⚡ electrical engineering

A note on input signal generators: A relaxation of Willems' fundamental lemma in the SISO case

Dit artikel presenteert een praktische verzwakking van Willems' fundamentele lemma voor discrete tijd SISO-systemen door het probleem te herformuleren in termen van signaalgeneratoren, waardoor een noodzakelijke en voldoende voorwaarde wordt geïdentificeerd die informatieve data genereert voor bijna alle systemen, zelfs met ingangen zoals sinussequenties met minder frequenties dan traditioneel vereist.

Oorspronkelijke auteurs: Yun Jeong Yang, Jin Gyu Lee

Gepubliceerd 2026-04-08

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yun Jeong Yang, Jin Gyu Lee

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 mysterieuze machine hebt, een "zwarte doos", en je wilt precies weten hoe hij werkt. Je kunt hem niet openmaken, maar je kunt wel knoppen indrukken (ingangen) en kijken wat er uitkomt (uitgangen).

In de wereld van de ingenieurs en wiskundigen is er een beroemde regel, de Fundamentele Lemma van Willems. Deze regel zegt: "Als je de knoppen maar lang genoeg en op een heel willekeurige, chaotische manier indrukt, kun je de machine volledig begrijpen."

Deze "chaotische drukkerij" heet persistentie van excitatie. Het idee is dat je een signaal moet sturen dat zo rijk is aan informatie (zoals een ruisend radio-signaal of een complexe reeks tonen) dat het elke mogelijke reactie van de machine kan triggeren.

Het probleem:
Deze regel is erg streng. Het vereist dat je een heel lang en complex signaal gebruikt. Alsof je een machine wilt leren kennen door er urenlang met een hamer op te slaan, terwijl je misschien ook gewoon een paar specifieke, slimme tikjes nodig hebt.

De oplossing in dit artikel:
De auteurs, Yun Jeong Yang en Jin Gyu Lee, zeggen: "Wacht even, we hoeven niet zo'n chaotisch signaal te gebruiken. Laten we in plaats daarvan kijken naar de 'muzikant' die het signaal speelt."

Ze introduceren het concept van een Signaalgenerator.

De Analogie: De Muzikant en de Zanger

Stel je de machine voor als een zanger.

De oude methode (Willems): Je vraagt de zanger om zomaar alles te zingen wat hij kan, van opera tot heavy metal, zolang het maar niet te eentonig is. Als hij lang genoeg zingt, hoor je alles. Dit is de "chaotische drukkerij".
De nieuwe methode (Dit artikel): Je gebruikt een Signaalgenerator. Dit is een slimme muzikant die een specifieke melodie speelt. In plaats van te vragen om "alles", geef je de muzikant een instrument (een generator) met een bepaalde grootte.

De kernboodschap van het artikel is verrassend simpel:
Je hoeft de muzikant niet te laten spelen met een orkest van 100 instrumenten (een groot, complex signaal). Als je een muzikant met slechts één extra instrument meer hebt dan de machine zelf, kun je al bijna alles leren over de zanger.

Wat betekent dit concreet?

Van "Willems" naar "Generator":
De auteurs verplaatsen de focus van het signaal zelf (is het willekeurig genoeg?) naar de bron van het signaal (wat voor soort machine maakt dit signaal?). Ze zeggen: "Kijk niet naar de chaos, kijk naar de structuur."
De Grootte telt:
Als je machine een complexiteit heeft van bijvoorbeeld 5 (je noemt dit de 'orde' $n$ ), dan zegt de oude regel: "Je hebt een signaal nodig dat net zo complex is als een machine van 10 of 11."
De nieuwe regel zegt: "Je hebt een signaalgenerator nodig met slechts 6 onderdelen ( $n+1$ ). Dat is genoeg om de machine voor bijna alle situaties te begrijpen."
De "Bijna Altijd" Regel:
Er is een kleine nuance. De oude regel garandeerde dat het altijd werkt, voor elke mogelijke startpositie van de machine. De nieuwe regel zegt: "Het werkt voor bijna alle startposities."
- Vergelijking: Stel je voor dat je een sleutel probeert in een slot te steken. De oude regel zegt: "Gebruik een sleutel die past in elk slot in het universum." De nieuwe regel zegt: "Gebruik een slimme sleutel die past in 99,9% van de sloten. Alleen in heel zeldzame, specifieke gevallen (die je bijna nooit tegenkomt) werkt hij niet." Voor de praktijk is dit een enorme winst.
Kortere Lijsten:
Omdat je een slimmere generator gebruikt, heb je minder tijd nodig om de machine te leren kennen. Je hoeft niet urenlang te luisteren; een kortere, doelgerichte melodie volstaat.

Waarom is dit belangrijk?

Efficiëntie: Je hoeft geen enorme hoeveelheden data te verzamelen.
Flexibiliteit: Je kunt nu ook gebruikmaken van simpele, mooie signalen (zoals een reeks sinusgolven met weinig frequenties) die de oude regels als "onvoldoende" zouden afwijzen, maar die volgens de nieuwe regels perfect werken.
Toekomst: De auteurs tonen aan dat dit werkt voor zowel digitale systemen (discrete tijd) als voor continue systemen (zoals een lopende band of een vliegtuig in de lucht).

Samenvatting in één zin

In plaats van een machine te bestuderen door er met een hamer op te slaan (chaotische signalen), laten de auteurs zien dat je hem beter kunt begrijpen door hem een slimme, goed gekozen melodie te laten horen, die gegenereerd wordt door een apparaat dat net iets groter is dan de machine zelf. Dit bespaart tijd, energie en maakt het ontwerp van controlesystemen veel makkelijker.

Probleemstelling

Het paper adresseert een fundamenteel probleem in de data-gedreven besturing en systeembesturing: het identificeren van onbekende lineaire tijd-invariante (LTI) systemen op basis van in-uitgangsdata.

De basis: Willems' fundamentele lemma stelt dat een systeem volledig gekarakteriseerd kan worden door zijn in-uitgangsgedrag als de gebruikte invoer "persistent geëxciteerd" (PE) is van voldoende hoge orde.
De beperking: De conventionele PE-voorwaarde is een sufficient (voldoende) maar geen noodzakelijke voorwaarde. In de praktijk vereist dit vaak zeer lange invoersequenties of specifieke signaalstructuren (zoals multi-sinussignalen met veel frequenties) om aan de rangvoorwaarde van de Hankel-matrix te voldoen.
De vraag: Bestaan er invoersignalen die niet voldoen aan de strenge Willems-PE-voorwaarde, maar toch informatieve data genereren voor "bijna alle" systemen en beginvoorwaarden? Bovendien is de PE-voorwaarde vaak lastig constructief toe te passen; het is eerder een verificatiecriterium dan een ontwerpgids.

Methodologie

De auteurs verschuiven het perspectief van gedragstheorie (focus op de ruimte van mogelijke trajecten) naar dynamische systeemtheorie (focus op de generator van het signaal).

Signaalgenerator-model: In plaats van de invoer $u(t)$ direct te definiëren, modelleren ze de invoer als de output van een autonoom LTI-systeem (de signaalgenerator):
$w(t+1) = S_g w(t), \quad u(t) = L_g w(t)$
Hierbij is $w(t)$ de toestand van de generator met dimensie $N_g$ .
Koppeling: Ze koppelen deze generator aan het te identificeren systeem (1). Door de Sylvester-vergelijking op te lossen, kunnen ze het gecombineerde systeem analyseren en de in-uitgangshankel-matrix decomponeren in een product van een structurele matrix (afhankelijk van de systemen) en een matrix die de initiële toestanden bevat.
Rang-analyse: De kern van de analyse ligt in het bepalen van de rang van de Hankel-matrix. De auteurs tonen aan dat de rang afhangt van de dimensie van de signaalgenerator ( $N_g$ ) en de dimensie van het te identificeren systeem ( $n$ ), in plaats van alleen van de lengte van de data en de PE-orde.

Kernbijdragen

Relatie tussen PE-orde en Generator-dimensie:
De auteurs bewijzen dat een signaal met een maximale PE-orde $K$ equivalent kan worden gegenereerd door een signaalgenerator met dimensie $N_g = K$ . Dit stelt hen in staat om de complexe PE-voorwaarde te vertalen naar een eenvoudigere voorwaarde gebaseerd op de dimensie van de generator.
Praktische Verslapping van Willems' Lemma:
Het paper introduceert een nieuw fundamenteel lemma dat de strenge dimensie-eis verslapt.
- Conventioneel Willems: Vereist $N_g \geq L + n$ (waarbij $L$ de vensterlengte is) om voor elke beginvoorwaarden informatieve data te garanderen.
- Nieuw Resultaat: Voor bijna alle (in de zin van Lebesgue-maat nul uitzonderingen) beginvoorwaarden en systemen, is een generator met dimensie $N_g \geq L$ al voldoende.
Noodzakelijke en Voldoende Voorwaarde:
Ze identificeren een noodzakelijke en (bijna) voldoende voorwaarde voor de signaalgenerator om informatieve data te genereren. Dit betekent dat kortere signaalreeksen met minder frequenties (die de strenge Willems-voorwaarde niet halen) toch bruikbaar zijn voor systeemidentificatie in de praktijk.
Uitbreiding naar Continu-Tijd:
Het resultaat wordt natuurlijk uitgebreid naar continu-tijd LTI-systemen, waarbij het concept van "jets" (afgeleiden) wordt gebruikt in plaats van vensters, wat een breder toepassingsgebied biedt dan de oorspronkelijke discrete lemma's.

Belangrijkste Resultaten

Theorema 1 (Discrete Tijd):
- Als $N_g < L$ : Data is nooit informatief.
- Als $L \leq N_g < L + n$ : Data is informatief voor bijna alle beginvoorwaarden $x(0)$ , mits de data-lengte $T$ voldoende is ( $T \geq N_g + n + L - 1$ ). Er bestaat een verzameling met maat nul (uitzonderlijke gevallen) waarvoor het faalt.
- Als $N_g \geq L + n$ : Data is informatief voor alle beginvoorwaarden.
Corollarium 2 (Praktisch Voorbeeld):
Voor een systeem van orde $n$ $n$ , is een signaalgenerator met dimensie $N_g = n + 1$ $N_{g} = n + 1$ en een data-lengte $T = 3n + 1$ $T = 3 n + 1$ voldoende om de rangvoorwaarde te voldoen voor bijna alle systemen.
- Vergelijking: Willems' lemma zou hier een invoer vereisen met PE-orde $\geq 2n+1$ , wat vaak een lengte van $T \geq 4n+1$ vereist. Het nieuwe lemma reduceert de benodigde data-lengte aanzienlijk.

Significantie en Implicaties

Efficiënter Invoerontwerp: De methode biedt een directe ontwerpgids voor invoersignalen. Onderzoekers hoeven niet langer te zoeken naar willekeurige of complexe multi-sinussignalen die aan strenge PE-criteria voldoen, maar kunnen systematisch een generator met dimensie $n+1$ ontwerpen.
Breder Signaalclass: Het toont aan dat signalen die eerder werden afgewezen omdat ze niet voldeden aan Willems' PE-voorwaarde (bijvoorbeeld sinussignalen met minder frequenties), toch waardevol en informatief kunnen zijn voor de meeste praktische toepassingen.
Theoretische Verbinding: Het paper sluit de kloof tussen gedragstheorie en dynamische systeemtheorie, en toont aan dat het gebruik van een signaalgenerator als model voor invoer een krachtigere en flexibele benadering biedt voor data-gedreven besturing.
Toepasbaarheid: De resultaten zijn direct toepasbaar op zowel discrete als continu-tijd systemen, wat de relevantie voor een breed scala aan engineering-toepassingen verhoogt.

Kortom, dit paper levert een praktische en theoretisch onderbouwde optimalisatie van Willems' fundamentele lemma, waardoor data-gedreven methoden efficiënter en robuuster worden voor een breder scala aan signaaltypes.