[论文解读] Subspace Identification of Temperature Dynamics

Aleksandar Haber|arXiv (Cornell University)|Aug 6, 2019

Heat Transfer and Numerical Methods参考文献 27被引用 7

一句话总结

本文提出一种数据驱动的子空间辨识方法，用于建模长铝棒中具有空间分布加热与传感的温度动态特性。通过结合基于预测器的子空间辨识、时间序列分析与卡尔曼创新建模，研究实现了高精度的低阶多输入多输出（MIMO）状态空间模型，最佳预测性能（1.18% 相对误差）在闭环验证下实现，且状态阶次最低（n=6）。

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.

研究动机与目标

• 解决机电系统中固有无限维、空间分布且非线性的温度动态建模挑战。
• 克服经典系统辨识方法在小样本数据、长时间常数以及稀疏空间执行器/传感器条件下的局限性。
• 开发一种基于子空间辨识与时间序列分析的鲁棒数据驱动建模框架，用于温度动态建模。
• 通过残差分析、模型阶次选择及不同场景下的预测性能验证模型精度。
• 研究采样周期以及传感器/执行器位置对模型可辨识性与性能的影响。

提出的方法

• 利用包含长铝棒、空间分布加热器（输入）和热电偶（输出）的物理实验装置，采集温度数据。
• 应用噪声抑制技术，并进行阶跃响应与非线性分析以预处理数据。
• 实施基于预测器的子空间辨识（PBSID），以估计多输入多输出（MIMO）状态空间模型。
• 将 PBSID 与时间序列分析结合，以估计自回归外生输入（ARX）模型的阶次，并验证模型结构。
• 构建卡尔曼创新状态空间模型作为观测器使用，以实现状态估计与残差分析。
• 通过创新序列的自相关系数进行残差分析，以检验白噪声特性与模型充分性，置信区间为 ±2/√N₁。

实验结果

研究问题

• RQ1 子空间辨识方法能否在数据有限的条件下有效建模长铝棒的无限维、空间分布温度动态？
• RQ2 基于奇异值间隙的模型阶次选择与基于验证的误差最小化方法相比，在确定最优状态维数方面表现如何？
• RQ3 不同建模与预测场景（尤其是开环与闭环）对模型精度与阶次有何影响？
• RQ4 残差相关性在多大程度上反映模型不充分性？如何实现定量评估？
• RQ5 采样周期如何影响所辨识状态空间模型的保真度与稳定性？

主要发现

• 长铝棒的温度动态可利用低阶 MIMO 状态空间模型进行精确建模，最佳预测性能在闭环场景下实现。
• 通过方法 C（结合真实验证测量进行状态预测）实现了最低的 1.18% 相对误差，且状态阶次最小（n=6）。
• 仅基于奇异值间隙的模型阶次选择（如图 9a 所示）可能具有误导性，因为相对误差曲线（图 9b）在 n=4 处出现峰值，表明泛化能力差。
• 残差分析显示，部分输出存在显著的短时滞相关性（如 γ̂₂,₂），表明存在未建模动态；而其他输出（如 γ̂₂,₆）则表现出极低相关性，表明模型拟合更优。
• 所辨识的系统 1 模型稳定，A 矩阵的特征值接近单位圆，可能由于采样频率高于最优值。
• 系统 1 的最小相对误差为 3.34%（方法 A），系统 2 为 4.73%（方法 A），尽管验证阶段初始误差较高，方法 C 仍表现出整体最佳性能。