[論文レビュー] Subspace Identification with Multiple Data Records: unlocking the archive

Chad M. Holcomb, Robert R. Bitmead|arXiv (Cornell University)|Apr 9, 2017

Control Systems and Identification参考文献 8被引用数 7

ひとこと要約

本稿では、複数の非連続なデータ記録から線形動的システムを同定するためのランクに基づく検定を提案する。この手法により、断片的でアーカイブされた産業分野のデータからもシステム同定が可能になる。データセグメントを統合して十分な励起を達成することで、データ行列のランク条件に基づき同定可能性を保証し、実世界のデータを用いたガスタービンの事例研究において、モデル精度が向上したことが示された。

ABSTRACT

We develop an approach to subspace system identification using multiple data records and present a simple rank-based test for the adequacy of these data for fitting the unique linear, noise-free, dynamic model of prescribed state-vector, input-vector and output-vector dimensions. The approach is motivated by the prospect of sorting through archives of operational data and extracting a sequence of not-necessarily-contiguous data records individually insufficient for providing identifiability but collectively making this possible. The test of identifiability then becomes the sorting criterion for accepting or rejecting new data records. En passant, the familiar Hankel structure of the data matrices of subspace system identification is reinterpreted and revised.

研究の動機と目的

• 産業現場で一般的に見られる断片的で非連続なアーカイブデータ記録から線形動的システムを同定する課題に対処すること。
• 個々の記録では十分な情報が得られないが、複数の記録を組み合わせることで情報が得られる状況において、形式的でテスト可能な同定可能性の条件を確立すること。
• 個々のセグメントに不十分な励起があるにもかかわらず、クラウドベースの産業データアーカイブを活用して信頼性の高いシステム同定を可能にすること。
• 部分空間システム同定（SSI）理論を複数のデータ記録に対応させる一方で、初期状態の影響を自動的に補正すること。
• 複数の記録がモデル同定に与える寄与度に基づいて、データ記録を整理・選別する実用的なフレームワークを提供すること。

提案手法

• 本手法は、行動的システム理論に基づいて導出されたランクに基づく検定を用い、複数のデータ記録が共同で十分な励起を提供するかどうかを評価する。
• 標準的なSSIデータ行列のハンケル構造を、非連続セグメントに対応可能に再定式化することで、部分空間同定の数学的基盤を保持する。
• ノイズを含むデータ行列に対してランクを明らかにする特異値分解（SVD）を適用し、実用的な状況下でのモデルパラメータ推定と同定可能性の評価を実現する。
• 初期状態の影響を、個々のセグメントの状態初期化を明示的に行わずに、結合されたデータ構造全体として取り扱うことで自動的に処理する。
• 結合された入出力データ行列のランクに基づいて、十分な同定可能性の条件を導出することで、一意なモデル回復を保証する。
• アルゴリズムは、複数の短い、励起が不十分な記録を統合して良好な励起を得るガスタービンの産業データを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 個々の記録ではシステムの動的特性を十分に励起できないとしても、複数の非連続なデータ記録を統合することで、同定可能性を達成できるか？
• RQ2 複数の記録からの集団的データが、線形動的システムの一意な同定に十分であることを保証するランクに基づく条件は何か？
• RQ3 非連続なデータセグメントからの初期状態の影響を、部分空間同定フレームワーク内でどのように処理できるか？
• RQ4 断片的なデータを統合することで、実際の産業システムにおいてモデル精度と予測性能がどの程度向上するか？
• RQ5 モデル同定への寄与度に基づいて、データ記録を系統立てて選別するための、計算的に効率的なテストを構築できるか？

主な発見

• 結合された入出力データ行列のランク条件（定理1）は、同定可能性を十分にテストするものであり、4入力、4出力、4状態の例題系では、最小ランク14が要求される。
• データ行列の特異値解析から、データセットを統合することで一様に大きな特異値が得られ、データ品質と励起の向上が示された。
• データセット{5,6}を用いて訓練したモデルは、出力1において、個々のモデル（1.1266 および 1.0895）よりも低い平均二乗誤差（RMS）1.0796 × 10²を達成した。
• 出力2では、統合モデルがRMS誤差0.9093 × 10²まで低下させ、個々のモデル（1.0916 および 1.0980）を顕著に上回った。
• {5,6,15}モデルで観察された不安定性（単位円外の固有値）は、データ品質の重要性と、データセグメントの慎重な選択の必要性を強調している。
• 本研究では、適切に統合されたアーカイブ済み断片的データが、システム同定に効果的に利用可能であり、モデル性能の明確な向上が達成されることを示した。