Existence and Design of Functional Observers for Time-Delay Systems with Delayed Output Measurements

本文针对状态延迟与输出测量延迟不一致的线性时滞系统，提出了三种不同阶数的函数观测器结构，建立了代数存在条件与构造性综合方法，并引入广义函数概念以增强设计灵活性，从而实现了对特定状态函数的有效估计。

要点

这是一篇关于**“如何给带延迟的系统装上一个聪明的‘预测眼镜’"**的学术论文。

为了让你轻松理解，我们把这篇论文里复杂的数学概念，想象成在一个充满迷雾和回声的房间里找人的故事。

1. 故事背景：迷雾中的房间（时间延迟系统）

想象你身处一个巨大的、充满回声的房间（这就是时间延迟系统）。

• 状态（State）：房间里有一个正在移动的物体（比如一个机器人），它的动作不仅取决于现在的指令，还取决于它几秒钟前做了什么（这就是状态延迟 $\tau$）。
• 观察（Measurement）：你手里拿着一个摄像头，试图看清这个机器人的位置。但是，摄像头传输画面有延迟，你看到的画面是几秒前的（这就是测量延迟 $h$）。

核心问题：
在以前的研究中，大家通常假设摄像头的延迟和机器人的动作延迟是一样的（或者没有延迟）。但在现实生活中，这两个延迟往往不一样（比如机器人反应慢，但网络传输更慢）。
这就导致了一个难题：你看到的画面（$t-h$时刻）和机器人现在的真实动作（$t$时刻）对不上号。如果你直接根据旧画面去控制机器人，可能会撞墙。

2. 我们的目标：只关心“关键功能”（Functional Observer）

通常，为了控制机器人，我们需要知道它所有的细节（位置、速度、角度等），这就像要把整个房间画成一张巨大的地图，非常耗时且复杂。

但这篇论文提出了一种更聪明的方法：功能观测器（Functional Observer）。

• 比喻：你不需要知道机器人全身的每一块肌肉怎么动，你只需要知道它**“下一步会不会撞墙”或者“它现在的速度是否安全”**。
• 我们只关心一个特定的**“功能”（比如 $z(t) = Fx(t)$），而不是重建整个机器人的状态。这就好比戴上一副特制的眼镜**，它只过滤出你需要的信息，直接告诉你结果，省去了画整张地图的麻烦。

3. 三大法宝：三种不同款式的“预测眼镜”

因为延迟的情况很复杂（有时候测量延迟短，有时候长），作者设计了三种不同结构的“眼镜”（三种观测器结构），以适应不同的场景：

• 结构 A（基础款）：

  • 特点：这副眼镜内部没有“回声室”。它直接利用过去的画面来推测现在。
  • 适用：当测量延迟和状态延迟刚好匹配，或者情况比较简单时。
  • 局限：如果延迟太乱，这副眼镜可能根本戴不上（数学上叫“不存在”）。

• 结构 B（进阶款 - 带内部回声）：

  • 特点：这副眼镜内部自带了一个“小回声室”。它不仅能看过去的画面，还能在内部模拟“如果当时发生了延迟会怎样”的推演。
  • 适用：当结构 A 失效，但延迟还在可控范围内时。它通过内部模拟来抵消外部延迟的干扰。

• 结构 C（豪华款 - 全功能增强）：

  • 特点：这是最强大的眼镜。它不仅内部有回声室，还能同时处理多个不同时间点的画面（比如同时看 $t-\tau$ 和 $t-h$ 的画面）。
  • 适用：当延迟非常复杂、混乱，前两种眼镜都失效时。它通过“广撒网”收集更多历史信息，拼凑出最准确的预测。

4. 核心魔法：当眼镜戴不上时，我们“升级”它（广义功能与增广）

论文中最精彩的部分在于：如果按照常规方法，发现根本造不出这种眼镜（数学条件不满足），怎么办？

作者提出了一种**“增广（Augmentation）”**的魔法：

• 比喻：如果你只想找“红色的球”，但眼镜造不出来。那就把目标改成找“红色的球”加上“蓝色的球”（哪怕你本来不需要蓝色的）。
• 原理：通过人为地扩大我们要预测的目标范围（从只预测 $x(t)$ 变成预测 $x(t)$ 和 $x(t-\tau)$ 的组合），反而能更容易地造出眼镜。一旦造出来了，我们只需要从中提取出我们真正需要的“红色球”信息即可。
• 这就好比为了看清路，我们不仅看前方，还顺便看了后视镜，虽然看的东西多了，但反而更容易算出前方的路况。

5. 总结：这篇论文解决了什么？

简单来说，这篇论文做了一件非常实用的事：

1. 区分了两种延迟：它明确指出“系统动作的延迟”和“摄像头画面的延迟”是两码事，不能混为一谈。
2. 提供了三种方案：针对不同复杂程度的延迟，提供了三种不同复杂度的“预测眼镜”设计方案。
3. 给出了“造眼镜”的说明书：不仅告诉你什么情况下能造出来（存在性条件），还手把手教你怎么算出眼镜的参数（构造性设计方法）。
4. 引入了“升级策略”：如果简单的方案行不通，就通过扩大预测范围（广义功能）来强行造出眼镜，确保在复杂的网络控制系统（如无人机群、远程手术机器人）中，即使信号传输慢半拍，也能精准控制。

一句话总结：
这篇论文教我们如何在信号传输慢、系统反应也慢的混乱环境中，设计出一套只关注关键信息的预测系统，确保即使看着“旧地图”，也能精准地指挥“新行动”。

技术摘要

这是一份关于论文《具有延迟输出测量的时滞系统函数观测器的存在性与设计》（Existence and Design of Functional Observers for Time-Delay Systems with Delayed Output Measurements）的详细技术总结。

1. 研究背景与问题定义 (Problem Statement)

核心问题：
本文研究的是线性时滞系统的函数状态估计问题。与传统假设输出测量是瞬时可用的不同，实际系统（如网络控制系统）中，状态演化的延迟（$\tau$）与输出测量的延迟（$h$）往往是不一致的（即 $\tau \neq h$）。

系统模型：

• 状态方程： $\dot{x}(t) = Ax(t) + A_\tau x(t-\tau) + Bu(t)$，其中 $\tau$ 为状态延迟。
• 输出方程： $y(t) = C_\tau x(t-\tau) + C_h x(t-h)$，其中 $h$ 为测量延迟。
• 目标： 估计特定的线性函数 $z(t) = Fx(t)$，而不是重构整个状态向量 $x(t)$。

挑战：

1. 延迟不匹配： 现有的函数观测器设计通常假设输出无延迟或延迟与状态延迟对齐，而本文处理的是 $\tau$ 和 $h$ 不匹配的情况。
2. 观测器阶数限制： 传统的低阶函数观测器（阶数等于待估计函数的个数）在存在延迟或特定系统结构下可能不存在。
3. 无限维特性： 时滞系统本质上是无限维的，传统的有限维代数方法不足以直接应用，需要引入增广状态空间。

2. 方法论 (Methodology)

作者提出了一套统一的框架，通过区分两种延迟情况（$h=\tau$ 和 $h>\tau$），并引入广义函数和增广状态空间的概念来解决上述问题。

2.1 三种观测器结构

为了适应不同的延迟配置和系统可观测性条件，论文提出了三种不同复杂度的函数观测器结构：

1. 结构 A (Structure-A)：

   • 特点： 内部动态无延迟，仅由延迟的输出测量和输入信号驱动。
   • 适用： 当 $h=\tau$ 且满足特定秩条件时，可设计最低阶（$r = \text{rank}(F)$）观测器。
   • 局限性： 若秩条件不满足，需增加观测器阶数。

2. 结构 B (Structure-B)：

   • 特点： 在观测器状态中引入了内部延迟动态（$w(t-\tau)$）。
   • 适用： 当结构 A 无法满足稳定性或存在性条件时（例如 $N$ 矩阵非 Hurwitz），利用内部延迟动态来稳定误差系统。

3. 结构 C (Structure-C)：

   • 特点： 最通用的结构，包含多种内部延迟通道（$w(t-\tau), w(t-h)$ 等）以及多种延迟输出/输入项。
   • 适用： 专门针对 $h > \tau$ 的情况，能够处理更复杂的延迟不匹配问题。

2.2 核心设计策略

• 增广状态空间 (Augmented State Space)：
  • 当 $h \le \tau$ 时，定义增广状态 $\xi(t) = [x(t)^T, x(t-\tau)^T]^T \in \mathbb{R}^{2n}$。
  • 当 $h > \tau$ 时，定义增广状态 $\xi(t) = [x(t)^T, x(t-\tau)^T, x(t-h)^T]^T \in \mathbb{R}^{3n}$。
• 广义函数 (Generalized Functionals)：
  • 不再局限于估计瞬时函数 $Fx(t)$，而是估计定义在增广状态上的广义函数 $z_{ext}(t) = H_0 x(t) + H_\tau x(t-\tau) + H_h x(t-h)$。
  • 通过增加待估计函数的维度（即增加观测器阶数），将原本不可解的秩条件转化为可解问题。
• 代数存在性条件：
  • 利用矩阵方程的可解性（基于广义逆）推导秩条件（Rank Conditions）。
  • 利用线性矩阵不等式（LMI）推导稳定性条件，确保误差动力学渐近稳定。

3. 主要贡献 (Key Contributions)

1. 明确区分延迟类型： 首次明确区分了状态演化延迟 $\tau$ 和测量延迟 $h$，并针对两者不匹配（$h \neq \tau$）的情况建立了系统的观测器设计理论。
2. 多阶观测器结构体系： 提出了三种递进的观测器结构（A, B, C），解决了“特定阶数观测器可能不存在”的问题。通过增加观测器阶数（增广待估计函数集），保证了在更广泛条件下观测器的存在性。
3. 广义函数与增广空间理论： 引入了基于增广延迟状态向量的广义函数概念。这不仅提供了设计灵活性，还将无限维的时滞系统问题转化为有限维的增广空间上的代数问题。
4. 构造性综合程序： 为每种结构提供了具体的代数存在性条件（秩条件）和基于 LMI 的稳定性判据，并给出了参数矩阵的构造方法（包括自由矩阵 $Z$ 的选取）。
5. 数值验证： 通过多个数值算例（涵盖 $h=\tau$ 和 $h>\tau$，以及不同秩条件满足与否的情况），验证了理论的有效性，展示了从低阶不可行到高阶可行的设计过程。

4. 主要结果 (Key Results)

• 存在性定理： 对于 $h=\tau$ 和 $h>\tau$ 两种情况，分别推导了结构 A、B、C 存在的充要条件或充分条件。
  • 条件主要涉及矩阵的秩（如 $\text{rank}(\Upsilon/\Theta) = \text{rank}(\Theta)$）和特征值分布（Hurwitz 稳定性）。
• 稳定性分析：
  • 对于无内部延迟的观测器（结构 A），要求核心矩阵 $N$ 为 Hurwitz。
  • 对于含内部延迟的观测器（结构 B 和 C），误差动力学表现为时滞微分方程。利用 Lyapunov-Krasovskii 泛函导出了基于 LMI 的稳定性条件，证明了即使 $N$ 不稳定，通过引入内部延迟动态（结构 B/C）仍可实现渐近稳定。
• 设计灵活性： 证明了当最小阶观测器不存在时，可以通过构造增广函数（增加观测器阶数）来绕过秩条件的限制，从而获得更高阶但存在的观测器。

5. 意义与影响 (Significance)

• 理论突破： 填补了时滞系统在非对齐延迟（Mismatched Delays）条件下函数观测器设计的理论空白。传统方法通常假设测量无延迟或延迟与状态一致，本文解决了更贴近实际工程（如网络控制系统中的通信延迟）的问题。
• 工程应用价值：
  • 降低计算复杂度： 相比于全状态观测器，函数观测器直接估计控制所需的特定函数，降低了维度和计算量。
  • 网络控制系统 (NCS)： 为存在通信延迟和传感器延迟的网络化控制系统提供了直接的稳定化控制信号估计方案。
  • 鲁棒性： 提出的增广框架使得设计者可以在系统参数变化或延迟不匹配时，通过调整观测器阶数来保证系统的可观测性和稳定性。
• 未来方向： 该框架为处理时变延迟、参数不确定性以及非线性时滞系统的函数估计奠定了理论基础。

总结：
本文通过引入增广状态空间和广义函数概念，提出了一套完整的、分层级的函数观测器设计方法，成功解决了状态延迟与测量延迟不匹配时的状态估计难题。其核心创新在于打破了“低阶观测器必然存在”的假设，转而通过灵活的阶数调整和内部延迟动态来确保观测器的存在性和稳定性，为复杂时滞系统的控制与估计提供了强有力的工具。