⚡ electrical engineering

Stability of data-driven Koopman MPC with terminal conditions

Dit artikel bewijst dat Model Predictive Control met eindvoorwaarden, gebaseerd op een datagedreven Koopman-subsitootmodel via kEDMD, de plant asymptotisch stabiliseert onder een evenredige foutgrens, terwijl het tegelijkertijd recursieve haalbaarheid garandeert.

Oorspronkelijke auteurs: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

Gepubliceerd 2026-04-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een heel lastig spelletje speelt: je moet een auto besturen die je niet kent. Je hebt geen handleiding, geen blauwdruk en je weet niet precies hoe de motor reageert op het gaspedaal. Je kunt alleen maar kijken wat er gebeurt als je het stuur draait of op het gas trapt.

Dit is precies het probleem dat deze wetenschappers proberen op te lossen. Ze willen een systeem bouwen dat een onbekende machine (zoals een robot of een auto) veilig en stabiel kan besturen, zelfs als ze de machine niet helemaal begrijpen. Ze gebruiken daarvoor een slimme truc: een digitale dubbelganger.

Hier is hoe hun werk in gewone taal werkt, met een paar leuke vergelijkingen:

1. De Digitale Dubbelganger (De "Koopman"-methode)

Stel je voor dat je een nieuwe auto koopt. Je wilt weten hoe hij rijdt, maar je hebt geen tijd om 1000 kilometer te rijden om alles te leren. In plaats daarvan laat je een slimme computer (een AI) urenlang naar je rijden kijken.

Deze computer bouwt een virtueel model van de auto. In de wetenschap noemen ze dit een "Koopman-operator".

De truc: De echte auto is heel complex en niet-lineair (hij doet soms raar als je hard remt). Maar de computer probeert dit complexe gedrag te vertalen naar een simpele, lineaire wereld.
De analogie: Het is alsof je een ingewikkeld, kronkelig pad in de bergen probeert te beschrijven. In plaats van te zeggen "eerst links, dan een scherpe bocht, dan een helling", zegt de computer: "Het is alsof je een rechte lijn rijdt, maar dan met een magische magneet die je af en toe een duwtje geeft." Dit maakt het voor de computer veel makkelijker om te voorspellen waar de auto over 5 seconden zal zijn.

2. Het Voorspellen van de Toekomst (MPC)

Nu hebben we een digitale dubbelganger, maar die is niet 100% perfect. Hij is een benadering.
De besturingssoftware (MPC - Model Predictive Control) doet iets heel slims:

Het kijkt continu naar de toekomst. "Als ik nu dit gaspedaal indruk, waar ben ik over 1 seconde? En over 2? En over 10?"
Het kiest het beste pad om bij het doel (bijvoorbeeld stilstand of een bepaald punt) te komen, zonder tegen de muur te rijden.

Het probleem: Omdat de digitale dubbelganger niet perfect is, kan het zijn dat de echte auto net iets anders doet dan de computer voorspelt. Als je op die fouten vertrouwt, kun je tegen de muur rijden.

3. De Veiligheidszone (De "Marge")

Om dit op te lossen, gebruiken de onderzoekers een veiligheidsmarge.

De analogie: Stel je voor dat je door een smalle tunnel loopt. Je weet niet precies hoe breed je bent, maar je hebt een meetlint. Je weet dat je meetlint soms 10 centimeter fout kan zijn.
In plaats van te lopen alsof je precies in het midden bent, loop je alsof je 20 centimeter breder bent dan je bent. Je houdt dus extra afstand tot de muren.
In dit paper zorgen ze ervoor dat deze "veiligheidsmarge" slim wordt berekend. Als de computer dichter bij het doel komt (waar de fouten kleiner zijn), mag de marge kleiner worden. Als je ver weg bent, is de marge groter.

4. Het Magische Geheim: "Proportionele Fouten"

Dit is het belangrijkste stukje van de paper. De onderzoekers bewijzen wiskundig dat hun systeem altijd veilig blijft, mits één voorwaarde wordt nageleefd:

De regel: De fout van de digitale dubbelganger moet evenredig zijn met hoe ver je van het doel bent.
De analogie: Stel je voor dat je een schatting maakt van de afstand tot de maan. Als je ver weg bent, mag je schatting 100 kilometer fout zijn. Maar als je al heel dicht bij de maan bent (bijvoorbeeld 1 meter er vandaan), mag je schatting niet 100 kilometer fout zijn; die mag dan maar 1 centimeter fout zijn.
Als de fout groot blijft terwijl je dicht bij het doel bent, ga je eromheen dansen en nooit stoppen (praktische stabiliteit). Maar als de fout kleiner wordt naarmate je dichter komt, dan kun je de machine perfect tot stilstand brengen (asymptotische stabiliteit).

De onderzoekers tonen aan dat hun methode (gebruikmakend van een techniek genaamd kEDMD) deze "evenredige fout" garandeert.

5. De Proef in de Praktijk

Ze hebben dit getest op een wiskundig model van een Van der Pol-oscillator.

De analogie: Denk aan een schommel die niet stopt, maar blijft zwaaien tenzij je er op het juiste moment tegenaan duwt. Het is een heel lastig systeem om stil te krijgen.
Ze lieten hun systeem deze schommel besturen.
Het resultaat:
- Als ze de "evenredige fout-regel" negeerden, bleef de schommel een beetje trillen en stopte nooit helemaal.
- Als ze hun nieuwe methode gebruikten, stopte de schommel precies en stil op het juiste punt.

Samenvatting

Kortom: Deze paper laat zien hoe je een onbekende, complexe machine kunt besturen met een imperfecte digitale kopie. Zolang je zorgt dat je digitale kopie nauwkeuriger wordt naarmate je dichter bij het doel komt, en je een slimme veiligheidsmarge gebruikt, kun je de machine veilig en perfect besturen. Het is een manier om "onvolmaakte kennis" om te zetten in "perfecte controle".

Titel: Stabiliteit van data-gedreven Koopman MPC met eindvoorwaarden

1. Probleemstelling

Model Predictive Control (MPC) is een krachtige regeltechniek, maar vereist doorgaans een nauwkeurig dynamisch model van het systeem. In de praktijk zijn deze modellen vaak onbekend of te complex, waardoor er een trend is naar het gebruik van data-gedreven surrogate-modellen (zoals neurale netwerken of Gaussian Processes) binnen de MPC.

Het centrale probleem dat dit artikel aanpakt, is de stabiliteitsgarantie wanneer MPC wordt toegepast op een onbekend systeem met behulp van een dergelijk surrogate-model.

Uitdaging: Standaard stabiliteitsresultaten voor MPC gaan uit van een exact model. Wanneer er benaderingsfouten zijn (model-plant mismatch), zijn recursieve haalbaarheid (recursive feasibility) en asymptotische stabiliteit niet langer gegarandeerd.
Specifiek doel: Bewijzen onder welke voorwaarden een MPC-regelaar, gebaseerd op een data-gedreven model (specifiek via de Koopman-operator), het werkelijke systeem asymptotisch stabiliseert naar de oorsprong, ondanks de aanwezigheid van benaderingsfouten.

2. Methodologie

De auteurs combineren de theorie van MPC met eindvoorwaarden (terminal conditions) met recente resultaten over de foutgrenzen van Kernel Extended Dynamic Mode Decomposition (kEDMD).

Systeemopstelling:
- Het werkelijke systeem is een discrete-tijd niet-lineair systeem: $x^+ = f(x, u)$ .
- De MPC-regelaar gebruikt een surrogate-model: $x^+ = f^\varepsilon(x, u)$ , waarbij $\varepsilon$ de nauwkeurigheid van de benadering aangeeft.
Foutgrenzen (Assumptie 1):
- Er wordt aangenomen dat de fout tussen het ware systeem en het surrogate-model voldoet aan een proportionele en uniforme foutgrens:
  $\|f(x, u) - f^\varepsilon(x, u)\| \leq \min\{c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|, \eta^\varepsilon\}$
- De term $c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|$ is cruciaal: de fout moet lineair afnemen naarmate de toestand en het input dichter bij de oorsprong komen (proportioneel).
- De term $\eta^\varepsilon$ is een uniforme bovengrens voor de fout.
MPC Formulering:
- Er wordt een standaard MPC gebruikt met een eindkostenfunctie ( $V_f^\varepsilon$ ) en een eindset ( $X_f^\varepsilon$ ), ontworpen op basis van het surrogate-model.
- Om recursieve haalbaarheid te garanderen ondanks modelfouten, wordt constraint tightening (verscherping van de constraints) toegepast. De constraints worden ingetrokken op basis van de Lipschitz-constante van het model en de uniforme foutgrens $\eta^\varepsilon$ .
kEDMD en PI-kEDMD:
- De auteurs tonen aan dat Kernel EDMD (kEDMD), een methode gebaseerd op de Koopman-operator, deze proportionele foutgrenzen kan voldoen.
- Ze introduceren een modificatie, genaamd Physics-Informed kEDMD (PI-kEDMD), waarbij de regressie bij de evenwichtspunt (oorsprong) wordt geforceerd tot nul. Dit is noodzakelijk om de proportionele eigenschap van de foutgrens te garanderen.

3. Belangrijkste Bijdragen

Stabiliteitsbewijs: Het artikel levert een formeel bewijs dat MPC met eindvoorwaarden, gebaseerd op een data-gedreven model, het werkelijke systeem asymptotisch stabiliseert, mits de proportionele en uniforme foutgrenzen voldoende klein zijn.
Recursieve Haalbaarheid: Er wordt bewezen dat door het gebruik van constraint tightening gebaseerd op de uniforme foutgrens, het optimalisatieprobleem in elke tijdstap haalbaar blijft.
Toepasbaarheid op kEDMD: De auteurs koppelen de abstracte stabiliteitsvoorwaarden aan een concrete implementatie: kEDMD. Ze tonen aan dat door het gebruik van Wendland-kernen en de PI-kEDMD-modificatie, de vereiste proportionele foutgrenzen wiskundig gegarandeerd kunnen worden.
Uitbreiding van bestaande literatuur: Het werk breidt eerdere resultaten uit (zoals [26] en [27]) door:
- MPC met eindvoorwaarden te analyseren (in plaats van alleen eindkosten), wat kortere voorspellingshorizons mogelijk maakt.
- Een leerframework te bieden waarbij de aannames strikt verifieerbaar zijn.
- State-constraints expliciet op te nemen in het stabiliteitsbewijs.

4. Resultaten

Theoretisch: Het bewijs toont aan dat de optimale waarde-functie van de MPC dient als een Lyapunov-functie voor het gesloten-lus systeem. De afname van deze functie wordt gegarandeerd door de proportionele aard van de fout: hoe dichter het systeem bij de oorsprong komt, hoe kleiner de voorspellingsfout, waardoor de stabiliteit behouden blijft.
Numeriek (Van der Pol Oscillator):
- Een simulatie werd uitgevoerd op een gecontroleerde Van der Pol-oscillator.
- Twee scenario's werden vergeleken: standaard kEDMD versus PI-kEDMD.
- Standaard kEDMD: Zonder de proportionele garantie (door het niet forceren van de fout naar nul bij de oorsprong) bleef de fout stagneren op een positieve constante waarde. Dit resulteerde slechts in praktische asymptotische stabiliteit (het systeem stabiliseert in een kleine buurt rond de oorsprong, maar niet exact erop).
- PI-kEDMD: Met de proportionele foutgrens bereikte de regelaar een veel hogere nauwkeurigheid en stabiliseerde het systeem asymptotisch exact naar de oorsprong.

5. Betekenis en Conclusie

Dit artikel is significant omdat het de theoretische kloof overbrugt tussen data-gedreven modellering en rigoureuze stabiliteitsgaranties in de regeltechniek.

Het biedt een wiskundig onderbouwde methode om data-gedreven modellen veilig te gebruiken in kritieke toepassingen waar stabiliteit vereist is.
Het benadrukt het belang van de kwaliteit van de data en de modelstructuur (specifiek het forceren van evenwichtspunten) om stabiliteit te garanderen.
De aanpak maakt het mogelijk om complexe niet-lineaire systemen te regelen zonder een exact analytisch model, zolang er voldoende data beschikbaar is om een kEDMD-model te trainen dat voldoet aan de gestelde foutgrenzen.

Beperking en Toekomst: De auteurs erkennen dat de gebruikte constraint tightening (gebaseerd op de Lipschitz-constante) conservatief kan zijn en de voorspellingshorizon kan beperken. Toekomstig werk richt zich op het gebruik van geavanceerdere technieken (zoals incrementele stabiliseerbaarheid) om dit te verzachten.