⚡ electrical engineering

Stability Analysis and Data-Driven State Estimation for Generalized Persidskii Systems with Time Delays: Theory and Experimental Validation on PMSM Drives

Este artigo apresenta um framework baseado em dados para análise de estabilidade e estimação de estado de sistemas generalizados de Persidskii com atrasos temporais, utilizando o levantamento de Koopman para identificação de modelo e um controlador ICODE-MPPI, que é validado experimentalmente em um acionamento de PMSM para demonstrar melhorias significativas na precisão da estimação e no desempenho de rastreamento de velocidade em relação aos métodos convencionais.

Autores originais: Syed Pouladi

Publicado 2026-05-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Syed Pouladi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando dirigir um carro elétrico de alto desempenho (especificamente, um Motor Síncrono de Ímã Permanente, ou PMSM) através de uma passagem de montanha nevoenta. Você tem um mapa, mas o mapa está ligeiramente desatualizado, e há um atraso entre o momento em que você vê uma curva e o momento em que seu carro realmente vira. Se você confiar em um GPS padrão (como um controlador tradicional), você pode ultrapassar a curva ou ficar preso no nevoeiro porque o sistema fica confuso com o atraso e os solavancos inesperados na estrada.

Este artigo apresenta uma maneira nova e mais inteligente de dirigir esse carro. Ele combina três ideias principais: um tipo especial de "livro de regras" matemático para lidar com as peculiaridades do carro, um "copiloto" superpreciso para adivinhar onde o carro está e um sistema de aprendizado que constrói um mapa melhor enquanto dirige.

Aqui está a análise detalhada de sua solução usando analogias do dia a dia:

1. O "Livro de Regras" para as Peculiaridades do Carro (Sistemas Persidskii Generalizados)

A maioria dos carros (e motores) não é perfeitamente linear. Se você pressionar o pedal do acelerador um pouco, você vai um pouco mais rápido. Mas se você pressioná-lo com muita força, o motor atinge um limite (saturação), ou se você soltar, há uma zona morta onde nada acontece. Esses são comportamentos "não lineares".

Os autores usam uma estrutura matemática específica chamada Sistemas Persidskii Generalizados. Pense nisso como um livro de regras que diz: "Sabemos que o carro se comporta de forma linear na maior parte do tempo, mas quando atinge um limite (como um limite de velocidade ou uma zona morta), sabemos exatamente o quanto pode desviar."

Ao usar este livro de regras, eles podem provar matematicamente que o carro permanecerá estável, mesmo que a estrada seja irregular (perturbações) ou se houver um atraso na direção (atrasos de tempo).

2. O Problema do "Atraso de Tempo" (Atrasos de Tempo)

Em sistemas digitais, sempre há um pequeno atraso. Você pressiona o botão e, um milissegundo depois, o motor reage. Em um sistema de movimento rápido, esse milissegundo parece uma eternidade.

Os autores desenvolveram um novo teste de estabilidade (usando algo chamado funcional de Lyapunov–Krasovskii). Imagine isso como um cálculo de "margem de segurança". Em vez de apenas verificar se o carro está estável agora, eles calculam uma margem de segurança que leva em conta o tempo que o sinal leva para viajar. Eles provaram que, desde que o atraso permaneça abaixo de um certo limite (cerca de 18 milissegundos em seu experimento), o carro nunca perderá o controle.

3. O "Super-Copiloto" (Observador Robusto)

Às vezes, você não pode ver tudo. Você pode conhecer a velocidade, mas não pode medir diretamente as correntes elétricas internas sem sensores caros. Você tem que adivinhar (estimar) elas.

Adivinhadores padrão (como o Filtro de Kalman Estendido) muitas vezes ficam confusos quando o carro atinge um solavanco súbito ou uma curva fechada, fazendo com que a estimativa se desvie. Os autores construíram um observador estruturado que imita o próprio "livro de regras" do carro. Como o copiloto entende os mesmos limites e regras do carro, ele não fica confuso com os solavancos.

O Resultado: Em seus testes, este novo copiloto estimou a velocidade 35% com mais precisão do que o método padrão, recuperando-se de mudanças súbitas de carga muito mais rapidamente.

4. O "Mapa de Aprendizado" (Identificação de Koopman)

Geralmente, para dirigir um carro bem, você precisa conhecer a física exata do motor. Mas e se você não conhecer o motor perfeitamente?

Os autores usaram uma técnica chamada levantamento de Koopman. Imagine que você está tentando aprender um novo videogame. Em vez de memorizar cada pixel individual, você aprende alguns padrões de "power-up" que preveem o futuro. Eles pegaram dados do motor e usaram este método para construir um mapa simplificado e linear do motor complexo e não linear.

Crucialmente, eles forçaram este processo de aprendizado a obedecer ao "livro de regras de segurança" (as restrições de Persidskii). Isso garante que, embora o mapa seja aprendido a partir de dados, ele não pode prever um cenário em que o carro se torne instável. É como um aluno que só é permitido aprender fatos que foram provados como seguros.

5. O "Motorista Inteligente" (Controlador ICODE-MPPI)

Finalmente, eles reuniram tudo em um controlador chamado ICODE-MPPI.

Como funciona: Antes de fazer uma jogada, este controlador executa milhares de simulações de "e se" em sua cabeça (como um jogador de xadrez pensando 20 jogadas à frente).
A Vantagem: Como o mapa que ele usa é garantido como estável (graças às etapas anteriores), o controlador pode correr riscos e reagir rapidamente sem medo de bater.
O Resultado: Quando testado contra métodos de direção padrão, este novo sistema rastreou a velocidade desejada 67% melhor, lidando com atrasos e solavancos com uma precisão muito mais suave.

A Conclusão

Os autores construíram um pacote completo:

Uma prova matemática que diz "Este sistema é seguro, mesmo com atrasos."
Um algoritmo de aprendizado que constrói um modelo do motor enquanto garante que ele permaneça seguro.
Um controlador inteligente que usa esse modelo para dirigir perfeitamente um motor elétrico de 1,5 kW.

Eles testaram isso em um motor real em um laboratório. Os resultados mostraram que seu método foi significativamente melhor em estimar a velocidade do motor e seguir um alvo de velocidade do que os métodos atualmente usados na indústria. Eles até provaram que o sistema poderia lidar com até 18 milissegundos de atraso antes de se tornar teoricamente instável, o que combinou quase perfeitamente com seus experimentos do mundo real.

1. Formulação do Problema

O artigo aborda o desafio de analisar a estabilidade e estimar estados para sistemas generalizados de Persidskii (uma classe de sistemas que acopla dinâmicas lineares com realimentação não linear limitada por setor) sujeitos a atrasos variantes no tempo e perturbações externas.

Os principais desafios identificados incluem:

Sensibilidade ao Atraso: Critérios de estabilidade existentes para sistemas de Persidskii frequentemente assumem canais sem atraso, o que é irrealista para acionamentos controlados digitalmente e sistemas em rede, onde atrasos de amostragem e transmissão (milissegundos) são comuns.
Incerteza do Modelo: Em muitas aplicações práticas (por exemplo, monitoramento de condições), as matrizes do sistema são desconhecidas. Métodos padrão de identificação orientada a dados (como a Decomposição de Modo Dinâmico Estendida - EDMD) não garantem que o modelo identificado herde propriedades de estabilidade.
Controle Robusto: Controlar tais sistemas sob incerteza e atraso exige um arcabouço que garanta Estabilidade Entrada-Estado (ISS) para evitar explosão numérica ou instabilidade durante perturbações transitórias.

2. Metodologia

Os autores propõem um arcabouço unificado integrando análise teórica de estabilidade, projeto estruturado de observadores, identificação orientada a dados que preserva a estabilidade e controle avançado.

A. Análise Teórica de Estabilidade

Funcional de Lyapunov–Krasovskii (LKF): Um LKF composto é construído, combinando:
1. Um termo integral clássico de Persidskii para energia não linear.
2. Um buffer quadrático de atraso padrão.
3. Um termo de dupla integral baseado em Wirtinger para fornecer limites mais apertados sobre termos cruzados decorrentes da desigualdade de Jensen.
Critério LMI: Os autores derivam uma condição ISS dependente de atraso formulada como Desigualdades Matriciais Lineares (LMIs). Este critério garante ISS com um ganho $L_2$ específico ( $\gamma$ ) das perturbações para o estado, contabilizando explicitamente o atraso admissível máximo ( $\tau_{max}$ ).

B. Observador Robusto Estruturado

Um observador estruturado de Persidskii é projetado para espelhar a arquitetura da planta.
Ao preservar a estrutura limitada por setor na dinâmica do erro, os autores provam que o erro do observador converge globalmente.
O ganho do observador é otimizado para minimizar a norma $H_\infty$ da função de transferência perturbação-erro, garantindo robustez contra ruído de medição e perturbações externas.

C. Identificação Orientada a Dados que Preserva a Estabilidade

Arcabouço do Operador de Koopman: O sistema é elevado a um espaço observável de dimensão superior para criar uma representação semelhante à linear.
Regressão Constrained: Diferentemente da EDMD padrão, o processo de identificação (resolvendo para as matrizes de Koopman $A_K, B_K, C_K$ ) é formulado como um problema de otimização com restrições.
Restrição: A ISS-LMI derivada na seção teórica é incorporada como uma condição convexa lateral durante a regressão de parâmetros. Isso garante que o modelo identificado seja matematicamente garantido como ISS, herdando os certificados de robustez do modelo analítico.

D. Arquitetura de Controle (ICODE-MPPI)

O modelo identificado Persidskii-Koopman serve como núcleo de previsão para um controlador ICODE-MPPI (Estimação Dinâmica Orientada a Controle Dependente de Entrada – Integral de Caminho Preditivo por Modelo).
O controlador utiliza simulações estocásticas (rollouts) para otimizar as entradas de controle. A garantia estrutural de ISS do modelo assegura que os custos de simulação permaneçam limitados mesmo quando o sistema excita não linearidades, prevenindo a instabilidade numérica frequentemente observada com preditores de rede neural de caixa preta.

3. Principais Contribuições

Critério LMI Refinado: Um novo critério ISS dependente de atraso para sistemas generalizados de Persidskii usando um LKF unificado com integrais duplas baseadas em Wirtinger, produzindo limites mais apertados sobre o atraso admissível máximo.
Projeto de Observador Estruturado: Um observador $H_\infty$ com condições de ganho explícitas que garante convergência para sistemas com medições parciais de estado.
Identificação que Preserva a Estabilidade: Um protocolo de identificação de Koopman inovador que impõe a ISS-LMI de Persidskii como restrição, garantindo que o modelo identificado seja estável.
Validação Experimental: Testes abrangentes em um acionamento de Motor Síncrono de Ímã Permanente (PMSM) de 1,5 kW, validando tanto os limites teóricos quanto o desempenho de controle.

4. Resultados Experimentais

O arcabouço foi validado em um banco de testes de PMSM de 1,5 kW com um freio de carga programável e um atraso de grupo medido de $\tau = 5$ ms.

Desempenho de Estimação de Estado:
- O observador de Persidskii alcançou uma redução de 35,3% no Erro Quadrático Médio (RMSE) de estimação de velocidade em comparação com um Filtro de Kalman Estendido (EKF) padrão (1,12 rad/s vs. 1,73 rad/s).
- Demonstrou recuperação transitória mais rápida (350 ms vs. 590 ms) após uma perturbação de carga em degrau.
Desempenho de Rastreamento:
- O controlador ICODE-MPPI mostrou uma melhoria de 67,1% na precisão de rastreamento de velocidade em comparação com o Controle Orientado a Campo (FOC) padrão.
- Superou um MPPI de "caixa preta" (usando redes neurais sem restrições) ao manter a estabilidade e minimizar o atraso de fase sob perturbações periódicas.
Robustez ao Atraso:
- O sistema permaneceu estável até um atraso artificialmente injetado de 18 ms.
- Isso coincidiu estreitamente com o limite previsto pela LMI teórica de 18,2 ms.
- Em contraste, o MPPI de caixa preta perdeu a estabilidade em aproximadamente 14 ms, destacando a necessidade da restrição que preserva a estabilidade.

5. Significado

Este artigo preenche a lacuna entre a teoria rigorosa de estabilidade não linear e o controle moderno orientado a dados. Seu significado reside em:

Ponte entre Teoria e Prática: Avança além de suposições teóricas sem atraso para fornecer um arcabouço que funciona com atrasos temporais do mundo real e incertezas de modelo.
Segurança no Controle Orientado a Dados: Ao incorporar restrições de estabilidade diretamente no processo de identificação, resolve o problema da "caixa preta" onde modelos orientados a dados podem ser precisos, mas instáveis sob condições extremas.
Ganhos de Desempenho: Os resultados experimentais em um acionamento de PMSM demonstram melhorias tangíveis na precisão de estimação e no desempenho de rastreamento sobre métodos padrão da indústria (FOC e EKF), provando a viabilidade da abordagem para sistemas eletromecânicos de alto desempenho.
Escalabilidade: O uso de matrizes de Lyapunov diagonais e observadores estruturados sugere que o método é computacionalmente tratável para sistemas de dimensão moderada, tornando-o adequado para implementação embarcada.