[論文レビュー] AI for Closed-Loop Control Systems -- New Opportunities for Modeling, Designing, and Tuning Control Systems

Julius Schöning, Adrian Riechmann+1 more|Library Osnabrück University (Hochschule Osnabrück)|Jan 18, 2022

Control Systems and Identification被引用数 6

ひとこと要約

本論文は、モデリング、設計、チューニングの向上を目的として、人工知能（AI）、特に人工ニューラルネットワーク（ANNs）をクローズド・ループ制御システム（CLCS）に統合することを提案する。AIベースのコントローラーブロックを従来のコンponentsに置き換えることで、適応的でデータ駆動型の制御を実現するとともに、フォールバックメカニズムや制限付きのAI影響を用いて機能的セーフティを確保する。これにより、よりスマートでレジリientな産業用制御システムの実現に向けた道筋が示される。

ABSTRACT

Control Systems, particularly closed-loop control systems (CLCS), are frequently used in production machines, vehicles, and robots nowadays. CLCS are needed to actively align actual values of a process to a given reference or set values in real-time with a very high precession. Yet, artificial intelligence (AI) is not used to model, design, optimize, and tune CLCS. This paper will highlight potential AI-empowered and -based control system designs and designing procedures, gathering new opportunities and research direction in the field of control system engineering. Therefore, this paper illustrates which building blocks within the standard block diagram of CLCS can be replaced by AI, i.e., artificial neuronal networks (ANN). Having processes with real-time contains and functional safety in mind, it is discussed if AI-based controller blocks can cope with these demands. By concluding the paper, the pros and cons of AI-empowered as well as -based CLCS designs are discussed, and possible research directions for introducing AI in the domain of control system engineering are given.

研究の動機と目的

• AIと制御理論の進展にもかかわらず、制御システム工学におけるAI統合の不足に取り組む。
• 特にコントローラーを含む従来のCLCSブロックを、人工ニューラルネットワーク（ANNs）を用いたAIベースのコンponentsに置き換える機会を同定する。
• AIベースのCLCSにおける機能的セーフティを確保するため、フォールバックコントローラーまたは制限付きのAI影響を備えたハイブリッドアーキテクチャを提案する。
• AIを用いたデータ駆動型の、非線形で複雑なプロセスの実験的モデリングを可能にし、物理ベースのモデルへの依存を低減する。
• 実用的で安全かつ検証可能な実装に焦点を当てた、AIを制御システムに採用するための研究ロードマップを提供する。

提案手法

• 従来のコントローラーブロックを人工ニューラルネットワーク（ANNs）に置き換えることで、適応的でデータ駆動型の制御を可能にする。
• 記録済みのプロセスデータを用いてANNを訓練し、システムのダイナミクスをモデリングし、制御行動を予測することで、複雑な物理モデリングを回避する。
• ハイブリッド制御アーキテクチャを実装する：安全閾値によってアクティブ化されるフォールバック型の従来型コントローラー（例：PID）を備えたもの、およびAIの微調整を事前に定義された制御境界内に制限するもの。
• ANNのトレーニング可能な重みの数を制限することで、検証可能性を向上させ、予測不能性を低減し、機能的セーフティの適合を支援する。
• 解析的モデルではなく、実験的データを用いて、プロセスモデリングからコントローラーのチューニングに至るCLCS設計プロセス全体にAIを統合する。
• 2つのセーフティ準拠のAIコントローラー設計を提案する：1つは、故障時に従来制御に切り替えるフェイルセーフスイッチを備えたもの、もう1つはAI出力を安全な挙動を避けるために制限するもの。

実験結果

リサーチクエスチョン

• RQ1 標準的なCLCSブロック図において、AI、特に人工ニューラルネットワーク（ANNs）をどのように統合し、従来のコンponentsを置き換えたり強化したりできるか？
• RQ2 安全が重要なシステムにAIベースのコントローラーを導入する際の主な課題は何か。また、機能的セーフティをどのように維持できるか？
• RQ3 記録済みのデータからのAIベースのプロセスモデリングは、速度と適応性の面で従来の物理ベースのモデリングを上回ることができるか？
• RQ4 説明可能なAIを必要としない状況で、安全で検証可能かつ信頼性の高いAI統合を実現するための設計パターンは何か？
• RQ5 AIを用いてコントローラーのパrameterをチューニングする、あるいは完全に置き換えることは可能か。その場合、システムの安定性と性能を維持できるか？

主な発見

• 記録済みのデータからのAIベースのプロセスモデリングは、モデリング時間を著しく短縮し、複雑な物理モデルの必要性を排除できる。
• 制限付きのAI影響またはフォールバック従来コントローラーを備えたハイブリッド制御アーキテクチャにより、説明可能なAIを必要とせずに、AIベースのCLCSにおける機能的セーフティを実現できる。
• 従来のコントローラーをANNで完全に置き換えることは、制御変数への影響が厳密に制限され、予測可能である場合にのみ可能である。
• AIを用いたコントローラーのパrameter（例：PIDゲイン）のチューニングは、近い将来に実用的かつ即時導入可能な応用分野であり、高い実装可能性を有する。
• CLCS設計へのAI統合は、分野の専門知識を置き換えるものではなく、体系的なデータ収集の価値を高める補完的手段である。
• 説明可能なAIがなくても、アーキテクチャ的制約とフェイルセーフメカニズムを用いることで、安全で検証可能なAIベースのCLCSを実現できる。