[논문 리뷰] PyDMD: A Python package for robust dynamic mode decomposition

Sara M. Ichinaga|arXiv (Cornell University)|2024. 02. 12.

Machine Fault Diagnosis Techniques인용 수 12

한 줄 요약

PyDMD 1.0은 DMD를 구현하는 파이썬 패키지와 노이즈가 많고 다중 스케일, 매개변수화된, 고차원 또는 비선형 역학을 다루는 전처리 및 튜토리얼을 포함한 견고한 변형 모음을 제공합니다(예: BOP-DMD, CoSTS, 매개변수적 DMD, 무작위 DMD, 물리정보 기반 DMD).

ABSTRACT

The dynamic mode decomposition (DMD) is a simple and powerful data-driven modeling technique that is capable of revealing coherent spatiotemporal patterns from data. The method's linear algebra-based formulation additionally allows for a variety of optimizations and extensions that make the algorithm practical and viable for real-world data analysis. As a result, DMD has grown to become a leading method for dynamical system analysis across multiple scientific disciplines. PyDMD is a Python package that implements DMD and several of its major variants. In this work, we expand the PyDMD package to include a number of cutting-edge DMD methods and tools specifically designed to handle dynamics that are noisy, multiscale, parameterized, prohibitively high-dimensional, or even strongly nonlinear. We provide a complete overview of the features available in PyDMD as of version 1.0, along with a brief overview of the theory behind the DMD algorithm, information for developers, tips regarding practical DMD usage, and introductory coding examples. All code is available at https://github.com/PyDMD/PyDMD .

연구 동기 및 목표

• 다양한 분야에 걸쳐 DMD를 통한 동적 시스템의 데이터 기반 분석을 촉진하고 가능하게 한다.
• 노이즈, 다중 스케일 다이나믹스, 매개변수화 및 비선형성을 다룰 수 있는 견고한 변형들을 포함하도록 PyDMD를 확장한다.
• 실제 데이터 모델링을 용이하게 하기 위한 문서화와 튜토리얼을 갖춘 모듈식이고 테스트 가능한 파이썬 도구 키트를 제공한다.
• PyDMD에서 DMD 방법을 선택하고 시간 지연 전처리를 적용하는 실용적 지침을 제시한다.

제안 방법

• DMD 및 그 변형들의 수학적 배경을 제시한다.
• 대다수 모듈을 뒷받침하는 DMDBase 클래스가 있는 PyDMD의 모듈식 아키텍처를 설명한다.
• 숨겨진 구조를 드러내기 위한 Hankel 전처리(시간 지연 좌표)를 설명한다.
• 최적화된 DMD를 포함한 견고한 DMD 변형들(BOP-DMD 포함)과 고유값 제약을 소개한다.
• CoSTS, 매개변수화 DMD, 무작위 DMD, 물리정보 기반 DMD, HAVOK와 같은 추가 확장을 논의한다.
• DMD 진단을 해석하기 위한 실용적인 사용 패턴과 시각화 도구를 제공한다.

실험 결과

연구 질문

• RQ1 PyDMD가 견고한 DMD 변형을 사용하여 노이즈가 있거나 실제 데이터에서 일관된 시공간 패턴을 신뢰성 있게 복원할 수 있는가?
• RQ2 실제로 시간 지연 전처리가 DMD 모드의 보이는 순위와 복원성에 어떤 영향을 미치는가?
• RQ3 주어진 데이터 조건(노이즈 수준, 다중 스케일 다이나믹, 매개변수화, 비선형성)에 가장 적합한 DMD 변형은 어느 것인지, 사용자가 어떻게 선택해야 하는지?
• RQ4 PyDMD를 사용한 실제 데이터 세트에 DMD를 적용하기 위한 실용적인 지침(예: 전처리, 매개변수 선택, 검증)은 무엇인가?

주요 결과

• PyDMD의 버전 1.0은 노이즈가 많고 다중 스케일, 매개변수화, 고차원, 비선형 다이나믹에 맞춘 최신 DMD 방법들을 추가한다.
• 시간 지연(Hankel) 전처리는 실수 데이터의 유효 순위를 증가시키고 잠재적 공간 모드를 드러낼 수 있다.
• Bagging-optimized DMD (BOP-DMD)와 고유값 제약은 실용 데이터에 대해 견고성 및 잡음 억제를 제공한다.
• 이 패키지는 모듈식이며 오픈 소스이고 잘 문서화되어 있으며 채택을 용이하게 하는 튜토리얼과 시각화 도구가 있다.
• 예제는 합성 데이터에서 서로 다른 시공간 모드와 해당 주파수를 복원하는 과정을 보여주며 실용적 워크플로를 설명한다.