[논문 리뷰] Subspace Identification of Temperature Dynamics

Aleksandar Haber|arXiv (Cornell University)|2019. 08. 06.

Heat Transfer and Numerical Methods참고 문헌 27인용 수 7

한 줄 요약

이 논문은 공간적으로 분포된 가열 및 센서를 갖춘 긴 알루미늄 바의 온도 동역학을 모델링하기 위해 데이터 기반 부분공간 식별 방법을 제안한다. 예측자 기반 부분공간 식별법과 시계열 분석, 칼만 착오 모델링을 융합함으로써, 최소 상태 차수(n=6)와 함께 정확한 저차원 다중입력다중출력(MIMO) 상태공간 모델을 도출하였으며, 폐루프 검증을 통한 최고의 예측 성능(1.18% 상대 오차)을 달성하였다.

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.

연구 동기 및 목표

• 메카트로닉 시스템에서 본질적으로 무한차원적이고 공간적으로 분포된 비선형 온도 동역학을 모델링하는 데 도전한다.
• 작은 데이터 세트, 긴 시간 상수, 희소한 공간적 작동/감지로 인해 고전적 시스템 식별 기법의 한계를 극복한다.
• 부분공간 식별법과 시계열 분석을 활용한 온도 동역학을 위한 강건한 데이터 기반 모델링 프레임워크를 개발한다.
• 잔차 분석, 모델 차수 선택, 다양한 시나리오 하에서의 예측 성능을 통한 모델 정확도를 검증한다.
• 샘플링 주기와 센서/작동기 배치가 모델 식별 가능성과 성능에 미치는 영향을 조사한다.

제안 방법

• 긴 알루미늄 바, 공간적으로 분포된 히터(입력), 열전대(출력)를 갖춘 물리적 실험 장치를 이용해 온도 데이터를 수집한다.
• 노이즈 감소 기법을 적용하고 스텝 응답 분석 및 비선형성 분석을 수행하여 데이터를 사전 처리한다.
• 예측자 기반 부분공간 식별(PBSID)을 구현하여 다중입력다중출력(MIMO) 상태공간 모델을 추정한다.
• PBSID를 시계열 분석과 융합하여 외부 입력이 있는 자기회귀 모델(ARX)의 차수를 추정하고 모델 구조를 검증한다.
• 관측기로 사용하기 위한 칼만 착오 상태공간 모델을 수립함으로써 상태 추정 및 잔차 분석을 가능하게 한다.
• 잔차 분석을 위해 착오 시퀀스의 상관계수를 사용하여 백색 잡음 여부와 모델 적합성을 테스트하며, ±2/√N₁ 범위 내의 경계를 설정한다.

실험 결과

연구 질문

• RQ1 제한된 데이터로 인해 무한차원적이고 공간적으로 분포된 긴 알루미늄 바의 온도 동역학을 부분공간 식별 기법이 효과적으로 모델링할 수 있는가?
• RQ2 특이값 갭 기반의 모델 차수 선택이 최적의 상태 차원을 식별하는 데 있어 검증 기반 오차 최소화 방법과 비교해 볼 때 어떤가?
• RQ3 특히 개방루프 대 비해 폐루프 조건에서의 다양한 모델링 및 예측 시나리오가 모델 정확도와 차수에 어떤 영향을 미치는가?
• RQ4 잔차 상관계수가 모델 부적합성을 어느 정도 반영하는가? 이는 어떻게 정량적으로 평가할 수 있는가?
• RQ5 샘플링 주기는 식별된 상태공간 모델의 정밀도와 안정성에 어떤 영향을 미치는가?

주요 결과

• 알루미늄 바의 온도 동역학은 최소 상태 차수(n=6)를 가진 저차원 MIMO 상태공간 모델을 통해 정확하게 모델링할 수 있으며, 특히 폐루프 조건에서 최고의 예측 성능을 달성한다.
• Method C는 실제 검증 측정값을 활용해 상태를 예측함으로써 상대 오차 1.18%를 기록했으며, 이는 최소 상태 차수(n=6)에서 달성된 최고의 성능이다.
• 특이값 갭 기반의 모델 차수 선택(예: 그림 9a)은 오류가 있을 수 있으며, 상대 오차 곡선(그림 9b)은 n=4에서 피크를 보이며 일반화 능력이 떨어짐을 시사한다.
• 잔차 분석 결과 일부 출력에서는 짧은 지연 상관관계(예: γ̂₂,₂)가 강하게 나타나 비모델링된 동역학을 시사하지만, 다른 출력(예: γ̂₂,₆)은 최소한의 상관관계를 보이며 더 나은 모델 적합성을 나타낸다.
• System 1의 식별된 모델은 안정적이었으며, A 행렬의 고유값은 단위 원에 가까웠다. 이는 샘플링 주파수가 최적을 초과했을 가능성이 있다.
• System 1의 최소 상대 오차는 3.34%(Method A), System 2는 4.73%(Method A)였으며, Method C는 초기 검증 오차가 높음에도 불구하고 전체적으로 가장 우수한 성능을 보였다.