Data-Driven Boundary Control of Distributed Port-Hamiltonian Systems

Dit artikel presenteert een datagedreven randbesturingsmethode voor verdeelde port-Hamiltonische systemen die onbekende dynamica leert met Gaussian Processes en deze onzekerheid integreert in een robuustheidsanalyse om gegarandeerde begrenzing van de gesloten-lus-trajecten te waarborgen, zoals geïllustreerd aan de hand van een gesimuleerd ondiep water-systeem.

De kern

Data-gedreven grenscontrole voor complexe fysieke systemen: Een verhaal over leren, vertrouwen en water

Stel je voor dat je een enorme, onzichtbare machine moet besturen. Deze machine is geen enkel apparaat, maar een heel systeem dat zich over een ruimte uitstrekt, zoals een lange rivier, een trillende brug of de luchtstroom rond een vliegtuig. In de wetenschap noemen we dit een systeem dat wordt beschreven door partiële differentiaalvergelijkingen (PDE's).

Het probleem? We weten niet precies hoe deze machine in elkaar zit. We kennen de basisregels (zoals zwaartekracht), maar de ingewikkelde, niet-lineaire details (zoals hoe water wrijft tegen de bodem of hoe materialen vervormen) zijn ons een raadsel. Als je zo'n machine probeert te besturen met een verkeerd handboek, kan het misgaan.

Dit artikel van Thomas Beckers en Leonardo Colombo biedt een slimme oplossing: laat de machine zichzelf uitleggen aan de hand van data, en gebruik die kennis om hem veilig te sturen.

Hier is hoe ze dat doen, vertaald in alledaagse taal:

1. De Machine met een Onbekend Hart (Het dPHS-model)

Stel je het systeem voor als een hart dat energie opslaat en uitwisselt. In de natuurkunde noemen we dit een Port-Hamiltonsysteem.

• De energie (Hamiltoniaan): Dit is het "hart" van het systeem. Het vertelt ons hoeveel energie er in het systeem zit.
• De poorten: Dit zijn de plekken waar we het systeem kunnen aanraken of besturen (zoals een kraan aan het begin van een kanaal).

Het probleem is dat we het "hart" (de energieformule) niet precies kennen. We weten dat het er is, maar de formule is te complex of onbekend.

2. De Slimme Leraar (Gaussian Processes)

Om dit op te lossen, gebruiken de auteurs een kunstmatige intelligentie genaamd Gaussian Process (GP).

• De analogie: Stel je voor dat je een kind leert hoe een bal rolt. Je gooit de bal niet honderd keer perfect, maar je gooit hem een paar keer, kijkt waar hij landt, en maakt een schatting.
• Het slimme deel: Een GP doet niet alleen een schatting ("de bal landt hier"), maar geeft ook een vertrouwensinterval ("ik ben 95% zeker dat hij hier landt, maar als hij hier landt, is mijn onzekerheid groot").
• In dit artikel leert de GP het "hart" van het systeem (de energieformule) uit meetgegevens. Het leert niet alleen wat er gebeurt, maar ook hoe zeker we dat weten.

3. Het Besturen via de Poort (Boundary Control)

Nu we een schatting hebben van hoe het systeem werkt, willen we het besturen. We doen dit via de "poorten" (de randen van het systeem).

• De oude manier: Vroeger probeerden we de energie van het systeem te vormen om het stabiel te maken. Maar er was een groot probleem: Wrijving. Als er wrijving is (zoals water dat tegen de bodem wrijft), kun je de energie niet zomaar "vormen" zonder extra energie te verbruiken. Dit noemen ze het "dissipatie-obstakel". Het is alsof je probeert een auto te parkeren terwijl de remmen vastzitten; je kunt de auto niet zomaar stilzetten zonder de motor te gebruiken.
• De nieuwe manier: De auteurs gebruiken een slimme truc. Ze creëren een nieuwe, virtuele uitgang. Stel je voor dat je een extra sensor toevoegt die de wrijving "negeert" of compenseert. Hierdoor kan de controller de energie wel vormen, zelfs met wrijving.

4. Omgaan met Onzekerheid (De Veiligheidsmarge)

Omdat de GP alleen een schatting is van de werkelijkheid, is er altijd een kans dat het model niet 100% klopt.

• De oplossing: De auteurs gebruiken de onzekerheid van de GP als een veiligheidsnet. Ze zeggen: "Zolang de fout in ons model kleiner is dan de wrijving in het systeem, blijven we veilig."
• Ze bewijzen wiskundig dat, zelfs als het model niet perfect is, het systeem niet uit de hand zal lopen. Het blijft binnen een veilige grens. Het is alsof je een auto bestuurt in mist: je ziet niet alles, maar zolang je snelheid laag genoeg is (de wrijving domineert), kun je veilig blijven rijden.

5. Het Experiment: Het Onbekende Kanaal

Om dit te testen, gebruikten ze een simulatie van ondiep water (zoals een kanaal of rivier).

• Ze maakten een deel van de wiskunde "onbekend" (alsof ze de wrijving of de vorm van de bodem niet kenden).
• Ze lieten de GP leren uit meetdata.
• Vervolgens stuurden ze de waterstroom via de poorten (de sluizen) naar een gewenste waterstand.

Het resultaat:
Zelfs met een onvolmaakt model, lukte het om het water precies op het juiste niveau te krijgen. De "onzekerheid" van het model zorgde ervoor dat het systeem stabiel bleef, zelfs als de voorspelling even afweek van de realiteit.

Conclusie: Wat betekent dit voor ons?

Dit onderzoek is een grote stap vooruit in het besturen van complexe systemen (zoals energienetwerken, klimaatmodellen of robotarmen) waar we niet alles over weten.

In plaats van te wachten tot we een perfect handboek hebben, leren we het systeem direct uit de data. En omdat we weten hoe onzeker die data is, bouwen we een controller die daar rekening mee houdt. Het is als het besturen van een schip in stormachtige zee: je hebt niet perfect zicht, maar je hebt een slimme navigator die weet hoe onzeker het weer is, en die je toch veilig naar de haven brengt.

Kort samengevat:

1. Leer van data: Gebruik AI om de onbekende regels van een fysiek systeem te ontdekken.
2. Wees voorzichtig: Gebruik de onzekerheid van de AI als een veiligheidsmarge.
3. Slim besturen: Gebruik een slimme techniek om wrijving te overwinnen en het systeem stabiel te houden, zelfs als je niet alles perfect kent.

Technische samenvatting

Samenvatting: Data-gedreven Randbesturing van Gedistribueerde Port-Hamiltoniaanse Systemen

1. Probleemstelling

Het besturen van fysische systemen die worden beschreven door partiële differentiaalvergelijkingen (PDE's), zoals vloeistofstroming of flexibele structuren, is een complexe opgave. Een krachtig raamwerk hiervoor is de theorie van Gedistribueerde Port-Hamiltoniaanse Systemen (dPHS). Traditionele besturingsmethoden voor dPHS, zoals "control by interconnection" via de energie-Casimir-methode, vereisen een nauwkeurig model van het Hamiltoniaanse functionaal (de totale energie van het systeem).

In de praktijk zijn deze modellen echter vaak moeilijk te verkrijgen vanwege:

• Hoge niet-lineariteiten.
• Deels onbekende dynamica (bijvoorbeeld complexe materiaaleigenschappen of wrijving).
• De aanwezigheid van interne dissipatie (energieverlies), wat leidt tot het zogenaamde "dissipatie-obstakel". Dit obstakel verhindert dat de energie van het systeem langs de richtingen waarin dissipatie optreedt, wordt gevormd (shaped), waardoor stabilisatie naar een gewenste evenwichtstoestand onmogelijk wordt met klassieke methoden.

Het doel van dit onderzoek is het ontwikkelen van een besturingsstrategie die werkt met deels onbekende dynamica, zonder een perfect fysiek model te vereisen, en die tegelijkertijd het dissipatie-obstakel overwint.

2. Methodologie

De auteurs combineren twee geavanceerde technieken: Gaussian Process (GP) learning en randbesturing via interconnectie.

A. Data-gedreven Modellering (GP-dPHS)
In plaats van een analytisch model te gebruiken, leren de auteurs het onbekende Hamiltoniaanse functionaal $H$ direct uit data.

• Ze gebruiken Gaussian Processes (GP), een Bayesiaanse methode die niet alleen voorspellingen doet, maar ook onzekerheid kwantificeert.
• Het systeem wordt gemodelleerd als een dPHS waarbij de bekende structurele matrices ($P_1, P_0, G_0$) uit de fysica bekend zijn, maar het Hamiltoniaanse functioneel $H$ onbekend is.
• Een GP-dPHS-model wordt getraind op waarnemingen van de toestand $x(t, z)$ over tijd en ruimte. Dit levert een posteriori-verdeling op met een gemiddelde $\mu(\hat{H}|E)$ (de geschatte dynamica) en een variantie (de onzekerheid).

B. Besturingsontwerp: Interconnectie en Casimir-functies
Op basis van het geleerde model wordt een randcontroller ontworpen:

1. Control by Interconnection: De controller wordt gekoppeld aan het systeem via een vermogensbehoudende interconnectie.
2. Overcoming the Dissipation Obstacle: Om het dissipatie-obstakel te omzeilen, wordt een nieuwe passieve output ($\bar{y}$) geïntroduceerd. Deze output past de standaard randvariabelen aan zodat de controller effectief kan ingrijpen op de energie, zelfs in de aanwezigheid van interne dissipatie (zoals wrijving in ondiep water).
3. Casimir-functies: Er worden invarianten (Casimir-functies) geconstrueerd die een relatie leggen tussen de toestanden van het systeem en de controller. Dit maakt het mogelijk om de gesloten-lus energie te vormen naar een gewenste evenwichtstoestand, zonder dat de exacte vorm van het Hamiltoniaanse functioneel bekend hoeft te zijn.

C. Robuustheidsanalyse
Omdat de controller is ontworpen op het geleerde model maar wordt toegepast op het echte systeem, bestaat er een modelfout (mismatch).

• De auteurs gebruiken de onzekerheidskarakterisering van het GP-model om probabilistische grenzen voor deze fout te stellen.
• Ze leiden af dat, zolang de interne dissipatie van het systeem ($G_0$) groot genoeg is om de modelonzekerheid te domineren, de gesloten-lus trajecten probabilistisch begrensd blijven. Dit betekent dat het systeem niet divergeert, maar binnen een bepaald bereik rond het evenwicht blijft, zelfs bij modelfouten.

3. Belangrijkste Bijdragen

• Data-gedreven dPHS Besturing: Een nieuwe framework dat Gaussian Processes combineert met dPHS-theorie om randbesturing mogelijk te maken voor systemen met onbekende niet-lineaire dynamica.
• Oplossing voor het Dissipatie-Obstakel: De toepassing van een aangepaste passieve output die de beperkingen van klassieke energie-vormende methoden in dissipatieve systemen opheft, zelfs wanneer het model onzeker is.
• Probabilistische Stabiliteitsgarantie: Een theoretisch bewijs dat de gesloten-lus dynamica uiteindelijk begrensd blijft met een bepaalde waarschijnlijkheid, gebaseerd op de onzekerheid van het GP-model en de dissipatie-eigenschappen van het systeem.
• Validatie: Toepassing en simulatie op de niet-lineaire ondiep-watervergelijkingen (shallow water equations), een complex PDE-systeem met dissipatie.

4. Resultaten

De methode werd geëvalueerd aan de hand van een simulatie van een kanaal met ondiep water:

• Systeem: Een kanaal met wrijving (dissipatie) en een onbekende niet-lineaire term in de energie (turbulentie).
• Doel: Het regelen van het waterpeil naar een gewenste evenwichtsprofiel.
• Observaties:
  • De controller, ontworpen op basis van het geleerde GP-model, slaagde erin het waterpeil te stabiliseren naar de gewenste toestand.
  • Figuur 3 in het artikel toont aan dat door de modelfout de totale Hamiltoniaanse energie tijdelijk kan stijgen (in tegenstelling tot het ideale geval waar deze strikt daalt).
  • Desondanks bevestigt de simulatie de theoretische voorspelling: de energie convergeert naar een begrensd bereik rond het evenwicht en de trajecten blijven stabiel.

5. Betekenis en Toekomstperspectief

Dit werk is significant omdat het de kloof overbrugt tussen data-gedreven machine learning en fysisch gebaseerde besturingstheorie. Het biedt een oplossing voor een klassiek probleem in de besturingstechniek: hoe stabiliseer je complexe, dissipatieve PDE-systemen wanneer je geen perfect model hebt?

Door de onzekerheid van het leermodel expliciet te integreren in de stabiliteitsanalyse, biedt de methode een veilige en robuuste aanpak voor toepassingen in de civiele techniek, energie en procesindustrie waar systemen vaak niet-lineair en deels onbekend zijn. Toekomstig werk richt zich op het uitbreiden van deze methoden naar hogere ruimtelijke dimensies en bredere klassen van dPHS-systemen.