⚡ electrical engineering

Data-Driven Frequency-Selective Output Regulation of Nonlinear Systems under Almost Periodic Exosignals

Dit artikel stelt een datagedreven frequentieselectief outputreguleringsframework voor onbekende nietlineaire systemen die worden aangestuurd door bijna periodieke exosignalen, dat een p-kopie intern model en een ruisbestendig semidefinit programma gebruikt om specifieke Fourier-Bohr foutcomponenten te elimineren en de residuele energie te begrenzen zonder dat systeemidentificatie of metingen van de amplitude of fase van het exosignaal vereist zijn.

Oorspronkelijke auteurs: Yifei Li, Wenjie Liu, Gang Wang, Lihua Xie

Gepubliceerd 2026-06-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yifei Li, Wenjie Liu, Gang Wang, Lihua Xie

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 probeert een drone perfect stil te laten zweven in de lucht. Maar er is een addertje onder het gras: de drone draagt een zwaar pakket dat aan een touw hangt. Door de natuurkunde zwaait dat pakket heen en weer als een pendel. Dit zwaaien creëert een ritmische, wankele kracht die de drone omhoog, omlaag en opzij duwt.

Jouw doel is om de motoren van de drone precies te vertellen hoe ze tegen moeten duwen om deze wankelingen te compenseren en de drone stabiel te houden.

De Oude Manier: "Alles Weten om Alles te Herstellen"

Traditioneel zouden ingenieurs een perfecte wiskundige kaart van de drone, het touw en de wind nodig hebben om dit op te lossen. Ze zouden ongelooflijk complexe vergelijkingen moeten oplossen (de zogenaamde "Nonlinear Regulator Equations") om precies te bepalen hoe ze het zwaaien moeten tegenwerken.

Het Probleem: In de echte wereld weet je zelden het exacte gewicht van het pakket, de exacte lengte van het touw of de exacte aerodynamica van de drone. Als je kaart zelfs maar een klein beetje afwijkt, faalt de wiskunde en stort de drone neer of wankelt hij oncontroleerbaar.

De Nieuwe Manier: "Leren van het Ritme, Niet van de Kaart"

Dit paper stelt een slimmere, "data-gedreven" aanpak voor. In plaats van te proberen een volledige kaart van het drone- en touwsysteem te maken, leert de drone de ritmiek van het probleem te herkennen.

Zo doen ze het, met behulp van een paar eenvoudige analogieën:

1. De "Stemvork" (Het Interne Model)

Stel je voor dat het zwaaiende pakket als een muzikale noot is die steeds opnieuw wordt gespeeld. De drone hoeft niet te weten waarom het pakket zwaait of hoe zwaar het is. De drone hoeft alleen de frequentie (de snelheid) van de zwaai te kennen.

De onderzoekers hebben een speciale "stemvork" in de computer van de drone gebouwd. Deze stemvork is geprogrammeerd om op exact dezelfde snelheid te trillen als het zwaaiende pakket (en andere bekende ritmische verstoringen).

Hoe het werkt: Wanneer het pakket zwaait, begint de stemvork binnenin de drone in sync te "brommen". De drone gebruikt dit gezoem om precies te voorspellen wanneer de volgende duw komt, en duwt dan terug voordat de wankeling erg wordt. Het heft het specifieke ritme van de zwaai op.

2. De "Black Box" Leerling (Data-gedreven Ontwerp)

Normaal gesproken heb je de specificaties van de motor van de drone nodig om deze "stemvork" correct af te stemmen. Maar dit paper zegt: "We hebben de specificaties van de motor niet nodig!"

In plaats daarvan laten ze de drone rondvliegen, waarbij ze de drone de wind en het zwaaiende pakket laten ervaren, en leggen ze vast wat er gebeurde. Ze nemen deze ruwe data (zoals een video van de bewegingen van de drone) en halen deze door een speciale wiskundige filter (een "Semidefinite Program").

De Magie: Deze filter bepaalt de perfecte controller-instellingen direct uit de data, zonder dat de computer ooit het gewicht van de drone of de lengte van het touw hoeft te identificëren. Het is als het leren fietsen door het gevoel van balans, in plaats van het bestuderen van de natuurkunde van tandwielen en kettingen.

3. Het "Noise-Canceling" Doel

De onderzoekers geven toe dat ze de drone niet 100% van de tijd perfect stil kunnen krijgen. Er kunnen kleine, willekeurige trillingen of vreemde frequenties zijn die de stemvork niet heeft opgevangen.

De Belofte: Hun methode garandeert dat de specifieke, ritmische wankelingen (de vallen die overeenkomen met de zwaai van het pakket) volledig zullen verdwijnen. De resterende kleine trillingen zijn wiskundig bewezen zeer klein en onschadelijk. Het is als een noise-cancelling koptelefoon: deze blokkeert misschien niet een plotseling geschreeuw, maar zal het constante gezoem van een vliegtuigmotor volledig wegnemen.

Het Resultaat

Ze hebben dit getest in een computersimulatie en in een fysieke robotomgeving (een drone met een hangend gewicht).

Zonder hun methode: Wankelde de drone wild rond wanneer het pakket zwaaide.
Met hun methode: Bleef de drone opmerkelijk stabiel. De ritmische schokken veroorzaakt door het zwaaien van het pakket werden bijna volledig geëlimineerd, ook al wist de computer niet het exacte gewicht van het pakket of de lengte van het touw.

Samenvattend

Dit paper presenteert een manier om complexe, wankele machines te besturen (zoals drones die een zwaaiende lading dragen) zonder dat daar een perfecte handleiding of een volledig begrip van de natuurkunde van de machine voor nodig is. Door een "ritmedetector" (het interne model) in te bedden en direct te leren van data uit vallen en opstaan, kan het systeem specifieke, irritante trillingen elimineren en de machine stabiel houden, zelfs bij onbekende verstoringen.

Technische Samenvatting: Datagestuurde Frequentie-Selectieve Outputregeling van Nietlineaire Systemen onder Bijna-Periodieke Exosignalen

Probleemformulering
Dit artikel behandelt het outputreguleringsprobleem voor een klasse van onbekende continu-tijd nietlineaire systemen die worden aangestuurd door bijna-periodieke exosignalen. De plantdynamica wordt verondersteld lineair geparametriseerd te zijn over een voorgeschreven woordenboek van continu differentieerbare basisfuncties, maar alle coëfficiëntmatrices (systeem, input, output en exosignaalkanalen) blijven onbekend. Bovendien zijn de amplitudes en fasen van het exosignaal niet meetbaar.

In de klassieke nietlineaire outputregulering vereist het bereiken van exacte asymptotische regulering het oplossen van nietlineaire regulatorvergelijkingen (NORE's), een taak die over het algemeen onhandelbaar is, zelfs met bekende modellen, en onmogelijk in datagestuurde settings zonder identificatie. Terwijl bestaande datagestuurde methoden vaak vertrouwen op periodieke signalen of restrictieve structurele aannames, richt dit werk zich op een bredere klasse van exosignalen waarbij frequenties rationeel onafhankelijk zijn, wat resulteert in bijna-periodieke (maar niet periodieke) trajecten. Het doel is geformuleerd als frequentie-selectieve regulering: in plaats van de fout naar nul te drijven, moet de controller de Fourier–Bohr-coëfficiënten van de stationaire regelfout bij de specifieke frequenties die in het exosysteem ingebed zijn, elimineren, terwijl de energie van de resterende foutcomponenten expliciet begrensd wordt.

Methodologie
De voorgestelde oplossing integreert het principe van het interne model met directe datagestuurde controlesynthese, waarbij expliciete identificatie van het systeem wordt vermeden.

Interne Modelstructuur: Een $p$ -kopie intern model wordt ingebed in een dynamische controller. Dit model reproduceert de constante modus en de geselecteerde sinusoïdale modi die overeenkomen met de bekende exosysteemfrequenties. De controllerstatus $z$ evolueert volgens $\dot{z} = \Phi z + \Gamma e$ , waarbij $\Phi$ en $\Gamma$ zijn geconstrueerd om de specifieke frequentieset $\{0, \sigma_1, \dots, \sigma_s\}$ in te bedden.
Geaugmenteerde Systeemrepresentatie: De plant en het interne model worden gecombineerd tot een geaugmenteerd nietlineair systeem. De onbekende dynamica van dit geaugmenteerde systeem wordt direct gerepresenteerd met behulp van offline gemeten input-toestand-foutdata.
Datagestuurde Synthese via SDP: Een robuust semidefiniet programmeerprogramma (SDP) wordt afgeleid om de feedbackgainmatrix $K$ direct te synthetiseren uit ruisige data. Deze formulering maakt gebruik van een "ruis-robuuste" beperking die benaderingsfouten en meetruis verwerkt via een begrensde verstoringsset. De SDP dwingt een incrementele dissipatie-ongelijkheid af, die garandeert dat het gesloten lus vectorveld exponentieel contractief is op een voorgeschreven werkgebied.
Stabiliteits- en Reguleringsanalyse:
- Contractietheorie: De exponentiële contractie van het gesloten lus systeem garandeert de existentie, uniciteit en exponentiële aantrekkelijkheid van een begrensde volledige oplossing.
- Bijna-Periodiciteit: Omdat het exosignaal bijna-periodiek is en het systeem input-to-state convergent is, wordt bewezen dat het unieke aantrekkende stationaire traject bijna-periodiek is.
- Fourier–Bohr Analyse: Door de stationaire interne modeldynamica te analyseren, wordt aangetoond dat de begrenzing van de status van het interne model forceert dat de Fourier–Bohr-coëfficiënten van de regelfout bij de ingebedde frequenties verdwijnen.
- Residuele Energiegrens: Voor de niet-gemodelleerde spectrale componenten stelt een Parseval-achtig argument een tijdgemiddelde energiegrens vast. Deze grens is afhankelijk van de afgeleide van de fout en de kleinste magnitude van de niet-gemodelleerde frequenties.

Belangrijkste Bijdragen

Probleemformulering: Het artikel formuleert een frequentie-selectief datagestuurd outputreguleringsprobleem voor nietlineaire systemen onder eindige-spectrum bijna-periodieke exosignalen, waarbij regulering wordt gekarakteriseerd door het verdwijnen van specifieke Fourier–Bohr-coëfficiënten in plaats van exacte asymptotische convergentie.
Directe Synthesemethode: Er wordt een directe synthesemethode ontwikkeld voor een op een intern model gebaseerde nietlineaire regulator. Het construeert een feedbackgain via een robuuste SDP zonder de systeemmatrices te identificeren of de amplitudes/fasen van het exosignaal te meten.
Theoretische Garanties: Het werk biedt een volledige stationaire analyse die bewijst dat het gesloten lus systeem een uniek, exponentieel aantrekkend, bijna-periodiek traject toelaat. Het demonstreert rigoureus de eliminatie van ingebedde frequentiecomponenten van de fout en biedt een kwantitatieve grens aan de residuele energie van de fout.
Validatie: De aanpak wordt gevalideerd door numerieke simulaties en fysica-gebaseerde experimenten in een gym-pybullet-drones omgeving met een quadrotor met een kabel-gesuspendeerde lading.

Resultaten
Numerieke en fysica-gebaseerde simulaties op een quadrotor die een gesuspendeerde lading draagt, demonstreren de effectiviteit van de voorgestelde controller. In aanwezigheid van door de lading geïnduceerde oscillerende verstoringen (die bijna-periodieke signalen genereren door onbekende begincondities), slaagt de voorgestelde controller erin de hoogte- en pitchhoekfouten naar een kleine omgeving van de oorsprong te drijven.
Vergelijkende experimenten tonen aan dat een datagestuurde controller zonder het interne model faalt in het onderdrukken van deze oscillerende verstoringen, wat resulteert in significante stationaire fouten. In tegen plaats dempt de voorgestelde op een intern model gebaseerde controller deze oscillaties substantieel. De resultaten bevestigen dat de controller de dominante frequentiecomponenten van de fout elimineert, terwijl de resterende oscillaties binnen begrensde waarden blijven, consistent met de theoretische energiegrenzen.

Significantie
Het artikel claimt significantie door de kloof te overbruggen tussen datagestuurde controle en nietlineaire outputregulering voor algemene bijna-periodieke signalen. In tegenstelling tot eerdere werken die beperkt zijn tot lineaire systemen, periodieke signalen of lokale linearisatie vereisen, behandelt deze aanpak nietlineaire systemen met onbekende parameters en rationeel onafhankelijke frequenties direct vanuit data. Door gebruik te maken van contractietheorie en Fourier–Bohr-analyse, biedt het een rigoureus alternatief voor het oplossen van NORE's, waarbij expliciete prestatiegaranties (verdwijnende coëfficiënten en energiegrenzen) worden geboden in een setting waarin exacte regulering doorgaans onbereikbaar is. De methode is bijzonder relevant voor toepassingen zoals luchttransport met gesuspendeerde lasten, waarbij verstoringen inherent oscillerend zijn en modelparameters onzeker zijn.