[论文解读] Cluster-based control of nonlinear dynamics

Eurika Kaiser, Bernd R. Noack+3 more|arXiv (Cornell University)|Feb 17, 2016

Model Reduction and Neural Networks参考文献 17被引用 5

一句话总结

本文提出了一种基于聚类的非线性流体动力学控制框架，通过数据驱动的聚类方法将高维、混沌的流动简化为低维马尔可夫模型。通过建模流动聚类上的概率分布，该方法利用遍历测度实现最优控制律设计，在后向台阶流动中实现了有效的阻力降低。

ABSTRACT

The ability to manipulate and control fluid flows is of great importance in many scientific and engineering applications. Here, a cluster-based control framework is proposed to determine optimal control laws with respect to a cost function for unsteady flows. The proposed methodology frames high-dimensional, nonlinear dynamics into low-dimensional, probabilistic, linear dynamics which considerably simplifies the optimal control problem while preserving nonlinear actuation mechanisms. The data-driven approach builds upon a state space discretization using a clustering algorithm which groups kinematically similar flow states into a low number of clusters. The temporal evolution of the probability distribution on this set of clusters is then described by a Markov model. The Markov model can be used as predictor for the ergodic probability distribution for a particular control law. This probability distribution approximates the long-term behavior of the original system on which basis the optimal control law is determined. The approach is applied to a separating flow dominated by the Kelvin-Helmholtz shedding.

研究动机与目标

• 开发一种控制框架，以实现对非定常、非线性流体流动统计特性的最优调控。
• 解决在传统方法因对初值敏感而失效时，控制混沌、高维系统所带来的挑战。
• 利用遍历性和不变测度，确保控制性能的长期可重复性和可预测性。
• 通过将原始非线性动力学简化为低维、概率性、线性的马尔可夫模型，简化最优控制问题。
• 仅通过少量传感器实现反馈控制，方法基于从聚类状态表示中学习控制律。

提出的方法

• 该方法采用聚类算法将运动学上相似的流动状态划分为少量代表性聚类，从而降低状态空间的维度。
• 聚类上概率分布的时序演化被建模为具有随机转移矩阵（CTM）的时齐马尔可夫链。
• 马尔可夫模型通过数据经验估计聚类间转移概率获得，同时保留了原始系统的非线性作动机制。
• 遍历概率分布——即马尔可夫模型的平稳解——被计算为转移矩阵的主导特征向量，代表长期统计行为。
• 通过在遍历测度上对成本函数（如阻力）进行梯度优化，确定最优控制律。
• 通过计算不同控制律下控制输入时间序列的距离矩阵，利用多维缩放（MDS）可视化控制律的相似性。

实验结果

研究问题

• RQ1 当传统方法在计算上不可行时，如何为高维、非线性流体流动推导最优控制律？
• RQ2 基于聚类分析的低维马尔可夫模型能否准确表示混沌、非线性流动的长期统计行为？
• RQ3 基于聚类的模型的遍历测度在多大程度上能够预测并优化原始系统的平均时间性能（如阻力）？
• RQ4 如何仅使用部分状态信息（如传感器数据）设计反馈控制，同时保持性能和稳定性？
• RQ5 不同控制律之间的关系是什么？其结构相似性能否被量化并可视化？

主要发现

• 基于聚类的降阶模型（CROM）成功捕捉了原始非线性流动系统的长期统计行为，能够准确预测遍历测度。
• 马尔可夫模型的平稳分布（即转移矩阵的主导特征向量）收敛到唯一且稳定的概率分布，证实了在控制律下系统的遍历性。
• 基于CROM框架推导出的最优控制律在后向台阶流动基准测试中显著降低了时间平均阻力，证明了该方法的有效性。
• 该方法通过在低维聚类空间而非完整流动状态空间中运行，以极低的计算成本实现了精确的控制性能。
• 多维缩放（MDS）可视化显示，性能相似的控制律在其输入-输出映射中表现出结构相似性，从而实现了控制策略的聚类与比较。
• 该方法对初值不确定性具有鲁棒性，并在混沌状态下仍能保持统计可重复性，符合Birkhoff遍历定理的要求。