⚡ electrical engineering

EDMD-Based Robust Observer Synthesis for Nonlinear Systems

本文提出了一种基于扩展动态模式分解（EDMD）的鲁棒观测器设计方法，通过利用再生核希尔伯特空间理论界定非线性模型误差的扇区边界，并采用线性矩阵不等式（LMI）在科普曼算子框架下实现了针对非线性系统的鲁棒状态观测。

原作者： Xiuzhen Ye, Wentao Tang

发布于 2026-03-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiuzhen Ye, Wentao Tang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决了一个非常实际的问题：如何在一个复杂的、非线性的系统中，通过有限的测量数据，精准地“猜”出系统内部所有隐藏的状态？

为了让你更容易理解，我们可以把这篇论文的核心思想比作**“给复杂的机器装一个智能导航仪”**。

1. 核心难题：复杂的机器与有限的眼睛

想象你有一台非常复杂的机器（比如化工厂的反应釜，或者一个摆动的钟摆），它的内部运作充满了非线性的“魔法”（比如速度越快，阻力不是简单增加，而是突然爆发）。

问题：我们只能看到机器外面的几个仪表盘（输出数据 $y$ ），但看不到机器内部齿轮的转动、温度的分布等所有细节（状态 $x$ ）。
目标：我们需要设计一个“观察者”（Observer），就像导航仪一样，根据看到的仪表盘数据，实时推算出机器内部所有隐藏的状态。

2. 传统方法的困境：试图用直线去画曲线

通常，处理这种复杂机器很难。以前的方法要么太复杂算不动，要么需要知道机器内部所有的物理公式（但这往往很难得到）。
这篇论文提出了一种**“数据驱动”**的新思路：

Koopman 算子（Koopman Operator）：你可以把它想象成一种**“魔法透镜”。虽然机器内部是弯曲、复杂的（非线性），但如果我们透过这个透镜看，把数据映射到一个更高维度的空间（升维），原本弯曲的轨迹就会变成直线**！
EDMD（扩展动态模态分解）：这是用来制造这个“魔法透镜”的工具。它通过收集大量数据，试图找到一个近似的线性模型来代替复杂的非线性机器。

3. 论文的核心突破：承认“误差”，并给误差“画个框”

这是这篇论文最精彩的地方。

现实情况：当我们用有限的“字典”（比如只取前 100 个多项式）去近似那个无限维度的“魔法透镜”时，一定会产生误差。这就好比你试图用乐高积木拼出一座完美的圆顶建筑，虽然很像，但肯定有缝隙。
以前的痛点：以前的方法要么假设误差很小忽略不计，要么假设误差是随机的、不可控的。
这篇论文的妙招：
1. 数学证明：作者利用一种叫“再生核希尔伯特空间”（RKHS）的高级数学工具，证明了这种误差虽然存在，但它不是乱来的。它像一个**“有纪律的捣蛋鬼”**——误差的大小与系统的状态成正比。
2. 扇形约束（Sectorial Bound）：作者给这个误差画了一个**“安全扇区”**。意思是：误差虽然存在，但它被限制在一个特定的锥形区域内，不会突然爆炸。
3. 双重保险：这个“扇区”不仅考虑了模型本身的近似误差（确定性部分），还考虑了数据采样带来的随机误差（随机性部分）。

4. 解决方案：用“线性矩阵不等式”（LMI）设计导航仪

既然知道了误差被限制在“扇区”内，作者就可以用线性系统理论（这是控制领域最成熟的工具）来设计观察者。

比喻：就像你在设计汽车悬挂系统时，知道路面颠簸的最大幅度（误差扇区），你就可以通过调整弹簧和减震器（设计观察者增益矩阵 $L$ ），确保车子无论怎么颠簸，乘客（估计状态）都能平稳地坐在座位上，不会飞出去。
具体操作：作者把这个问题转化成了一个**线性矩阵不等式（LMI）**问题。这就像是一个标准的“填空题”，只要满足特定的数学条件，计算机就能自动算出最佳的“导航仪”参数。
- 如果系统本身是稳定的，我们可以要求误差快速衰减（像刹车一样迅速停下来）。
- 如果系统本身不稳定（比如极限环振荡），我们可以要求误差的能量增益最小化（像隔音墙一样，把外界的干扰挡在外面）。

5. 实验验证：从简单到复杂

作者在三个不同的场景下测试了这个方法：

完美匹配：一个理论上可以完美线性化的系统。结果：导航仪极其精准，误差几乎为零。
近似匹配：一个化学反应系统，字典不够完美。结果：虽然模型有误差，但导航仪依然能把误差控制在极低水平（ $10^{-4}$ ），非常稳健。
极限挑战：一个不稳定的“范德波尔振荡器”（像心跳一样有节奏的摆动）。这是最难的情况。结果：通过增加字典的复杂度（用更多积木拼圆顶），导航仪成功跟踪了复杂的摆动轨迹，误差很小。

总结

这篇论文就像是在说：

“虽然我们无法用有限的积木完美还原一个无限复杂的非线性世界，但我们可以通过数学证明，知道这些积木拼出来的‘误差’是有规矩的。只要承认这个规矩，我们就能用成熟的线性控制理论，设计出一个既鲁棒（抗干扰）又精准的观察者，让它在数据驱动的世界里，像老司机一样稳稳地掌控局面。”

一句话概括：这是一篇将复杂的非线性系统“线性化”处理，并通过严谨的数学方法给“近似误差”划定安全边界，从而设计出高性能状态观测器的论文。

这是一份关于论文《基于 EDMD 的非线性系统鲁棒观测器综合》（EDMD-Based Robust Observer Synthesis for Nonlinear Systems）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：在非线性系统的控制与监测中，通常无法直接获取所有状态变量，必须设计状态观测器（State Observer）从有限的输出数据中推断状态。传统的非线性观测器设计往往依赖精确的模型，而在数据驱动（Data-driven）的语境下，如何利用数据设计观测器是一个关键问题。
Koopman 算子方法的局限：Koopman 算子理论提供了一种将非线性系统转化为无限维线性系统的方法，使得线性控制工具（如 Luenberger 观测器）可以应用于非线性系统。然而，在实际应用中，通常使用扩展动态模态分解（EDMD）或生成器扩展动态模态分解（gEDMD），在有限的字典基函数（Dictionary functions）空间上近似 Koopman 算子。
关键问题：这种有限维近似不可避免地引入了模型失配（Model Mismatch）。现有的文献往往忽略了这种失配，或者仅将其视为随机误差，缺乏对结构性误差（由于有限字典截断引起）和随机性误差（由于有限数据采样引起）的联合鲁棒性分析。如果忽略这些误差，观测器的稳定性无法保证。

2. 方法论 (Methodology)

本文提出了一种基于 gEDMD 的鲁棒观测器综合框架，主要包含以下三个核心步骤：

A. 基于再生核希尔伯特空间（RKHS）的误差界分析

理论框架：作者利用带有**线性 - 径向核（Linear-Radial Kernel）**的再生核希尔伯特空间（RKHS）理论。这种空间能够保留平衡点（原点）的信息，并适应 Koopman 算子的性质。
误差性质证明：
- 确定性误差：证明了在有限字典近似下，Koopman 模型的预测误差（即非线性余项）在 RKHS 中是**扇形有界（Sectorially Bounded）**的。即误差范数与提升后的状态范数成正比： $\|r(x)\| \leq c_r \|z\|$ 。
- 随机性误差：结合有限数据采样带来的统计误差，证明了总误差（确定性 + 随机性）依然保持扇形有界特性。
- 结论：非线性系统可以被提升为一个带有扇形有界不确定性的近似线性系统： $\dot{z} = A z + r(x)$ ，其中 $\|r(x)\| \leq c_r \|z\|$ 。

B. 鲁棒观测器综合（基于 LMI）

基于上述误差模型，观测器设计转化为一个凸优化问题，通过**线性矩阵不等式（LMI）**求解。根据系统的稳定性，分为两种情况：

渐近稳定系统：
- 目标：设计观测器增益 $L$ ，使得观测误差以指定的指数速率 $\alpha$ 衰减。
- 方法：构造 Lyapunov 函数 $V(z, e) = z^T P_z z + e^T P_e e$ ，利用 S-过程（S-procedure）处理扇形不确定性，导出 LMI 条件（公式 14）。
- 结果：若 LMI 可行，则存在增益 $L = P_e^{-1}G$ 保证误差指数收敛。
非渐近稳定系统（如极限环系统）：
- 目标：最小化从模型失配 $r$ 到观测误差 $e$ 的 $L_2$ 增益。
- 方法：寻找存储函数 $V(e) = e^T P_e e$ 满足耗散不等式，导出另一个 LMI 条件（公式 16），通过最小化 $\gamma$ 来优化鲁棒性。

C. 算法流程

收集数据 $\{x_i, \dot{x}_i\}$ 。
选择字典函数 $\phi$ ，利用 gEDMD 计算矩阵 $A$ 。
评估或设定扇形误差界常数 $c_r$ 。
根据系统稳定性选择对应的 LMI 进行求解，得到观测器增益 $L$ 。

3. 主要贡献 (Key Contributions)

严格的误差界理论：首次明确建立了基于 gEDMD 的 Koopman 模型在有限字典和有限数据下的扇形误差界。该界由两部分组成：源于有限字典截断的确定性部分和源于数据采样的随机部分。
鲁棒观测器综合框架：将非线性状态观测问题转化为线性系统理论中的鲁棒控制问题。通过 LMI 形式，统一处理了模型失配，能够根据需求指定收敛速率或最小化 $L_2$ 增益。
去除了“字典闭合”假设：不同于以往某些工作假设字典在 Koopman 算子作用下是闭合的（即无结构性误差），本文明确处理了非闭合字典带来的结构性误差，使得方法更具通用性。
显式的线性系统理论应用：在 Koopman 算子理论框架下，提供了一种“基础且显式”的方法，利用成熟的线性系统工具（LMI）解决非线性观测问题，无需复杂的算子微积分。

4. 数值实验结果 (Results)

论文在三个不同类型的非线性系统上验证了方法的有效性：

具有不变 Koopman 提升的稳定系统：
- 系统： $\dot{x}_1 = -2x_1, \dot{x}_2 = -x_2 + x_1^2$ 。
- 结果：字典恰好能精确表示系统（无结构性误差）。观测器在不同收敛速率（ $\alpha=0.1$ 和 $\alpha=0.99$ ）下均能实现指数收敛，验证了 LMI 设计的可行性。
无不变 Koopman 提升的稳定系统（串联 CSTR 反应器）：
- 系统：两个串联的连续搅拌釜反应器，字典无法完全覆盖非线性动力学。
- 结果：尽管存在结构性误差，通过设定扇形误差界 $c_r \approx 0.67$ ，设计的观测器仍能将估计误差衰减至 $10^{-4}$ 以下，证明了方法对模型失配的鲁棒性。
极限环系统（Van der Pol 振荡器）：
- 系统：原点不稳定，存在极限环。
- 结果：采用 $L_2$ $L_{2}$ 增益最小化策略。
  - 当字典最高次数 $d_{max}=4$ 时，误差较大（RMSE=0.123），极限环形状失真。
  - 当 $d_{max}=8$ 时，误差显著降低（RMSE=0.022），观测器能准确跟踪真实轨迹。
- 这表明增加字典丰富度可以减小扇形误差界 $c_r$ ，从而提升观测性能。

5. 意义与展望 (Significance)

理论意义：填补了数据驱动 Koopman 观测器设计中关于“模型失配鲁棒性”的理论空白。它证明了即使使用有限维近似，只要误差是扇形有界的，就可以利用线性鲁棒控制理论设计稳定的观测器。
工程价值：提供了一种系统化的、基于凸优化（LMI）的设计流程，工程师可以根据数据质量和字典选择，量化误差界并设计满足特定性能指标（如收敛速度或抗干扰能力）的观测器。
未来方向：
- 探索在无限维 RKHS 上无误差的观测器设计（基于核方法）。
- 解决仅凭输入输出数据（无状态数据）识别 Koopman 模型和训练观测器的难题。

总结：该论文成功地将非线性观测问题转化为带有扇形不确定性的线性鲁棒观测问题，通过严格的数学推导和数值验证，证明了基于 gEDMD 的鲁棒观测器在各类非线性系统中的有效性和灵活性。