[논문 리뷰] Subspace Identification with Multiple Data Records: unlocking the archive

Chad M. Holcomb, Robert R. Bitmead|arXiv (Cornell University)|2017. 04. 09.

Control Systems and Identification참고 문헌 8인용 수 7

한 줄 요약

이 논문은 다수의 비연속 데이터 기록에서 선형 동적 시스템을 식별하기 위한 랭크 기반 테스트를 제안한다. 이는 산업 현장에서 흔히 볼 수 있는 분할된, 기록된 데이터에서 시스템 식별을 가능하게 한다. 데이터 세그먼트를 조합하여 충분한 자극을 확보함으로써, 데이터 행렬의 랭크 조건을 통해 식별 가능성(Identifiability)을 보장하며, 실제 산업 데이터를 사용한 가스 터빈 사례 연구에서 향상된 모델 정확도를 입증하였다.

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.

연구 동기 및 목표

• 산업 현장에서 흔히 볼 수 있는 분할된, 비연속적인 기록 데이터에서 선형 동적 시스템을 식별하는 데 도전하는 데 목적이 있다.
• 개별적으로는 부족하지만 공동으로는 유의미한 정보를 제공하는 데이터 기록에서 시스템의 식별 가능성에 대한 공식적이고 검증 가능한 조건을 개발하는 데 목적이 있다.
• 개별 세그먼트에서 자극이 부족한 경우에도 클라우드 기반 산업 데이터 아카이브를 활용하여 신뢰할 수 있는 시스템 식별을 가능하게 하는 데 목적이 있다.
• 기존 부분공간 시스템 식별(SlI) 이론을 다수의 데이터 기록을 다룰 수 있도록 확장하면서도, 초기 조건 영향을 자동으로 보정하는 데 목적이 있다.
• 다양한 데이터 기록이 모델 식별 가능성에 기여하는 정도에 따라 데이터 기록을 정렬하고 선택할 수 있는 실용적인 프레임워크를 제공하는 데 목적이 있다.

제안 방법

• 이 방법은 행동 시스템 이론에서 유도된 랭크 기반 테스트를 사용하여, 다수의 데이터 기록이 공동으로 시스템 식별에 필요한 충분한 자극을 제공하는지 평가한다.
• 표준 SSI 데이터 행렬의 헨켈 구조를 비연속 세그먼트에 적합하도록 재구성함으로써 부분공간 식별의 수학적 기반을 유지한다.
• 노이즈가 포함된 데이터 행렬에 랭크를 드러내는 특이값 분해(SVD)를 적용하여 모델 파라미터를 추정하고 실무에서 식별 가능성 여부를 평가한다.
• 비연속 세그먼트에서 유래한 초기 조건을 공동 데이터 구조의 일부로 간주함으로써 명시적인 상태 초기화 없이도 자동으로 처리한다.
• 결합된 입력-출력 데이터 행렬의 랭크를 바탕으로 충분한 식별 가능성 조건을 유도하여 유일한 모델 복원을 보장한다.
• 알고리즘은 다수의 짧고 자극이 부족한 기록을 조합하여 잘 자극된 실험을 구성함으로써 산업용 가스 터빈 데이터를 사용하여 검증되었다.

실험 결과

연구 질문

• RQ1 각 기록이 개별적으로 시스템 동역학을 자극하지 못하더라도, 다수의 비연속 데이터 기록을 조합하여 시스템 식별 가능성을 확보할 수 있는가?
• RQ2 다양한 기록의 공동 데이터가 선형 동적 시스템을 고유하게 식별하는 데 충분한지를 보장하는 랭크 기반 조건은 무엇인가?
• RQ3 비연속 데이터 세그먼트에서 유래한 초기 조건 효과는 부분공간 식별 프레임워크 내에서 어떻게 다뤄질 수 있는가?
• RQ4 분할된 데이터를 조합함으로써 실재 산업 시스템에서 모델 정확도와 예측 성능이 얼마나 향상되는가?
• RQ5 모델 식별 가능성에 기여하는 정도에 따라 데이터 기록을 정렬하고 선택할 수 있는 체계적이고 계산 효율적인 테스트를 개발할 수 있는가?

주요 결과

• 결합된 입력-출력 데이터 행렬에 대한 랭크 조건(정리 1)은 식별 가능성에 대한 충분한 테스트를 제공하며, 4개의 입력, 4개의 출력, 4개의 상태를 가진 예제 시스템의 경우 최소 랭크 14가 필요하다.
• 데이터 행렬의 특이값 분석 결과, 데이터 세트를 조합함으로써 균일하게 더 큰 특이값이 나타나, 데이터 품질과 자극 수준 향상을 나타냈다.
• 데이터 세트 {5,6}을 사용해 학습한 모델은 출력 1에서 개별 모델(1.1266 및 1.0895)보다 낮은 평균 제곱근(RMS) 예측 오차(1.0796 × 10²)를 기록했다.
• 출력 2의 경우, 병합된 모델은 RMS 오차를 0.9093 × 10²로 줄여 개별 모델(1.0916 및 1.0980)보다 뚜렷이 우수한 성능을 보였다.
• 모델 {5,6,15}에서 관찰된 불안정성(단위 원 밖의 고유값)은 데이터 품질의 중요성과 데이터 세그먼트의 신중한 선택 필요성을 강조한다.
• 본 연구는 적절히 조합된 아카이브형 분할 데이터가 시스템 식별에 효과적으로 활용될 수 있음을 입증하며, 모델 성능 향상이 측정 가능한 수준으로 이루어진다.