Design of nonlinear controllers through the virtual reference method and regularization

Abstract

This work proposes a new extension for the nonlinear formulation of the data-driven control method known as the Nonlinear Virtual Reference Feedback Tuning. When the process to be controlled contains a significant quantity of noise, the standard Nonlinear VRFT approach – that uses the Least Squares method – yield estimates with poor statistical properties. These properties may lead the control system to undesirable closed loop performances and even instability. With the intention to improve these statistical properties and controller sparsity and hence, the system’s closed loop performance, this work proposes the use of ℓ1 regularization on the nonlinear formulation of the VRFT method. Regularization is a component that has been extensively employed and researched in the Machine Learning and System Identification communities lately. Furthermore, this technique is appropriate to reduce the variance in the estimates. A detailed analysis of the noise effect on the estimate is made for the Nonlinear VRFT method. Finally, three different regularization methods, the third one proposed in this work, are compared to the standard Nonlinear VRFT.

Este trabalho propõe uma nova extensão para a formulação não linear do método de controle orientado por dados conhecido como Método da Referência Virtual Não Linear, ou Nonlinear Virtual Reference Feedback Tuning – denominado aqui somente como VRFT. Quando o processo a ser controlado contém uma quantidade significativa de ruído, a abordagem padrão do VRFT – que usa o método dos Mínimos Quadrados – fornece estimativas com propriedades estatísticas pobres. Essas propriedades podem levar o sistema de controle a desempenhos indesejáveis em malha fechada. Com a intenção de melhorar essas propriedades estatística, identificar um controlador simples em quantidade de parâmetros e melhorar o desempenho em malha fechada do sistema, este trabalho propõe o uso da regularização ℓ1 na formulação não linear do método VRFT. A regularização é uma técnica que tem sido amplamente empregada e pesquisada nas comunidades de Aprendizagem de Máquina e Identificação de Sistemas ultimamente. Além disso, esta técnica é apropriada para reduzir a variância das estimativas. Uma análise detalhada do efeito do ruído na estimativa é feita para o método VRFT não linear. Finalmente, três diferentes métodos de regularização, o terceiro proposto neste trabalho, são comparados com o VRFT.