Neural Luenberger state observer for nonautonomous nonlinear systems

Título: Observador de Estado Neural Luenberger para Sistemas Não Autônomos Não Lineares

Autores: Moritz Woelk, Jarod Morris e Wentao Tang (North Carolina State University).

---

1. Problema e Motivação

O controle e a análise de processos químicos não lineares dependem fundamentalmente de representações em espaço de estados. No entanto, na prática, a medição completa de todas as variáveis de estado é frequentemente inviável devido a restrições físicas (ex.: concentrações não mensuráveis) e custos financeiros (sensores).

Os observadores de estado tradicionais, como o Filtro de Kalman Estendido (EKF) e observadores de alto ganho, possuem limitações significativas:

• Dependência de Modelo: Requerem um modelo matemático preciso do sistema (dinâmica não linear exata).
• Linearização Local: O EKF baseia-se em linearizações locais, o que limita sua convergência a uma pequena vizinhança do estado real e pode falhar em regimes de operação não lineares fortes.
• Sensibilidade: Observadores de alto ganho sofrem com fenômenos de "picos" transitórios e alta sensibilidade ao ruído.

O objetivo deste trabalho é desenvolver um observador de estado totalmente livre de modelo (model-free) para sistemas não lineares não autônomos (com entradas manipuladas), capaz de estimar estados diretamente a partir de dados históricos ou simulados, sem a necessidade de derivar equações diferenciais explícitas.

2. Metodologia

A proposta central é a criação do Observador Neural Luenberger para Sistemas com Entradas Externas (NLOX), que estende a estrutura do observador de Kazantzis-Kravaris/Luenberger (KKL) para sistemas não autônomos utilizando redes neurais.

Fundamentação Teórica (KKL Estendido)

O método baseia-se na transformação de um sistema não linear não autônomo:
$$\dot{x} = f(x) + g(x)u, \quad y = h(x)$$
em um sistema de observador com dinâmica linear invariante no tempo (LTI) acoplada a termos afins na entrada. A estrutura do observador proposto é:
$$\dot{z} = Az + By + \omega(z)u$$
$$\hat{x} = T^\dagger(z)$$
Onde:

• $z$ são os estados do observador (em um espaço de dimensão elevada).
• $A$ e $B$ são matrizes de ganho fixas (Hurwitz e controláveis).
• $\omega(z)u$ é um termo de correção afim à entrada que lida com as entradas manipuladas ($u$).
• $T^\dagger$ é a aplicação inversa (pseudo-inversa) que mapeia os estados do observador de volta aos estados do sistema original.

Abordagem Baseada em Dados (Redes Neurais)

Diferente dos métodos tradicionais que exigem a solução analítica de Equações Diferenciais Parciais (EDPs) para encontrar a transformação $T$ e o termo $\omega$, o NLOX utiliza Redes Neurais de Perceptron Multicamadas (MLP) totalmente conectadas para aprender essas funções:

1. Aprendizado do Termo Afim ($\omega$): Uma rede neural aprende a função $\omega(z)$ que compensa o efeito das entradas externas na dinâmica do observador.
2. Aprendizado do Mapeamento Inverso ($T^\dagger$): Uma segunda rede neural aprende a função não linear $T^\dagger(z)$ para reconstruir o estado estimado $\hat{x}$ a partir de $z$.

Treinamento:

• O treinamento é realizado offline utilizando um conjunto de dados históricos ou simulados contendo trajetórias de entradas ($u$), saídas ($y$) e estados reais ($x$).
• A função de perda minimiza o erro quadrático entre o estado real e a saída da rede $T^\dagger$.
• O algoritmo utiliza retropropagação (backpropagation) e otimizadores como RMSprop para ajustar os pesos e vieses das duas redes simultaneamente.

Garantias Teóricas

O artigo estabelece limites teóricos de generalização:

• Assume-se que o sistema é Incrementalmente Estável em Relação à Entrada (δISS), garantindo que pequenas perturbações na entrada não causem grandes desvios nas trajetórias.
• É provado que, sob condições de Lipschitz e com dados suficientes, o erro de generalização do observador treinado possui um limite superior probabilístico que escala com $O(1/\sqrt{MN})$, onde $M$ é o número de trajetórias e $N$ o comprimento temporal.
• O erro de discretização (devido ao método de Euler para simulação) é quantificado e mostrado como sendo arbitrariamente pequeno com passos de tempo adequados.

3. Resultados e Estudos de Caso

A eficácia do NLOX foi validada em dois processos químicos complexos, comparando-o com o EKF, Observadores de Modo Deslizante (SMO) e, quando possível, soluções analíticas.

Caso 1: Reator Biológico (Bioreator)

• Sistema: Reator de volume constante com crescimento microbiano (modelo Contois).
• Desafio: Não linearidade forte e acoplamento entre biomassa e substrato.
• Resultados:
  • O NLOX alcançou desempenho comparável à solução analítica baseada em modelo (KKL clássico) e superou o EKF e o SMO em termos de erro quadrático médio (RMSE) em cenários sem ruído.
  • Em cenários com ruído (perturbações estocásticas), o NLOX manteve robustez, apresentando menor erro para a variável de biomassa ($x_1$) em comparação com os benchmarks.

Caso 2: Reator Williams-Otto

• Sistema: Reator de tanque agitado contínuo (CSTR) não isotérmico com 6 componentes e 3 reações químicas acopladas. É um sistema de alta dimensão ($n_x = 6$).
• Desafio: Complexidade dinâmica elevada e não linearidades térmicas e cinéticas.
• Inovação na Arquitetura: Para lidar com a alta dimensão, o mapeamento inverso $T^\dagger$ foi decomposto em 6 redes neurais separadas (uma para cada estado), evitando problemas de convergência comuns em redes únicas com funções de perda compostas.
• Resultados:
  • O NLOX superou significativamente o EKF (redução de erro de ~3.96x) e o SMO (redução de ~1.37x a 1.96x, dependendo da métrica).
  • O NLOX demonstrou convergência mais rápida e menor erro durante a fase inicial de transição, onde o EKF falha devido à dependência de linearização local.
  • O método manteve alta precisão mesmo na presença de ruído nas entradas.

4. Contribuições Principais

1. Síntese Livre de Modelo para Sistemas Não Autônomos: Preenche uma lacuna na literatura ao fornecer um método de observador que lida explicitamente com entradas manipuladas sem exigir um modelo dinâmico explícito.
2. Arquitetura Neural Híbrida: Combina a estrutura teórica robusta do KKL (garantia de estabilidade via matriz Hurwitz) com a capacidade de aproximação universal das redes neurais para aprender transformações não lineares complexas e termos de correção de entrada.
3. Validação em Alta Dimensão: Demonstra a aplicabilidade do método em sistemas de dimensão superior (6 estados), superando a limitação comum de observadores baseados em dados que são testados apenas em sistemas de baixa dimensão ($n_x \le 3$).
4. Garantias de Generalização: Fornece uma análise teórica rigorosa, incluindo limites de erro probabilísticos e análise de estabilidade incremental, validando a consistência estatística do método.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na área de observação de estados para processos químicos e sistemas dinâmicos complexos. Ao eliminar a necessidade de modelagem de primeira princípios (que é difícil e cara para sistemas complexos), o NLOX oferece uma ferramenta prática para controle e monitoramento em tempo real baseada puramente em dados.

A capacidade de lidar com sistemas não autônomos e de alta dimensão torna o método particularmente relevante para a indústria de processos, onde sensores são limitados e as dinâmicas são intrinsecamente não lineares. O trabalho sugere que, no futuro, a extensão para aprendizado não supervisionado (sem necessidade de dados de estado real para treinamento) poderia tornar a técnica ainda mais aplicável em cenários industriais reais.