[論文レビュー] Subspace Identification of Temperature Dynamics

Aleksandar Haber|arXiv (Cornell University)|Aug 6, 2019

Heat Transfer and Numerical Methods参考文献 27被引用数 7

ひとこと要約

本稿では、空間的に分布した加熱およびセンシングを有する長尺なアルミバーの温度ダイナミクスをモデル化するためのデータ駆動型部分空間同定手法を提案する。予測子ベースの部分空間同定（PBSID）と時系列解析、カルマンのイノベーションモデルを組み合わせることで、低次元の多入力多出力（MIMO）状態空間モデルを精度よく得ることができ、閉ループ検証において最高の予測性能（相対誤差1.18%）を達成し、最小の状態次数（n=6）を実現した。

ABSTRACT

Data-driven modeling and control of temperature dynamics in mechatronics systems and industrial processes are challenging control engineering problems. This is mainly because the temperature dynamics is inherently infinite-dimensional, nonlinear, spatially distributed, and coupled with other physical processes. Furthermore, the dominant time constants are usually long, implying that in practice due to various economic and time constraints, we can only collect a relatively small number of data samples that can be used for data-driven modeling. Finally, since sensing and actuation of temperature dynamics are often spatially discrete, special attention needs to be given to sensor (actuator) placement and identifiability problems. Motivated by these challenges, in this manuscript, we consider the problem of data-driven modeling and validation of temperature dynamics. We have developed an experimental setup consisting of a long aluminum bar whose temperature dynamics is influenced by spatially distributed heat actuators and whose temperature is sensed by spatially distributed thermocouples. We address the noise reduction problem and perform step response and nonlinearity analyses. We combine predictor based subspace identification methods with time series analysis methods to identify a multiple-input multiple-output system model. We provide detailed treatments of model structure selection, validation, and residual analysis problems under different modeling and prediction scenarios. Our extensive experimental results show that the temperature dynamics of the experimental setup can be relatively accurately estimated by low-order models.

研究の動機と目的

• メカトロニクスシステムにおける本質的に無限次元的で空間的に分布し、非線形な温度ダイナミクスをモデル化する課題に対処すること。
• 小規模なデータセット、長い時間定数、および疎な空間的アクチュエータ/センサ配備による古典的手法の限界を克服すること。
• 部分空間同定と時系列解析を用いた、温度ダイナミクスのためのロバストなデータ駆動型モデリングフレームワークの構築。
• 残差解析、モデル次数選択、および異なるシナリオ下での予測性能を通じて、モデルの正確性を検証すること。
• サンプリング周期およびセンサ/アクチュエータの配置が、モデルの同定可能性および性能に与える影響を調査すること。

提案手法

• 長尺なアルミバー、空間的に分布するヒーター（入力）および熱電対（出力）を備えた物理的実験装置を用いて、温度データを収集する。
• ノイズ低減技術を適用し、ステップ応答および非線形性解析を実施して、データ前処理を行う。
• 予測子ベースの部分空間同定（PBSID）を実装し、多入力多出力（MIMO）状態空間モデルを推定する。
• PBSIDを時系列解析と組み合わせ、自己回帰型外生入力モデル（ARX）の次数を推定し、モデル構造の妥当性を検証する。
• 観測器として使用するカルマンのイノベーション状態空間モデルを定式化し、状態推定と残差解析を可能にする。
• イノベーション系列の自己相関係数を用いた残差解析を実施し、白色ノイズ性とモデルの適切さを検証する。有意性の境界は±2/√N₁とする。

実験結果

リサーチクエスチョン

• RQ1 部分空間同定手法は、限られたデータのもとで、空間的に分布した無限次元的温度ダイナミクスを効果的にモデル化できるか？
• RQ2 特異値ギャップに基づくモデル次数選択と、検証に基づく誤差最小化の両者が、最適な状態次元を特定する上でどのように比較されるか？
• RQ3 特にオープンループと閉ループの違いが、モデルの正確性および次数に与える影響は何か？
• RQ4 残差相関がモデルの不適切さを示す程度はどの程度か、そして定量的に評価するにはどうすればよいか？
• RQ5 サンプリング周期が、同定された状態空間モデルの忠実性および安定性に与える影響は何か？

主な発見

• アルミバーの温度ダイナミクスは、低次元のMIMO状態空間モデルにより高精度にモデル化可能であり、特に閉ループシナリオで最高の予測性能が達成された。
• 相対誤差が最小となる1.18%は、状態予測に実際の検証測定値を組み込むMethod Cによって達成され、最小の状態次数n=6を実現した。
• 単に特異値ギャップに基づくモデル次数選択（例：図9a）は誤解を招く可能性があり、相対誤差曲線（図9b）ではn=4でピークが観察され、一般化性能が低いことが示された。
• 残差解析により、一部の出力（例：γ̂₂,₂）では短ラグ相関が強く、未モデル化のダイナミクスが示唆された一方、他の出力（例：γ̂₂,₆）では最小限の相関が観察され、より良好なモデル適合が示された。
• System 1の同定モデルは安定であり、A行列の固有値は単位円に近い位置に位置しており、これはサンプリング周波数が最適を上回っている可能性によるものと考えられる。
• System 1の最小相対誤差は3.34%（Method A）、System 2では4.73%（Method A）であったが、Method Cは初期の検証誤差が高かったものの、全体として最高の性能を示した。