《Sensors》:A Dual-Weighting and Adaptive Regularization Framework for Takagi–Sugeno Identification of Nonlinear Dynamic Systems from Closed-Loop Sensor Data
编辑推荐:
在基于传感器的监测与控制系统中,动态模型通常从闭环采集的数据中辨识(此时,驱动控制器的含噪传感器测量值同时也是回归变量)。反馈环节将回归变量与扰动关联起来,这违反了最小二乘法(Least Squares, LS)的基本假设之一,导致有偏——有时甚至高度不稳定—
在基于传感器的监测与控制系统中,动态模型通常从闭环采集的数据中辨识(此时,驱动控制器的含噪传感器测量值同时也是回归变量)。反馈环节将回归变量与扰动关联起来,这违反了最小二乘法(Least Squares, LS)的基本假设之一,导致有偏——有时甚至高度不稳定——的估计。这一问题在Takagi-Sugeno(TS)模型中尤为严重,因为该类模型涉及全局耦合:激励不足的区域可能主导整个模型。针对此问题,本研究提出了一种结合双重加权与自适应正则化的框架——双重加权Takagi-Sugeno辨识(Dual-Weighted Takagi-Sugeno Identification, DW-TSI)。该框架通过一种逐规则加权最小二乘(rule-wise weighted least-squares)公式实现,将全局问题分解为局部子问题,对每个样本按其隶属度激活值进行加权,从而保留了状态空间中局部子模型的可解释性;同时,一个自适应岭回归项(adaptive ridge term)使每条规则的惩罚强度与其累积激活值成反比,确保在传感器数据最薄弱的区域精确地加强条件数。该框架在一个开环不稳定的物理气动摆(aero-pendulum)上进行了广泛验证,仅使用闭环角度测量数据进行辨识。与经典TS模型不同,DW-TSI在多步自主仿真中保持有界性,并能准确逼近子空间辨识(N4SID)方法。进一步的传感器噪声注入研究表明,所提出的估计器在存在测量噪声的情况下性能逐渐下降,而未正则化的TS估计则完全崩溃。这些模型可直接用于基于传感器的反馈控制,无需任何重新整定。
一、研究背景与现存问题
在机器人动力学、生化系统行为等众多现代控制与传感器驱动应用中,非线性动态系统的建模至关重要,因为局部线性近似无法满足强状态依赖的行为描述需求。随着传感与嵌入式计算的普及,这些系统越来越多地依靠含噪传感器数据流进行监控与控制,因此对基于数据的精确经验模型的需求日益增长。在各类表示方法中,Takagi-Sugeno(TS)模糊模型尤为重要;TS模糊模型将非线性动态表示为覆盖运行区域的若干线性子模型之间的平滑插值。然而,TS模型的质量高度依赖于如何从数据中辨识获得该模型。尽管TS框架具有强大的表示能力,但在实际运行条件下从实验数据中获得此类模型仍非易事。
在理想情况下——即持续激励(persistent excitation)且回归变量与扰动统计独立时——最小二乘(LS)估计是一致的且有效的。然而,这些假设在实际中很少成立,尤其是在反馈下采集数据时。反馈环节将回归变量与系统扰动联系起来,违背了外生性条件,导致参数估计出现系统性偏差(bias)。这一问题在非线性系统中更为突出,因为变量间的相互作用复杂且可能通过自身无意中产生高相关性。对于需要在多个局部运行区间提供一致性的TS模型而言,这种偏差尤其有害。
已有多种方法尝试解决线性设定下的闭环辨识问题,如工具变量法(instrumental variables)、误差模型法(error models)或子空间状态空间辨识法(subspace state-space identification, N4SID)。然而,对于非线性动态系统,这些时域公式往往难以实现,通常依赖于模型特定的假设和展开(如高斯分布),而非通用的固定基函数。此外,这些方法产生的内部表示较为抽象,缺乏可识别的物理意义。尽管这对许多预测或控制任务足够,但这种表示不适合构建基于物理可解释状态的结化模型。TS公式的一个限制是其划分必须反映影响系统状态动态的物理变量。若所用状态缺乏物理含义,隶属函数的定义和模糊规则的解释将失去意义,从而破坏模型的结构有效性。
尽管系统辨识与Takagi-Sugeno建模均取得了显著进展,但目前尚无现有框架能够从闭环数据构建TS模型,同时尊重子模型的局部性质及其状态的物理意义。现有策略也未确保局部子模型在反馈中的兼容性,或阐明诱导的相关性如何影响估计结果。这表明,仍然需要一个既能对抗闭环偏差,又能保持TS模型重要局部结构的框架。
二、研究内容、结论与意义
研究人员提出了双重加权Takagi-Sugeno辨识(Dual-Weighted Takagi-Sugeno Identification, DW-TSI)框架,用于基于闭环传感器数据的Takagi-Sugeno模型辨识。该名称来源于两种互补的加权方式,两者均由规则激活值定义:第一种作用于局部代价函数的残差,第二种作用于每条规则的惩罚项。研究贡献包括:(1)提出一种基于加权最小二乘的估计器,将公式扩展为逐规则加权最小二乘估计器,直接将模糊隶属结构纳入估计过程,从而将大规模全局问题解耦为局部子问题,同时每个状态空间子模型保持其物理可解释性;(2)提出一种自适应正则化策略,使惩罚强度与累计激活值成反比,有助于改善弱激励运行区域的数值条件数和估计质量;(3)从理论上分析了该公式如何解耦逐规则子问题,并在均匀激活机制下收敛到全局岭回归,同时严格改善每个局部信息矩阵的条件数,通过结构性机制将基于反馈的相关性限制在每个规则活跃的子区域内;(4)在一个仅从闭环数据辨识的物理气动摆平台上展示了该框架的适用性,并通过传感器噪声注入研究测试了系统的鲁棒性,结果表明所提估计器性能逐渐下降,而未正则化的TS估计则完全崩溃。
该研究的结论表明,DW-TSI框架成功解决了闭环传感器数据下TS模型辨识的核心难题,为基于低成本传感器数据的非线性系统建模与控制提供了有效且鲁棒的解决方案。
三、主要关键技术方法
研究人员采用的关键技术方法主要包括:(1)逐规则加权最小二乘估计器:将TS辨识问题分解为独立的局部子问题,每个样本按其在该规则下的隶属度激活值进行加权,从而消除全局估计引入的子模型间耦合,并保留各子模型的物理可解释性。(2)自适应正则化策略:为每条规则引入一个与累计激活值成反比的岭回归惩罚项,在弱激励区域自动增强惩罚以改善数值条件数,而在充分激励区域惩罚趋近于零,不影响局部保真度。(3)理论分析框架:证明在均匀激活条件下该公式退化为全局岭回归;证明了逐规则子问题的完全解耦性;证明了正则化严格改善了每个局部信息矩阵的条件数。(4)实验验证平台:在一个物理气动摆平台上进行验证,该平台为开环不稳定系统,仅通过闭环角度测量数据进行辨识,并使用独立数据集进行多步自主仿真与闭环适用性测试。实验数据采集自物理硬件,包含低成本的模拟电位计传感器噪声特性。
四、研究结果
4.1 一步超前预测(One-Step-Ahead Prediction):在验证数据集上比较了经典TS、N4SID、DW-TSI和NARX四种模型的一步超前预测性能。所有模型均通过了该基础测试,其中经典TS模型获得了最高的拟合指数。但研究人员指出,由于每步都回馈真实测量状态,即使局部矩阵特征值位于单位圆外的模型也能在此阶段表现良好。DW-TSI与N4SID在角度和角速度误差上几乎相同,确认了两者均能准确捕捉局部闭环动态。
4.2 多步自主仿真(Multi-Step Autonomous Simulation):在三种物理实验(脉冲、正弦、带限噪声)中进行多步自主仿真,模型仅接收实测输入,自行传播预测状态而不进行外部状态校正。经典TS模型在所有实验中发散,揭示了未正则化闭环估计中隐藏的结构不稳定性。N4SID在脉冲和噪声激励下表现良好,但在正弦激励下角度通道发散,显示出单工作点线性化的局限性。只有DW-TSI在所有场景下始终保持有界,即使在参考信号偏离时也能稳定工作。
4.3 闭环适用性(Closed-Loop Applicability):将原本为非线性对象设计的离散LQR控制器直接应用于DW-TSI模型,无需任何重新整定。在三种递增幅度的推扰实验中,DW-TSI模型的恢复轨迹在小幅度和中幅度推扰下与非线性参考系统几乎不可区分。在大幅度推扰下,两者在约4秒内沿完全相同路径达到稳态,表明DW-TSI模型可直接用于基于模型的控制设计。
4.4 传感器噪声鲁棒性(Robustness to Sensor Noise):通过在实测角度上叠加不同标准差的高斯噪声进行噪声注入研究。经典TS模型在噪声水平超过0.03 rad后灾难性失效,拟合指数降至饱和下限,参数漂移达三个数量级。而DW-TSI在整个测试范围内无发散情况,保持正拟合指数,参数漂移小于10?2,表现出显著的鲁棒性优势。
4.5 仿真研究:模型验证、参数灵敏度与正则化调优:基于气动摆非线性仿真器进行的补充研究显示,DW-TSI在合成闭环数据上的表现与物理平台一致;参数灵敏度分析表明模型对质量和推力系数最为敏感;正则化参数扫描显示在10??至10?3之间存在宽泛的近最优平台;逐规则谱半径分析揭示,DW-TSI的优势结构性集中在弱激励的角落规则处,通过自适应惩罚将其特征值收缩至单位圆内,而经典TS在这些规则上停留在稳定性边界。
五、讨论与结论
讨论部分指出,气动摆已被广泛用作非线性与模糊控制的基准平台。相较于以往侧重于控制设计的工作,本研究完全从闭环、低成本传感器数据中完成辨识,并明确处理了由此产生的回归变量-扰动相关性。在三个验证层面的结果中,一步超前预测仅为必要条件,而多步与闭环实验提供了区分性证据,DW-TSI不仅在每种激励下保持有界,且可直接用于LQR设计而无需重新整定。与N4SID的比较并非追求更高精度,而是强调DW-TSI保留了对应于对象运行区域的、可解释的局部子模型库,这对于基于模型的控制具有实际价值。正则化带来的增益衰减是保真度与稳定性之间的有意平衡,未来可通过并行分布式补偿(Parallel Distributed Compensation, PDC)设计规则特定控制器来缓解残余失配。DW-TSI与工具变量法和预报误差法等现有闭环辨识策略形成互补关系,后者不旨在保留局部物理结构。虽然框架在单输入气动摆上验证,但其公式适用于多输入和高阶状态空间系统。计算成本方面,DW-TSI作为离线辨识程序,其开销与经典逐规则最小二乘相当,且规则间可并行处理。两个明确的局限性是:逐规则加权并未消除回归变量与扰动之间的依赖性,而是将其局部化;噪声注入研究为事后分析,未再现完整环路噪声传播。
结论部分翻译如下:本研究引入了DW-TSI,一种基于闭环传感器测量的Takagi-Sugeno(TS)模型辨识方法论,它超越了经典最小二乘法的局限性。在反馈中,回归变量——测量变量的激活加权组合——变得与扰动相关。因此,最小二乘的外生性假设被违反,导致有偏估计。该框架基于两种互补机制:采用逐规则加权最小二乘公式,将全局估计解耦为保持每个状态空间子模型物理可解释性的局部子问题;以及一种激活条件自适应正则化,使给定规则的惩罚强度与其有效支持成反比,从而在弱激励区域提供更好的数值条件数。理论分析表明,该公式在均匀激活下退化为全局岭回归,完全解耦逐规则子问题,并为每个局部信息矩阵提供严格的条件数改善。该框架应用于一个仅从闭环测量辨识的物理气动摆。DW-TSI在一部超前预测中匹配了N4SID的精度,并且是所有方法中唯一在所有多步自主仿真中保持有界的方法,同时被证明可直接部署于基于LQR的控制而无需任何重新整定。最后,测量噪声使DW-TSI的精度逐渐下降但不发散,而未正则化的TS估计则崩溃。这验证了所提框架用于真实传感器数据辨识的有效性。未来工作将包括利用并行分布式补偿(PDC)设计规则特定控制器以最小化正则化引入的残余增益失配,并将该框架适应于完整的闭环噪声传播环境。