Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis

1. Formulação do Problema

O artigo aborda o controle de sistemas de engenharia complexos (por exemplo, escoamentos de fluidos, processos de combustão, estruturas flexíveis) onde:

• Modelos matemáticos estão indisponíveis ou são inadequados: Modelos físicos de alta fidelidade são frequentemente computacionalmente intensivos para controle em tempo real, e modelos baseados em primeiros princípios podem não existir.
• Sensoriamento de alta dimensão: Os sistemas frequentemente possuem sensores distribuídos gerando dados de alta dimensão, enquanto os objetivos de controle são definidos em variáveis físicas de baixa dimensão.
• Limitações dos métodos existentes:
  • O controle adaptativo clássico (por exemplo, MRAC) frequentemente assume uma estrutura de modelo paramétrico conhecida.
  • Métodos livres de modelo baseados em otimização (por exemplo, RCAC, RL) podem ser computacionalmente onerosos, sensíveis ao ajuste de parâmetros ou carecerem de garantias de estabilidade em configurações de tempo contínuo.
  • Muitos métodos baseados em dados (por exemplo, DMD padrão) são offline e não se integram diretamente à síntese de controladores em tempo real.

Objetivo: Desenvolver um framework unificado e livre de modelo que realize identificação de sistema online e síntese de controlador em tempo real diretamente a partir de dados de medição em fluxo, preservando a interpretabilidade física sem depender de dados em lote ou otimização complexa.

2. Metodologia: Controle Adaptativo de Modo Dinâmico (DMAC)

O framework DMAC proposto opera em um loop recursivo a cada passo de tempo $k$, combinando dois módulos principais:

A. Aproximação de Dinâmica (Identificação Online)

Em vez de usar parâmetros vetorizados ou modelos entrada-saída, o DMAC estima uma representação linear local de espaço de estados diretamente no espaço de medição.

• Forma do Modelo: Assume uma aproximação linear local: $\xi_{k+1} = A_k \xi_k + B_k u_k$, onde $\xi_k$ é o estado medido e $u_k$ é a entrada de controle.
• Algoritmo: Emprega um algoritmo de Mínimos Quadrados Recursivos (RLS) Matricial com um fator de esquecimento ($\lambda$).
  • Diferentemente do RLS padrão que vetoriza parâmetros, o DMAC atualiza a matriz $\Theta_k = [A_k \quad B_k]$ diretamente.
  • Função de Custo: Minimiza um custo de mínimos quadrados regularizado e ponderado exponencialmente:
    $$J_k(\Theta) = \sum_{i=0}^k \lambda^{k-i} \|\xi_i - \Theta \phi_{i-1}\|_2^2 + \lambda^k \text{tr}(\Theta^T R_\Theta \Theta)$$
  • Benefícios: Esta abordagem que preserva a estrutura evita a explosão dimensional associada à vetorização e produz matrizes de espaço de estados ($A, B$) diretamente, mantendo a interpretabilidade física.

B. Síntese do Controlador

Uma vez estimadas as dinâmicas locais ($A_k, B_k$), um controlador é sintetizado imediatamente.

• Lei de Controle: Um controlador de realimentação de estado completo com ação integral é utilizado para rastreamento de referência:
  $$u_k = K_{\xi, k} \xi_k + K_{q, k} q_k + v_k$$
  • $K_{\xi, k}$ e $K_{q, k}$ são ganhos variantes no tempo computados via projeto de Regulador Linear Quadrático (LQR) baseado nas estimativas atuais $(A_k, B_k)$.
  • $q_k$ é um estado integrador para acumulação de erro.
  • $v_k$ é um sinal de excitação (ruído i.i.d. de média zero) adicionado para garantir persistência de excitação (PE) no regressor, o que é crítico para a convergência do estimador RLS.

3. Contribuições Principais

1. Arquitetura Unificada: Introduz o DMAC, um framework que integra perfeitamente a aproximação de modo dinâmico (modelagem baseada em dados) com a síntese de controle adaptativo, permitindo o projeto de controladores em tempo real a partir de dados em fluxo.
2. RLS de Valor Matricial: Propõe um algoritmo de identificação recursiva que estima modelos de espaço de estados de baixa ordem diretamente no espaço de medição usando uma formulação de RLS de valor matricial. Isso evita vetorização, elevação e reconstrução entrada-saída, reduzindo a complexidade computacional e preservando a estrutura física.
3. Garantias Teóricas:
   • Prova a convergência do algoritmo de identificação recursiva (o erro de estimativa converge para zero ou é limitado).
   • Estabelece a Limitação Uniforme Assintótica (UUB) do estado do sistema em malha fechada, provando que o sistema permanece estável apesar do sinal de excitação necessário para a identificação.
4. Robustez: Demonstra que o método funciona para sistemas lineares, não lineares e de parâmetros distribuídos sem exigir conhecimento a priori do modelo do sistema.

4. Resultados e Exemplos Numéricos

Os autores validaram o DMAC em três sistemas de complexidade crescente:

• Sistema Linear Instável:
  • Resultado: Estabilizou com sucesso um sistema instável em malha aberta.
  • Observação: O estado convergiu para uma vizinhança limitada da origem. O tamanho dessa vizinhança foi proporcional à magnitude do sinal de excitação ($v_k$), confirmando os limites teóricos. As estimativas de parâmetros convergiram para os valores verdadeiros.
• Oscilador de Van der Pol (Não Linear):
  • Resultado: Alcançou rastreamento de referência para um sistema oscilatório não linear.
  • Sensibilidade: O controlador manteve desempenho de rastreamento estável através de amplas variações em hiperparâmetros ($\lambda$, regularização, pesos do LQR) e parâmetros do sistema (amortecimento não linear $\mu$).
• Equação de Burgers (PDE de Parâmetros Distribuídos):
  • Resultado: Controlou um sistema de dinâmica de fluidos 1D governado por uma PDE não linear usando apenas medições esparsas de sensores (7 nós de 100).
  • Significado: Demonstrou a capacidade de lidar com sistemas de alta dimensão e distribuídos, identificando um modelo linear local de baixa ordem diretamente a partir de medições esparsas.
  • Robustez: Mostrou robustez a variações no coeficiente de viscosidade ($\nu$).

5. Significado e Impacto

• Ponte entre Lacunas: O DMAC preenche a lacuna entre modelagem baseada em dados (DMD) e controle adaptativo, avançando da análise offline para a síntese de controle online e em tempo real.
• Interpretabilidade Física: Ao identificar matrizes de espaço de estados diretamente em vez de mapas abstratos entrada-saída, o controlador resultante retém um significado físico claro, o que é crucial para aplicações de engenharia.
• Eficiência Computacional: A abordagem de RLS de valor matricial é computacionalmente eficiente, tornando-a adequada para sistemas com sensoriamento de alta dimensão, mas objetivos de controle de baixa dimensão.
• Rigor Teórico: Diferentemente de muitos métodos de controle baseados em aprendizado que dependem de heurísticas, o DMAC fornece provas rigorosas baseadas em Lyapunov para estabilidade e limitação.
• Direções Futuras: Os autores identificam trabalhos futuros na redução da dependência de excitação persistente (para minimizar a degradação de desempenho devido ao ruído) e na imposição de restrições estruturais (por exemplo, estabilizabilidade) durante a fase de identificação.

Em resumo, este artigo apresenta um método robusto, fundamentado teoricamente e computacionalmente eficiente para controlar sistemas dinâmicos complexos e desconhecidos usando apenas dados medidos, oferecendo uma alternativa viável ao controle baseado em modelos tradicional e a métodos de aprendizado baseados em otimização pesada.