[論文レビュー] Physics-Based Causal Lifting Linearization of Nonlinear Control Systems Underpinned by the Koopman Operator

Nicholas Selby, Filippos E. Sotiropoulos+1 more|arXiv (Cornell University)|Aug 24, 2021

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、非線形制御系のKoopmanベースのリフト線形化における因果関係の問題を解決する2つの物理的制約付き手法を提案する：(1) 未来の入力に依存する非因果的観測変数をその積分変数に置き換えること、(2) 入力依存性を解消するために微小な慣性素子または静電容量素子をシステムに追加すること。これらの手法により、物理的に測定可能な観測変数を用いて正確で因果的なデータ駆動型モデリングが可能となり、数値ベンチマークにおいて最先端の手法を著しく上回る性能を発揮する。

ABSTRACT

Methods for constructing causal linear models from nonlinear dynamical systems through lifting linearization underpinned by Koopman operator and physical system modeling theory are presented. Outputs of a nonlinear control system, called observables, may be functions of state and input, $\\phi(x,u)$. These input-dependent observables cannot be used for lifting the system because the state equations in the augmented space contain the time derivatives of input and are therefore anticausal. Here, the mechanism of creating anticausal observables is examined, and two methods for solving the causality problem in lifting linearization are presented. The first method is to replace anticausal observables by their integral variables $\\phi^*$, and lift the dynamics with $\\phi^*$, so that the time derivative of $\\phi^*$ does not include the time derivative of input. The other method is to alter the original physical model by adding a small inertial element, or a small capacitive element, so that the system's causal relationship changes. These augmented dynamics alter the signal path from the input to the anticausal observable so that the observables are not dependent on inputs. Numerical simulations validate the effectiveness of the methods.

研究の動機と目的

• 観測変数が外部入力に依存する非線形制御系において、Koopmanベースのリフト線形化が因果関係の問題を引き起こす根本的要因を解消すること。
• 特にエネルギー散逸素子に起因する非因果的観測変数の物理的起源を特定すること。
• 物理的解釈可能性を保ちつつ、実際のセンサ測定値を活用できる因果関係を尊重するリフト手法を開発すること。
• 合成的でノイズに敏感な観測変数に依存せずに、非線形制御系の正確なデータ駆動型システム同定を可能にすること。
• Koopmanベースのモデリングと実際の制御系設計の間のギャップを、測定可能な入出力信号を用いて埋めること。

提案手法

• 入力依存の観測変数 φ(x,u) をその積分変数 φ* = ∫φ dt に置き換えることで、φ* の時間微分が ẋ や Ẇ を含まないよう保証し、因果関係を回復する。
• 物理的システムに微小な慣性素子（質量）または静電容量素子（ばね）を追加することで信号伝達経路を変更し、非因果的観測変数と将来の入力との依存関係を解消する。
• 得られた拡張された動的モデルを基に、Koopman作用素フレームワーク下で因果的リフト状態空間モデルを導出する。
• 物理法則に従う観測関数を用いてリフトされたシステムを定式化し、動的モード分解（DMD）およびシステム同定と整合性を保つ。
• 非線形な力-変位関係を有するばね-ダンパー系に本手法を適用し、KSOSおよびAL2/IL2ベースラインと比較して性能を検証する。
• 実観測変数（DFL）と合成観測変数（KSOS）を用いたモデルを比較することで、測定ノイズに対する耐性を実証し、提案手法が優れたノイズ耐性を示すことを示す。

実験結果

リサーチクエスチョン

• RQ1 非線形制御系における入力依存の観測変数が、Koopmanベースのリフトにおいてなぜ非因果的リフトモデルを生じるのか？
• RQ2 因果関係の問題は、制御系におけるエネルギー散逸素子の物理的構造にどのように起因するのか？
• RQ3 質量や静電容量の追加といった物理的システムの拡張により、システム動作を変化させることなく因果関係を回復できるか？
• RQ4 非因果的観測変数をその積分形に置き換えることで、因果関係の違反が解消されるとともにモデルの正確性が維持されるか？
• RQ5 合成観測変数を用いる既存のKoopmanベースのリフト手法と比較して、提案手法は正確性およびノイズ耐性において優れているか？

主な発見

• ランダム入力を持つ非線形ばね-ダンパー系において、積分ベース手法（AL2）は中間誤差（1.0 vs. 1.6）で慣性補正手法（IL2）を上回る。
• 90百分位誤差ではIL2が低く（2.1 vs. 2.4）あり、多様な入力信号に対して一貫した性能を示している。
• 特にノイズ環境下では、KSOSは合成観測変数におけるノイズ増幅により著しく性能が低下するが、提案手法はモデル誤差を顕著に低減している。
• DFL（物理的観測変数を直接使用）はKSOSよりも優れたノイズ耐性を示し、実信号を測定する利点を裏付けている。
• KSOSの基底関数を改善しても（例：高次多項式やフーリエ基底）、システムの接続構造に関する物理的洞察がなければ、性能向上は限定的である。
• 因果関係の問題は、主に外部入力に依存するエネルギー散逸素子に起因しており、エネルギー貯蔵素子（例：ばね）は非因果性を生じさせない。