 주기 설정($M \in \{4, 6, 8, 12\}$)과 데이터 길이에 걸쳐 높게 유지되었으며, 이는 다양한 다중 속도 센싱 시나리오에 대한 방법의 적용 가능성을 나타낸다.

의의 및 주장
본 논문은 반복 최적화 없이 다중 속도 시스템 식별과 강건 제어 지향적 불확실성 모델링 사이의 가교를 놓는다고 주장한다. 주요 의의는 다음과 같다:

1. 직접적 호환성: 생성된 폴리토프는 정점이 식별 과정에서 직접 도출되므로, 정점 기반의 LMI 강건 제어 설계(예: $H_\infty$, 강건 극점 배치)와 자연스럽게 호환된다.
2. 데이터 기반 불확실성: 폴리토프는 "보장된 집합 멤버십 경계"가 아닌 "데이터로부터 유도된 불확실성 기술"로 제시된다. 저자들은 정점이 추정치의 분산으로부터 발생함을 명시하며, 폴리토프의 유용성은 출력 수준의 통계량을 통해 경험적으로 검증된다.
3. 제한적 범위: 저자들은 이론적 보장(정확한 순환 복구)이 노이즈가 없는 경우에 적용됨을 명확히 한다. 유한한 노이즈의 경우, 본 방법은 폴리토프의 효과가 수치 시뮬레이션을 통해 입증되는 경험적 접근 방식이다. 본 논문은 고유한 파라미터 변화나 비선형성을 가진 시스템을 해결하거나 물리적 하드웨어에 대한 실험적 검증을 제공하지 않으며, 이를 향후 과제로 남겨둔다.

요약하자면, 본 논문은 누락된 다중 속도 데이터의 문제를 고충밀도 명목 모델과 구조화된 불확실성 집합을 생성하는 기회로 전환하는 실용적이고 비반복적인 파이프라인을 제공한다.