EDMD-Based Robust Observer Synthesis for Nonlinear Systems

1. Problema Abordado

O artigo aborda o desafio de projetar observadores de estado para sistemas não lineares contínuos no tempo, utilizando apenas dados limitados de entrada/saída.

• Contexto: Métodos de controle e modelagem baseados em dados (como redes neurais e aprendizado de Koopman) geralmente assumem acesso completo ao estado do sistema. Na prática, apenas um subconjunto de variáveis mensuráveis (saídas) está disponível.
• Desafio Específico: A aplicação do Operador de Koopman para transformar sistemas não lineares em sistemas lineares (em um espaço de dimensão infinita) é frequentemente aproximada em espaços de dimensão finita usando um dicionário de funções (ex: polinômios). Essa aproximação introduz dois tipos de erro inevitáveis:
  1. Erro Determinístico (Estrutural): Devido à projeção de um espaço infinito para um espaço finito (dicionário limitado).
  2. Erro Estocástico: Devido ao uso de amostras de dados finitas e ruidosas para identificar o modelo.
• Objetivo: Desenvolver um observador robusto que possa lidar com essas incertezas, garantindo a convergência do erro de estimação, seja através de uma taxa de decaimento exponencial (para sistemas estáveis) ou minimizando o ganho $L_2$ (para sistemas instáveis ou com limitações).

2. Metodologia

A abordagem proposta combina a teoria do Operador de Koopman, Espaços de Hilbert com Kernel Reprodutor (RKHS) e síntese robusta via Desigualdades Matriciais Lineares (LMIs).

A. Modelagem e Análise de Erro

• Framework RKHS: Os autores utilizam um espaço de Hilbert com Kernel Reprodutor (RKHS) baseado em um kernel linear-radial. Isso permite definir um espaço de funções que preserva o ponto de equilíbrio na origem e é adequado para análise de erro.
• Decomposição Dinâmica Estendida (EDMD): O sistema é "levantado" (lifted) para um espaço de características usando o método gEDMD (generator EDMD) para identificar um modelo linear aproximado.
• Limites de Erro Setoriais:
  • O artigo prova teoricamente que o erro de previsão do modelo linear aproximado é setorialmente limitado em relação ao estado levantado.
  • O limite total do erro ($\|r(x)\| \leq c_r \|z\|$) é composto por uma parte determinística (dependente do tamanho do dicionário $N$) e uma parte estocástica (dependente do número de amostras $M$).
  • Isso transforma o problema de observação em um problema de controle robusto com incerteza setorial.

B. Síntese do Observador

O projeto do observador é formulado como um problema de otimização convexa (Programação Semidefinida - SDP) usando LMIs:

1. Sistemas Assintoticamente Estáveis: O objetivo é garantir que o erro de observação decaia exponencialmente com uma taxa $\alpha$ prescrita. Isso é alcançado resolvendo uma LMI que busca uma matriz de ganho de Luenberger ($L$) e matrizes de Lyapunov ($P_z, P_e$).
2. Sistemas Instáveis (ou sem estabilidade assintótica garantida): O objetivo é minimizar o ganho $L_2$ do erro de modelagem (restante não linear) para o erro de observação. Isso é formulado como uma LMI que minimiza $\gamma$, garantindo dissipatividade.

3. Principais Contribuições

• Caracterização Rigorosa do Erro: Diferente de trabalhos anteriores que tratavam o erro de forma conservadora ou apenas estocástica, este trabalho estabelece um limite de erro setorial que combina explicitamente o erro de projeção (determinístico) e o erro de amostragem (estocástico).
• Síntese Robusta via LMI: A transformação do problema de observação não linear em um problema de síntese de observador linear robusto, resolvível via LMIs, permitindo o uso de ferramentas maduras de teoria de sistemas lineares para sistemas não lineares.
• Abordagem "Elementar": O método evita o uso direto de cálculo de operadores em espaços infinitos complexos, oferecendo uma formulação prática baseada em dados que pode ser implementada computacionalmente.
• Generalidade: O método não assume que o dicionário de funções seja fechado (invariante) sob a dinâmica do sistema, o que é uma restrição comum em métodos anteriores de Koopman.

4. Resultados Numéricos

O método foi validado em três exemplos numéricos distintos:

1. Sistema Estável com Levantamento Invariante: Um sistema onde o dicionário escolhido gerou uma representação linear exata. O observador demonstrou convergência rápida e controlada, permitindo ajustar a taxa de decaimento ($\alpha$) conforme desejado.
2. Sistema Estável sem Levantamento Invariante (Reatores CSTR): Um processo químico complexo onde o dicionário não era invariante. O observador robusto conseguiu garantir que o erro de estimação decaísse para níveis negligenciáveis ($<10^{-4}$), mesmo com a presença de erros de modelagem setoriais significativos.
3. Sistema com Ciclo Limite (Oscilador de Van der Pol): Um sistema instável com um ciclo limite. O método de síntese $L_2$ foi utilizado. Os resultados mostraram que, ao aumentar a ordem do dicionário polinomial, o erro de modelagem diminuiu, permitindo que o observador rastreasse o ciclo limite com alta precisão (RMSE reduzido de 0.123 para 0.022).

5. Significado e Impacto

Este trabalho preenche uma lacuna importante na literatura de controle baseado em dados ao fornecer uma estrutura teórica rigorosa para a síntese de observadores no framework do Operador de Koopman.

• Robustez: Ao quantificar explicitamente os erros de aproximação e amostragem, o método oferece garantias de desempenho que faltavam em abordagens puramente heurísticas.
• Aplicabilidade Prática: A formulação via LMIs torna o método acessível e implementável para engenheiros, permitindo o projeto de observadores para sistemas não lineares complexos sem a necessidade de modelos físicos precisos, apenas dados.
• Futuro: O trabalho abre caminho para o desenvolvimento de métodos de observadores ótimos baseados em kernels, eliminando a dependência de dicionários pré-definidos, e aborda o desafio de identificar modelos apenas com dados de entrada/saída.

Em resumo, o artigo propõe uma ponte sólida entre a teoria de operadores (Koopman) e a prática de controle robusto, permitindo a observação de estado confiável para sistemas não lineares complexos em cenários de dados limitados.