[논문 리뷰] Port-Hamiltonian System Identification from Noisy Frequency Response Data

Paul Schwerdtner|arXiv (Cornell University)|2021. 06. 21.

Model Reduction and Neural Networks참고 문헌 22인용 수 4

한 줄 요약

이 논문은 노이즈가 있는 주파수 응답 데이터로부터 포트-해밀토니안(pH) 시스템을 식별하기 위해 최소 제곱 최적화 방법을 제안하며, 구조적으로 pH 구조를 통해 본질적인 안정성(패assivity)을 보장한다. 이 방법은 pH 기반 Loewner 방법과 벡터 피팅(Vector-fitting)보다 정확도가 뛰어나며, 특히 노이즈가 있는 조건에서 전 주파수 대역에서 뛰어난 피팅 품질과 저차 모델에서의 과적합에 대한 강건성을 보여준다.

ABSTRACT

We present a new method for the identification of linear time-invariant passive systems from noisy frequency response data. In particular, we propose to fit a parametrized port-Hamiltonian (pH) system, which is automatically passive, to supplied data with respect to a least-squares objective function. In a numerical study, we assess the accuracy of the resulting identified models by comparing our method to two other frequency domain system identification methods. One of the methods being compared is a recently published identification procedure that also computes pH systems and the other one is the well-known vector-fitting algorithm, which provides unstructured models. The numerical evaluation demonstrates a substantial increase in accuracy of our method compared to the other pH identification procedure and a slightly improved accuracy compared to vector-fitting. This underlines the suitability of our method for the estimation of passive or pH systems - in particular from noisy frequency response data.

연구 동기 및 목표

• 노이즈가 있는 주파수 응답 데이터로부터 식별된 모델의 수동성을 보장하는 데이터 기반 시스템 식별 방법을 개발하는 것.
• 기존 방법들이 수동성을 보장하지 못하거나 노이즈가 있는 데이터에서 성능이 열 劣하는 한계를 해결하는 것.
• 포트-해밀토니안 시스템의 구조적 특성을 활용하여 주파수 도메인 시스템 식별의 정확도를 향상시키는 것.
• 모든 매개변수 값에서 수동성을 유지하는 강건한 파arametric 최적화 프레임워크를 제공하는 것.

제안 방법

• 이 방법은 최소 제곱 목적 함수를 사용하여 노이즈가 있는 주파수 응답 데이터에 직접적으로 매개변수화된 일반화된 포트-해밀토니안(pH) 시스템을 피팅한다.
• 매개변수화는 시스템 행렬이 다음 조건을 만족하도록 하여 수동성을 보장한다: E ≥ 0, J = −Jᵀ, N = −Nᵀ, 그리고 행렬 W = [R P; Pᵀ S] ≥ 0.
• 최적화는 에너지 행렬 E, 반대칭 행렬 J, 대칭 준정부정행렬 R 및 기타 구조적 행렬을 포함한 pH 구조의 매개변수들에 대해 수행된다.
• E를 최적화할 수 있는 유연한 매개변수화를 사용하지만, 모델 형식의 성과를 평가하기 위해 고정된 E(항등행렬) 버전도 평가한다.
• pH-Loewner와 같은 이전 방법에서 성능이 떨어지는 암묵적 제약 조건을 피하기 위해, 전체 pH 구조를 직접 최적화한다.
• 이 방법은 다양한 노이즈 수준을 가진 합성 주파수 응답 데이터를 사용하여 pH-Loewner 및 벡터 피팅과 비교된다.

실험 결과

연구 질문

• RQ1 매개변수화된 포트-해밀토니안 구조에 대한 직접 최적화가 기존 방법보다 노이즈가 있는 주파수 응답 데이터로부터 더 정확한 모델을 도출할 수 있는가?
• RQ2 노이즈 수준이 다양할 때, 제안된 방법은 pH-Loewner 및 벡터 피팅과 비교해 피팅 오차 측면에서 어떻게 성능을 발휘하는가?
• RQ3 진짜 시스템이 수동일 경우에도 pH 구조의 본질적 수동성이 정확도 향상에 기여하는가, 특히 노이즈 조건에서?
• RQ4 모델 순서 선택이 다양한 노이즈 수준에서 제안된 방법의 성능에 어떻게 영향을 미치는가?
• RQ5 에너지 행렬 E를 항등행렬로 고정했을 때 정확도와 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 pH-reg 방법은 모든 테스트 노이즈 수준에서 pH-Loewner 방법보다 유의미하게 낮은 평균 피팅 오차를 달성하며, 고주파수에서 수개의 주기 수준의 개선을 보였다.
• 벡터 피팅과 비교해 pH-reg 방법은 통계적으로 유의미한 그러나 상대적으로 작은 정확도 향상을 보였으며, 특히 저주파수에서 중간 수준의 노이즈에서 두드러졌다.
• 저노이즈 수준에서는 고차수 모델이 더 나은 피팅을 보였지만, 고노이즈 수준에서는 과적합을 줄이기 위해 저차수 모델이 더 우수했으며, 이는 노이즈 인식 기반의 모델 순서 선택의 필요성을 강조한다.
• pH-reg 방법은 전체 주파수 범위에서 매끄러운 오차 프로파일을 유지하며, pH-Loewner에서 관찰되는 진동 행동과 악화된 고주파수 성능을 피한다.
• E를 항등행렬로 고정했을 때도 최적화된 E를 사용한 모델과 유사한 정확도를 달성하여, 방법이 강건하며 표준 상태공간 형태로도 적용 가능함을 시사한다.
• 이 방법은 노이즈에 강건하며, 측정된 데이터를 초월한 미측정 주파수 영역에서도 과적합을 피함을 보였다.