Data-Driven Feedback Linearization of Nonlinear Systems

Thumbnail Image

Files

Ahlstedt_Zakarias_2025.pdf (1.12 MB)

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-05-30

Department

Major/Subject

Automaatio ja robotiikka

Mcode

ELEC3014

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

39

Series

Abstract

The nonlinear dynamics of many real-world systems pose significant challenges in control engineering. Consequently, these systems are often linearized to simplify analysis and control design. The feedback linearization technique is a common choice, allowing linear control tools to be used with nonlinear systems by mathematical cancellation of nonlinear terms. Linearizing real-world systems, however, is often problematic due to challenges associated with modeling of complex systems. In recent years, data-driven feedback linearization techniques have emerged as a promising solution, leveraging system data in the place of a system model. This thesis provides an overview of data-driven feedback linearization, examining the underlying motivations for linearization, specifically feedback linearization, and the data-driven alternative. The main focus is on reviewing state-of-the-art data-driven feedback linearization techniques through a literature review and case studies to examine the performance of different methodologies and sampling strategies. The case studies show that data-driven methods provide a compelling alternative to the model-based solution, analyzing prediction and domain performance. A comparison of different input signals underscores the importance of persistently exciting inputs. Moreover, the scalability issues for higher-dimensional systems are shown to be significant.

Olinjära system är vanligt förekommande i praktiska tillämpningar inom såväl teknik som naturvetenskap och ekonomi. Från en reglerteknisk synpunkt försvårar deras olinjära dynamik både analys och styrning. Följaktligen genomförs ofta en linjärisering av dessa system för att möjliggöra tillämpning av verktyg från linjär reglerteknik. En av de mest använda linjäriseringsmetoderna är återkopplingslinjärisering (eng. feedback linearization), som matematiskt eliminerar systemdynamikens olinjära termer genom en lämpligt vald återkopplingslag. Metodens krav på en noggrann modell av systemdynamiken försvårar dock ofta dess tillämpning på komplexa system, för vilka en sådan modell är svår eller omöjlig att erhålla. Kombinationen av framsteg inom databehandling, maskininlärning och sensorteknik har möjliggjort utvecklingen av datadrivna alternativ för att hantera de utmaningar som är förknippade med återkopplingslinjärisering. På senare tid har flera datadrivna metoder presenterats i litteraturen, och dessa har visat goda möjligheter att ersätta den traditionella modellbaserade metoden. Datadrivna metoder åstadkommer återkopplingslinjärisering genom att använda mätdata från systemet i stället för en explicit modell av systemdynamiken. Kandidatarbetet ger en översikt av den befintliga litteraturen inom datadrivna metoder för återkopplingslinjärisering genom en teknisk definition av återkopplingslinjärisering, ett kortfattat sammandrag av olika metoder, en teknisk översikt av implementeringen av några av dessa metoder, samt fallstudier. I fallstudierna implementeras två datadrivna metoder baserade på neurala nätverk samt den modellbaserade metoden, och tester utförs för att analysera deras effektivitet och begränsningar. Testerna visade att neurala nätverk med en mer komplex arkitektur gynnar deras inlärningsförmåga, och att de har potential att prestera bättre än en modellbaserad lösning med små osäkerheter, särskilt över en större domän. Ytterligare framkom att användningen av en ihållande exciterande (eng. persistently exciting) insignal under datainsamlingen har en betydande inverkan på inlärningsförmågan. Skalbarheten hos maskininlärningsbaserade metoder undersöktes även, och det visades att mängden data och den beräkningskraft som krävs för inlärningsprocessen ökar exponentiellt med systemets dimension. Den exponentiella ökningen i datamängd och beräkningsbehov begränsar metodernas tillämpbarhet på högdimensionella system och betonar vikten av effektiva datastrategier. Fallstudiernas resultat och den befintliga litteraturen tyder på att datadrivna alternativ till återkopplingslinjärisering har potential att ersätta den modellbaserade metoden, särskilt när systemdynamiken är okänd eller svår att modellera. Vissa utmaningar kvarstår dock, exempelvis skalbarhet i system med högre dimensioner, val av insignal för att säkerställa kvalitativa data, och krav på tidigare kunskap om systemdynamiken för vissa metoder.

Description

Supervisor

Forsman, Pekka

Thesis advisor

Ding, Jianqiang

Keywords

nonlinear systems, feedback linearization, data-driven control, linearization, control systems

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506174791

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC