EDMD-Based Robust Observer Synthesis for Nonlinear Systems

Titel: EDMD-gebaseerde Robuuste Observatorsynthese voor Niet-lineaire Systemen

Auteurs: Xiuzhen Ye en Wentao Tang
Kerngebied: Data-gedreven modellering, niet-lineaire regelingstechniek, Koopman-operator theorie, robuuste observatorsynthese.

1. Probleemstelling

In de praktijk van de ingenieurswetenschappen zijn de dynamische systemen vaak niet-lineair, maar is volledige toestandsinformatie ($x(t)$) niet direct meetbaar. Men heeft slechts toegang tot een beperkte set van uitgangsmetingen ($y(t)$). Om regelingstechnieken (zoals output-feedback) en monitoring mogelijk te maken, is een toestandsobservator noodzakelijk die de interne toestandsvariabelen schat op basis van deze metingen.

Traditionele data-gedreven methoden (zoals neurale netwerken of versterkende leer) vereisen vaak volledige toestandsdata voor training. De uitdaging is een data-gedreven observator te ontwerpen voor continue tijd, niet-lineaire systemen, waarbij:

1. De dynamica onbekend is en alleen via data wordt benaderd.
2. De benadering van het niet-lineaire systeem naar een lineair model (lifted model) onvermijdelijk fouten bevat door het gebruik van een eindige dictionary (basisfuncties).
3. Deze fouten zowel deterministisch (door de beperkte dictionary) als stochastisch (door beperkte datagrootte) zijn.

2. Methodologie

De auteurs stellen een nieuwe aanpak voor die de Extended Dynamic Mode Decomposition (EDMD) combineert met de theorie van Reproducing Kernel Hilbert Spaces (RKHS) om een robuuste observator te synthetiseren.

A. Theoretische Basis: RKHS en Sectorgebonden Fouten

• Koopman-operator: Het systeem wordt gemodelleerd via de Koopman-operator, die niet-lineaire dynamica transformeert naar lineaire evolutie van observabelen (functies van de staat).
• RKHS Formulier: In plaats van een standaard Sobolev-ruimte, gebruiken de auteurs een specifieke RKHS met een lineair-radiale kernel ($\kappa(x, x') = (x \cdot x')\rho(\|x-x'\|)$). Deze keuze behoudt informatie over het evenwichtspunt in de oorsprong.
• Foutanalyse:
  • Wanneer de Koopman-operator wordt benaderd met een eindige dictionary (via gEDMD - generator EDMD), ontstaat er een lifted lineair model: $\dot{z} = A z + r(x)$.
  • De term $r(x)$ is de restterm (modelmismatch).
  • Kernresultaat: De auteurs bewijzen dat de grootte van deze restterm sectorgebonden is ten opzichte van de geliftede staat $z$. Dat wil zeggen: $\|r(x)\| \leq c_r \|z\|$.
  • Deze bovengrens $c_r$ omvat zowel de deterministische projectiefout (door de eindige dictionary) als de stochastische fout (door eindige data).

B. Observatorsynthese via LMI

Op basis van het lineaire model met sectorgebonden onzekerheid wordt de observator ontworpen als een Luenberger-observator:
$$\dot{\hat{z}} = A\hat{z} + L(y - C\hat{z})$$
De ontwerpproblematiek wordt geformuleerd als een Lineaire Matrix Ongelijkheid (LMI) probleem (Semidefinite Programming):

1. Voor Asymptotisch Stabiele Systemen:

   • Het doel is om een specifieke exponentiële convergentiesnelheid $\alpha$ te garanderen voor de schattingsfout, ondanks de onzekerheid $r(x)$.
   • Dit leidt tot een LMI-beperking die een Lyapunov-functie garandeert met een afname van $-2\alpha V$.

2. Voor Niet-Stabiele Systemen (bijv. Limietcycli):

   • Waar een stabiel evenwichtspunt ontbreekt, wordt in plaats daarvan de $L_2$-versterking (gain) van de modelmismatch $r$ naar de schattingsfout $e$ geminimaliseerd.
   • Dit zorgt ervoor dat de fout begrensd blijft binnen een factor van de onzekerheid.

3. Belangrijkste Bijdragen

• Rigoureuze Foutanalyse: Het artikel biedt een theoretisch bewijs dat de fout in een gEDMD-model, afgeleid in een RKHS met een lineair-radiale kernel, sectorgebonden is. Dit is een cruciale stap om robuuste regelingstechnieken toe te passen.
• Combinatie van Deterministische en Stochastische Fouten: De methode behandelt expliciet zowel de structuurfout (door de keuze van basisfuncties) als de statistische fout (door datalimieten) in één robuustheidskader.
• LMI-gebaseerde Synthese: Het probleem wordt teruggebracht tot een convex optimalisatieprobleem (LMI), wat computatie-efficiënt en betrouwbaar oplosbaar is.
• Elementaire Toepassing: De methode biedt een "elementaire" manier om lineaire systeemtheorie toe te passen op niet-lineaire observatie binnen het Koopman-raamwerk, zonder complexe operatorcalculus te vereisen voor de implementatie.

4. Numerieke Resultaten

De methode is getest op drie verschillende systemen:

1. Stabiel systeem met invariante lift:

   • Een systeem waarbij de gekozen dictionary exact de dynamica kan beschrijven.
   • Resultaat: De observator convergeerde snel naar de echte staat. De prestaties waren uitstekend voor verschillende waarden van de convergentiesnelheid $\alpha$, hoewel een hogere $\alpha$ leidde tot een tijdelijk grotere piek in de fout ("peaking effect").

2. Stabiel systeem zonder invariante lift (CSTR-reactoren):

   • Een chemisch proces waarbij de dictionary niet perfect invariante is (er is een modelmismatch).
   • Resultaat: Zelfs met een niet-perfecte dictionary en een geschatte sectorgrens ($c_r \approx 0.67$), convergeerde de schattingsfout naar verwaarloosbaar lage niveaus ($< 10^{-4}$). Dit bevestigt de robuustheid van de methode.

3. Limietcyclus Systeem (Van der Pol oscillator):

   • Een instabiel systeem met een limietcyclus.
   • Resultaat:
     • Met een lage polynoomgraad ($d_{max}=4$) was de schatting onnauwkeurig (vervormde limietcyclus).
     • Door de graad te verhogen naar $d_{max}=8$, verbeterde de nauwkeurigheid aanzienlijk (RMSE daalde van 0.123 naar 0.022).
     • De methode slaagde erin een $L_2$-gain te minimaliseren, wat leidde tot een goede tracking van de echte limietcyclus.

5. Betekenis en Conclusie

Dit werk vormt een belangrijke brug tussen data-gedreven modellering en robuuste regelingstechniek.

• Theoretische waarde: Het lost het probleem op van hoe men omgaat met de onvermijdelijke fouten bij het benaderen van de Koopman-operator met eindige dictionaries. Door de fout als een sectorgebonden onzekerheid te modelleren, kunnen bestaande robuuste regelingstechnieken (LMI) direct worden toegepast.
• Praktische toepasbaarheid: De methode is flexibel en werkt voor zowel stabiele als niet-stabiele systemen. Het biedt een systematische weg om observatoren te ontwerpen wanneer alleen uitgangsdata beschikbaar is.
• Toekomstperspectief: De auteurs wijzen erop dat de volgende stap zou kunnen zijn het elimineren van de afhankelijkheid van een vooraf gedefinieerde dictionary door over te gaan op volledig kernel-gebaseerde methoden, en het aanpakken van het probleem van observatorontwerp wanneer zelfs toestandsdata voor training ontbreekt (alleen input-output data).

Kortom, de paper levert een wiskundig onderbouwde, data-gedreven methode voor het ontwerpen van robuuste observatoren voor complexe niet-lineaire systemen.