Technische Samenvatting: Experimentontwerp voor Set-membership Identificatie

Probleemstelling

Dit artikel behandelt het offline experimentontwerpprobleem voor de set-membership identificatie van onbekende lineaire tijd-invariante (LTI) systemen. Het doel is om een ingangssignaal $u[0, T-1]$ te ontwerpen zodanig dat de resulterende input-toestand (of input-output) data, verzameld over een eindige horizon, voldoende informatief is om de systeemparameters te identificeren met een gewenste nauwkeurigheid.

De studie werkt onder twee verschillende ruisregimes:

1. Ruisvrij ($\varepsilon = 0$): Het doel is exacte identificatie, waarbij de data de ware systeemparameters uniek moet bepalen.
2. Met ruis ($\varepsilon > 0$): Het doel is $\rho$-nauwkeurige identificatie, waarbij de data de verzameling mogelijke systemen moet beperken tot een begrensde verzameling met een Chebyshev-radius (worst-case fout) die kleiner is dan of gelijk aan een voorgeschreven tolerantie $\rho$.

De centrale uitdaging is dat het ware systeem onbekend is. Daarom moet het ontwerp vertrouwen op voorkennis ($\Sigma_{pk}$), een verzameling systemen die consistent is met beschikbare informatie (bijv. grenzen aan parameters, structurele beperkingen of controleerbaarheids eigenschappen). Het artikel introduceert het concept van universele inputs: een ingangssignaal is universeel als het, wanneer het wordt toegepast op elk systeem binnen de verzameling van de voorkennis $\Sigma_{pk}$, data genereert die geschikt is voor de gewenste identificatietaak.

Methodologie

De auteurs ontwikkelen een raamwerk gebaseerd op data-informativiteit en input-universaliteit, waarbij zij gebruikmaken van principes van set-membership identificatie.

1. Data-informativiteit en Universele Inputs

• Data-informativiteit: Een dataset $D$ is $\Sigma_{pk}$-informatief voor $\rho$-nauwkeurigheid als de verzameling van data-consistente systemen $\Sigma_D$ in doorsnede met de voorkennis $\Sigma_{pk}$ een Chebyshev-radius heeft die $\le \rho$ is.
• Universele Inputs: Een input $u[0, T-1]$ is $\Sigma_{pk}$-universeel als, voor elk systeem $(A, B) \in \Sigma_{pk}$, alle mogelijke datasets gegenereerd door dat systeem onder de betreffende input $\Sigma_{pk}$-informatief zijn.

2. Ruisvrije Analyse

In afwezigheid van ruis analyseren de auteurs de voorwaarden waaronder universele inputs bestaan en hun relatie tot persistentie van excitatie (PE).

• Open Voorkennis: Voor open verzamelingen van voorkennis die deel uitmaken van de controleerbare systemen ($\Sigma_{cont}$), stelt het artikel vast dat universele inputs equivalent zijn aan inputs die persistent exciterend zijn van orde $n+1$ (waarbij $n$ de toestandstoestand-dimensie is).
• Algemene Voorkennis: De auteurs leiden voldoende voorwaarden af (Theorema 9 en 14) voor universaliteit die afhangen van de specifieke structuur van $\Sigma_{pk}$. Deze voorwaarden maken gebruik van de minimale polynoom van de systeemmatrix $A$ en specifieke matrixconstructies ($M_{A,B}$, $D_A$).
• Kerninzicht: Voor bepaalde gestructureerde voorkennis (bijv. specifieke normgrenzen of bekende minimale polynoomgraden) kunnen universele inputs worden ontworpen met een lengte $T$ die aanzienlijk korter is dan de $nm+n+m$ samples die vereist zijn door standaard PE. In sommige gevallen worden bewezen dat inputs die niet persistent exciterend zijn (bijv. "hands-off" inputs met nulwaarden over grote intervallen) universeel zijn.

3. Analyse met Ruis

In aanwezigheid van $\ell_\infty$-begrensde ruis verschuift de analyse naar het begrenzen van de identificatiefout.

• $\rho$-Nauwkeurigheid: Het artikel biedt voorwaarden (Theorema 21) die garanderen dat de worst-case fout begrensd is door $\rho$. Dit houdt in dat de kleinste enkelvoudige waarde van een specifieke data-afhankelijke matrix voldoende groot moet zijn ten opzichte van het ruisniveau $\varepsilon$.
• Haalbaarheidsvoorwaarden: De auteurs tonen aan dat universeel experimentontwerp voor $\rho$-nauwkeurigheid haalbaar is als de verzameling van de voorkennis begrensd is en voldoet aan een controleerbaarheidsmaat $\gamma_{pk} > 0$. Ze stellen ook een partitioneringsstrategie voor (Theorema 24) om gevallen af te handelen waarin de voorwaarde niet kan worden voldaan voor de gehele $\Sigma_{pk}$, maar wel voor een deelverzameling, mits de resterende deelverzameling een kleine intrinsieke radius heeft.
• Exacte Identificatie met Ruis: Het artikel bewijst dat exacte identificatie ($\rho=0$) in aanwezigheid van ruis alleen haalbaar is als de verzameling van de voorkennis uniform discreet is (Theorema 29, 30). Dit betekent dat verschillende systemen in de voorkennisverzameling gescheiden moeten zijn door een minimale afstand, een voorwaarde die vaak wordt vervuld bij systemen met integer parameters.

4. Uitbreiding naar Input-Output Data

Het raamwerk wordt uitgebreid naar ARX-systemen (input-output modellen) door deze te herformuleren naar toestandsruimte-representaties. Dit maakt het mogelijk om de afgeleide input-toestand resultaten toe te passen op input-output data scenario's.

Belangrijkste Bijdragen

1. Raamwerk voor Universele Inputs: Er wordt een nieuw raamwerk ontwikkeld om offline experimentontwerp te bestuderen door expliciet algemene voorkennis in te voegen, waarmee de beperkingen van enkel op controleerbaarheid gebaseerde aannames worden overstegen.
2. Karakterisering van Universaliteit versus PE:
   • Voor single-input systemen met open voorkennis wordt aangetoond dat universaliteit equivalent is aan persistentie van excitatie van orde $n+1$.
   • Voor multi-input systemen en specifieke structuren van voorkennis demonstreert het artikel dat er universele inputs bestaan die niet persistent exciterend zijn van orde $n+1$, waardoor de vereiste steekproefomvang wordt verminderd (bijv. van $nm+n+m$ naar $2n+m$ of zelfs $k+1$).
3. Ruisbestendig Ontwerp: Er worden voldoende voorwaarden verstrekt voor het ontwerpen van inputs die identificatie binnen een voorgeschreven foutmarge $\rho$ garanderen in situaties met ruis.
4. Exacte Identificatie in Ruis: Het artikel stelt vast dat exacte identificatie in aanwezigheid van ruis alleen haalbaar is als de verzameling van de voorkennis uniform discreet is, en biedt een ontwerpmethode voor dergelijke gevallen.
5. Hands-off Inputs: De methodologie maakt het ontwerp van "hands-off" inputs mogelijk (signalen met significante nul-intervallen), wat praktisch waardevol is in veiligheidskritische of door middelen beperkte toepassingen waar persistent exciterende inputs onhaalbaar zijn.

Resultaten en Voorbeelden

• Theoretische Grenzen: Het artikel leidt ondergrenzen af voor het aantal samples $T$ dat vereist is voor universele identificatie. Bijvoorbeeld, onder specifieke voorkennis volstaat $T \ge 2n+m$, wat een verbetering is ten opzichte van de standaard $T \ge nm+n+m$.
• Voorbeeld 1 (Orbitale Beweging): Een model voor relatieve beweging van een ruimtevaartuig wordt gebruikt om aan te tonen dat een twee-impulsen input (nul voor het grootste deel van de horizon) $\Sigma_{pk}$-universeel is voor het identificeren van de orbitale snelheid en massa, terwijl standaard PE een veel langere, continue excitatie zou vereisen.
• Voorbeeld 2 (Netwerk van Systemen): Er wordt gekeken naar een netwerk van 1000 identieke systemen. De resultaten laten zien hoe een universele input voor $\rho$-nauwkeurige identificatie in een hoog-dimensionale setting met ruis kan worden ontworpen, waarbij de structuur van het netwerk wordt benut om de complexiteit te verminderen.

Betekenis

Het artikel claimt dat de resultaten de experimentontwerp-benadering van Willems et al.'s fundamentele lemma generaliseren. Terwijl het fundamentele lemma steunt op persistentie van excitatie en beperkt is tot voorkennis over controleerbaarheid, accommodeert dit werk algemene voorkennis.

De betekenis ligt in het inzicht dat voor veel praktische scenario's waar voorkennis beschikbaar is (bijv. grenzen aan parameters, structurele beperkingen of discrete parameterverzamelingen), persistent exciterende inputs niet noodzakelijk zijn. De voorgestelde methoden kunnen steekproef-efficiënte experimentontwerpen opleveren die bestaande benaderingen overtreffen. Dit is bijzonder relevant voor toepassingen waar het toepassen van persistent exciterende inputs onpraktisch is vanwege:

• Veiligheidsoverwegingen.
• Fysieke beperkingen.
• Beperkte middelen (bijv. in chemische/biologische systemen, klinische settings, grootschalige netwerken en luchtvaartsystemen).

Door voorwaarden te bieden waaronder kortere, gestructureerde of "hands-off" inputs voldoende zijn, biedt het artikel een flexibelere en efficiëntere benadering van systeemidentificatie in beperkte omgevingen.