⚡ electrical engineering

Neural Luenberger state observer for nonautonomous nonlinear systems

Dit artikel presenteert een datagedreven methode voor het ontwerpen van een modelvrije neurale Luenberger-toestandsobserver voor niet-autonome niet-lineaire systemen, waarbij een KKL-structuur wordt gecombineerd met neurale netwerken om de toestandsmapping te leren en een gegarandeerde foutgrens te bewijzen.

Oorspronkelijke auteurs: Moritz Woelk, Jarod Morris, Wentao Tang

Gepubliceerd 2026-03-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Moritz Woelk, Jarod Morris, Wentao Tang

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 zeer complexe machine hebt, zoals een enorme chemische fabriek of een levendige bioreactor. Je wilt precies weten wat er van binnen gebeurt: hoeveel bacteriën er groeien, hoe heet het is, of hoeveel bepaalde stoffen er zijn. Maar er is een probleem: je kunt niet overal sensoren plaatsen. Sommige delen zijn te heet, te gevaarlijk, of gewoon te duur om te meten. Je ziet alleen wat er naar buiten komt (zoals de uitstroom of de temperatuur aan de oppervlakte), maar je mist het volledige plaatje van wat er binnenin gebeurt.

In de techniek noemen we dit het probleem van het "schatten van de toestand". Je wilt een slimme gids die, op basis van wat je wel kunt meten, de rest van het verhaal kan invullen.

Dit artikel introduceert een nieuwe, slimme manier om zo'n gids te bouwen, zonder dat je eerst de volledige handleiding van de machine hoeft te kennen.

Het oude probleem: De "Handleiding" die niemand heeft

Vroeger was de enige manier om deze gids te bouwen: de handleiding lezen. Je moest de exacte wiskundige formules hebben die beschrijven hoe de machine werkt. Maar bij complexe systemen (zoals chemische reactoren) is die handleiding vaak onbekend, te ingewikkeld, of gewoon niet beschikbaar. Zonder die handleiding konden de oude methoden (zoals de "Extended Kalman Filter") vaak de mist in gaan, vooral als de machine zich onverwacht gedroeg.

De nieuwe oplossing: De "Neurale Luenberger Observer" (NLOX)

De auteurs van dit papier hebben een nieuwe aanpak bedacht die ze de Neurale Luenberger Observer noemen. In plaats van een handleiding te lezen, laten ze de computer leren door te kijken.

Hier is hoe het werkt, vertaald naar alledaagse analogieën:

1. De "Geheime Code" (De KKL-methode)

Stel je voor dat je een vreemde taal spreekt die de machine gebruikt. De machine denkt in een complexe code (de interne toestand), maar jij ziet alleen de vertaling naar het Nederlands (de meetbare uitgang).
De oude methode probeerde de vertaler te vinden door de taalregels (wiskunde) te bestuderen. De nieuwe methode doet iets anders:

Ze nemen een neuraal netwerk (een soort digitale hersenen) en zeggen: "Leer deze code vertalen!"
Ze laten het netwerk duizenden voorbeelden zien van wat er binnenin gebeurde en wat er buitenin te zien was.
Het netwerk leert een geheime code (een nieuwe taal) waarin de machine zich heel simpel gedraagt, alsof het een simpele lineaire machine is. Dit is als het vertalen van een ingewikkeld gedicht naar een simpel rijm dat makkelijk te onthouden is.

2. De "Input-gevoelige" Gids (Voor systemen met knoppen)

Het speciale aan deze nieuwe methode is dat hij werkt voor systemen waar je knoppen aan kunt draaien (zoals het toevoeren van voedsel of het veranderen van de temperatuur).

Het probleem: Als je aan een knop draait, verandert het gedrag van de machine. Een simpele vertaler faalt dan vaak.
De oplossing: De auteurs hebben een extra stukje aan hun "digitale hersenen" toegevoegd. Dit stukje is speciaal ontworpen om te leren hoe de machine reageert op die knoppen. Het is alsof je je gids niet alleen leert de taal, maar ook leert: "Ah, als je aan knop A draait, gebeurt er dit specifieke ding."
Ze noemen dit een input-affine term. In het kort: het is een slimme correctie die rekening houdt met wat jij doet aan de machine.

3. Oefenen met een "Simulatie" (Offline Training)

Je kunt de machine niet zomaar kapot maken terwijl je leert. Daarom "trainen" ze deze slimme gids eerst in een veilige omgeving:

Ze nemen historische data of simulaties (virtuele experimenten) waar ze wel weten wat er van binnen gebeurt.
Ze laten het neuraal netwerk oefenen: "Kijk naar de uitgang, probeer de binnenkant te raden, en kijk of je raadt klopt."
Als het raat fout is, past het netwerk zichzelf aan. Dit doen ze duizenden keren totdat het netwerk perfect is.
Zodra het getraind is, kunnen ze het in de echte fabriek zetten. Dan hoeft het netwerk alleen nog maar naar de uitgang te kijken en kan het de binnenkant nauwkeurig voorspellen, zelfs als ze de handleiding niet hebben.

Waarom is dit zo cool?

Geen handleiding nodig: Je hoeft geen expert te zijn in de wiskunde van de machine. Je hebt alleen data nodig.
Werkt bij complexe systemen: Ze hebben het getest op een bioreactor (bacteriën kweken) en een Williams-Otto reactor (een complexe chemische fabriek). Zelfs bij die laatste, met veel variabelen, werkte het beter dan de oude methoden.
Robuust: Zelfs als er ruis is in de metingen of kleine verstoringen in de input, blijft de schatting stabiel.

Samenvattend

Stel je voor dat je een blindeman bent die een kamer moet navigeren.

De oude methode: Je probeert de plattegrond van de kamer te tekenen op basis van wat je hoort, maar je kent de regels van de architectuur niet.
De nieuwe methode (NLOX): Je laat een robot (het neuraal netwerk) duizenden keren door de kamer lopen terwijl iemand de muren aanraakt. De robot leert een "gevoel" voor de kamer. Vervolgens kan die robot, zelfs als je hem blindelings de kamer in duwt, precies zeggen waar de muren zijn en hoe je moet bewegen, puur op basis van wat hij voelt.

Deze paper laat zien dat we met deze "digitale hersenen" complexe machines beter kunnen begrijpen en controleren, zonder dat we eerst de volledige theorie hoeven te kennen. Het is een stap in de richting van slimme, zelflerende industriële systemen.

Titel: Neuraal Luenberger-toestandsobservator voor niet-autonome niet-lineaire systemen

Auteurs: Moritz Woelk, Jarod Morris, en Wentao Tang (North Carolina State University)
Publicatiedatum: 27 februari 2026 (Preprint)

1. Probleemstelling

In de moderne regeltechniek voor niet-lineaire chemische processen is volledige toestandsmeting zelden haalbaar vanwege fysieke beperkingen (bijv. niet-meetbare concentraties) en kosten. Daarom zijn toestandsobservatoren essentieel om de interne toestanden van een systeem te schatten op basis van beschikbare invoer- en uitvoersignalen.

Bestaande methoden hebben echter beperkingen:

Modelafhankelijkheid: Traditionele methoden zoals de Extended Kalman Filter (EKF) en High-Gain Observatoren vereisen een nauwkeurig first-principles model. Als het model onbekend of te complex is, falen deze methoden.
Niet-autonome systemen: Bestaande datagedreven observatoren (zoals de Kazantzis-Kravaris/Luenberger of KKL observator) zijn voornamelijk ontwikkeld voor autonome systemen (zonder externe invoer). Voor systemen met gemanipuleerde invoer ( $u(t) \neq 0$ ) is het analytisch afleiden van de benodigde transformaties en invoer-afhankelijke termen vaak onmogelijk of zeer moeilijk.
Data-gedreven lacune: Er ontbreekt een volledig modelvrij kader dat zowel de niet-lineaire toestandsmapping als de invoer-afhankelijke correctietermen leert voor niet-autonome systemen.

2. Methodologie: Neuraal Luenberger Observator (NLOX)

De auteurs stellen een volledig datagedreven methode voor, genaamd NLOX (Neural Luenberger Observer for nonlinear systems with external inputs), die gebaseerd is op het KKL-observatorkader, maar uitgebreid met neurale netwerken.

Kernconcepten:

KKL-Structuur voor niet-autonome systemen: De methode gebruikt de structuur van de KKL-observator, waarbij de systeemtoestanden $x$ via een injectieve niet-lineaire transformatie $T$ worden gemapt naar observatortoestanden $z$ . Deze $z$ evolueren volgens lineaire tijd-invariante (LTI) dynamica.
Invoer-affiene uitbreiding: Voor systemen met externe invoer $u(t)$ wordt de observatordynamica uitgebreid met een invoer-affiene term $\omega(z)u$ . De dynamica worden:
$\dot{z} = Az + By + \omega(z)u$
$\hat{x} = T^\dagger(z)$
Hierbij is $A$ een Hurwitz-matrix (garandeert stabiliteit), $B$ een invoermatrix, $\omega(z)$ een term die de invoereffecten compenseert, en $T^\dagger$ de linkse inverse van de transformatie $T$ om de toestandschatting $\hat{x}$ te verkrijgen.
Neurale Parametrisatie: In plaats van de analytische oplossing van de partiële differentiaalvergelijkingen (PDE's) die nodig zijn om $T$ $T$ en $\omega$ $ω$ te vinden, worden deze functies geleerd met behulp van volledig verbonden feedforward multilayer perceptron (MLP) neurale netwerken.
- Netwerk 1 ( $\omega$ ): Leert de invoer-affiene correctieterm.
- Netwerk 2 ( $T^\dagger$ ): Leert de inverse mapping van de observatortoestand naar de systeemtoestand.
Trainingsproces:
- Het systeem wordt offline getraind op een dataset van historische of gesimuleerde trajecten van invoer ( $u$ ), uitvoer ( $y$ ) en ware toestanden ( $x$ ).
- De observatortoestanden $z$ worden numeriek geïntegreerd (bijv. met Euler-methode) op basis van de huidige schattingen van $\omega$ en $T^\dagger$ .
- Een verliesfunctie (MSE) tussen de ware toestanden $x$ en de geschatte toestanden $\hat{x}$ wordt geminimaliseerd via backpropagation.

3. Belangrijkste Bijdragen

Modelvrije Synthese: De eerste volledig datagedreven KKL-observator voor niet-autonome systemen die zowel de niet-lineaire toestandsmapping als de invoer-afhankelijke termen leert zonder kennis van de onderliggende differentiaalvergelijkingen.
Theoretische Garantie: De auteurs bewijzen theoretisch dat de getrainde neurale netwerken een gegarandeerde foutgrens hebben. Ze leiden een probabilistische bovengrens af voor de generalisatiefout, gebaseerd op de Rademacher-complexiteit en Lipschitz-continuïteit van de netwerken.
Stabiliteitsanalyse: Het kader vereist dat het systeem incrementeel invoer-naar-toestand stabiel ( $\delta$ ISS) is, wat essentieel is voor de convergentie van de observator.
Discretisatiefoutanalyse: De studie analyseert de impact van numerieke discretisatie (Euler-methode) op de totale schattingsfout en toont aan dat deze fout verwaarloosbaar klein kan worden gemaakt door een voldoende kleine sample-tijd te kiezen.

4. Resultaten en Case Studies

De methode werd gevalideerd op twee complexe chemische procescasestudies:

A. Bioreactor (Constant Volume)

Systeem: Een niet-lineair systeem met 2 toestanden (micro-organismen en substraat concentratie) en 1 invoer.
Vergelijking: NLOX werd vergeleken met een analytische KKL-observator (ground truth), een Extended Kalman Filter (EKF) en een Sliding Mode Observer (SMO).
Resultaat: NLOX presteerde vergelijkbaar met de analytische oplossing en overtrof zowel de EKF als de SMO in termen van Root Mean Square Error (RMSE), zelfs in aanwezigheid van ruis. Het toonde aan dat een modelvrije aanpak de lokale linearisatie van de EKF kan overtreffen.

B. Williams-Otto Reactor

Systeem: Een niet-isotherme CSTR met 6 toestanden (composities van 6 componenten) en 2 invoeren (stroom en temperatuur). Dit is een veel complexer, hoger-dimensionaal systeem.
Uitdaging: Het analytisch afleiden van een KKL-observator voor dit systeem is ondoenlijk.
Implementatie: Om convergentieproblemen bij het trainen van één groot netwerk te voorkomen, werd de inverse mapping $T^\dagger$ opgesplitst in zes aparte netwerken (één per toestandsvariabele).
Resultaat: NLOX behaalde een 3,96-voudige verbetering in nauwkeurigheid ten opzichte van de EKF en een 1,37-voudige verbetering ten opzichte van de SMO. De observator bleek robuust te zijn bij initiatie en in aanwezigheid van stochastische verstoringen.

5. Betekenis en Conclusie

Deze studie vult een significante leemte in de literatuur op door een datagedreven observator te presenteren die effectief werkt voor niet-autonome, niet-lineaire systemen met een hoge dimensie (tot nu toe beperkt tot systemen met $n_x \leq 3$ in de meeste datagedreven studies).

Praktische Toepassing: De methode maakt het mogelijk om nauwkeurige toestandsobservatoren te ontwerpen voor complexe industriële processen waar geen accurate first-principles modellen beschikbaar zijn.
Robuustheid: De observator behoudt zijn prestaties onder stoornissen en ruis, wat cruciaal is voor industriële toepassingen.
Toekomstperspectief: Hoewel de huidige methode supervisie vereist (ware toestanden nodig voor training), wijzen de auteurs op toekomstig werk gericht op ongesuperviseerde leermethodes om de toepasbaarheid in real-time scenario's zonder grond-truth data te vergroten.

Kortom, het paper introduceert een krachtig, theoretisch onderbouwd raamwerk dat neurale netwerken combineert met klassieke regeltheorie (KKL) om een nieuwe standaard te zetten voor datagedreven toestandsobservatie in complexe chemische processen.