[논문 리뷰] AI for Closed-Loop Control Systems -- New Opportunities for Modeling, Designing, and Tuning Control Systems

Julius Schöning, Adrian Riechmann외 1명|Library Osnabrück University (Hochschule Osnabrück)|2022. 01. 18.

Control Systems and Identification인용 수 6

한 줄 요약

이 논문은 인공지능(AI), 특히 인공신경망(ANN)을 피드백 제어 시스템(CLCS)에 통합하여 모델링, 설계 및 튜닝을 향상시키는 것을 제안한다. 기존 구성 요소를 대체하는 AI 기반 제어 블록을 도입함으로써 적응형, 데이터 기반 제어를 가능하게 하면서도, 후속 메커니즘과 제한된 AI 영향 범위를 통해 기능적 안전성을 확보한다. 이는 더 스마트하고 내구성 있는 산업 제어 시스템으로의 전환 길을 제시한다.

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.

연구 동기 및 목표

• AI 및 제어 이론의 발전에도 불구하고 제어 시스템 공학 분야에서 AI 통합의 부족을 해결한다.
• 특히 제어기와 같은 전통적 CLCS 블록을 인공신경망(ANN)을 활용한 AI 기반 구성 요소로 대체할 수 있는 기회를 규명한다.
• AI 기반 CLCS에서의 기능적 안전성을 확보하기 위해, 후속 제어기 또는 제한된 AI 영향을 갖는 하이브리드 아키텍처를 제안한다.
• 복잡한 비선형 과정에 대한 데이터 기반, 경험적 모델링을 통해 물리 기반 모델 의존도를 감소시킨다.
• 실용적이고 안전하며 테스트 가능한 구현을 중점으로 삼는 AI 통합을 위한 연구 로드맵을 제공한다.

제안 방법

• 피드백 제어 시스템(CLCS)의 전통적 제어기 블록을 인공신경망(ANN)으로 대체하여 적응형, 데이터 기반 제어를 가능하게 한다.
• 기록된 과정 데이터를 사용해 ANNs를 훈련시켜 시스템 동역학을 모델링하고 제어 조치를 예측함으로써 복잡한 물리 모델링을 회피한다.
• 하이브리드 제어 아키텍처를 구현한다: 안전 임계값에 의해 활성화되는 후속 전통적 제어기(예: PID)가 포함된 구조와, 정의된 제어 범위 내에서 AI의 정밀 조정이 이루어지는 구조.
• ANN의 학습 가능한 가중치 수를 제한하여 테스트 가능성 향상과 예측 불가능성 감소를 도모하고, 기능적 안전성 준수를 지원한다.
• 분석 모델 대신 경험적 데이터를 사용하여, 과정 모델링에서 제어기 튜닝에 이르기까지 CLCS 설계 전 과정에 AI를 통합한다.
• 기능적 안전성을 확보한 두 가지 AI 제어기 설계를 제안한다: 하나는 고장 시 전통적 제어로 복귀할 수 있는 실패 방지 스위치를 갖는 구조이며, 다른 하나는 불안전 행동을 방지하기 위해 AI 출력을 제약하는 구조이다.

실험 결과

연구 질문

• RQ1 표준 피드백 제어 시스템 블록도에 AI, 특히 인공신경망(ANN)을 통합하여 전통적 구성 요소를 대체하거나 향상시킬 수 있는 방법은 무엇인가?
• RQ2 기능적 안전을 유지하면서 AI 기반 제어기를 안전 비상 시스템에 구현할 때의 주요 과제는 무엇이며, 이를 어떻게 해결할 수 있는가?
• RQ3 기록된 데이터로부터 AI 기반 과정 모델링이 속도와 적응성 측면에서 전통적 물리 기반 모델링을 능가할 수 있는가?
• RQ4 해석 가능한 AI가 필요 없이도 안전하고 테스트 가능하며 신뢰할 수 있는 AI 통합을 가능하게 하는 설계 패턴은 무엇인가?
• RQ5 AI를 사용해 제어기 파라미터를 튜닝하거나 완전히 대체할 수 있는가? 이 경우 시스템의 안정성과 성능을 유지할 수 있는가?

주요 결과

• 기록된 데이터로부터의 AI 기반 과정 모델링은 모델링 시간을 극적으로 단축시키고 복잡한 물리 모델의 필요성을 제거할 수 있다.
• 제한된 AI 영향 또는 후속 전통적 제어기를 갖는 하이브리드 제어 아키텍처는 해석 가능한 AI가 없더라도 AI 기반 CLCS에서 기능적 안전성을 확보할 수 있다.
• 전통적 제어기의 완전한 대체로 ANNs를 사용하는 것은 제어 변수에 대한 그들의 영향이 엄격히 제한되고 예측 가능할 경우에만 가능하다.
• AI 기반 제어기 파라미터 튜닝(예: PID 이득)은 근접한 미래에 실용적으로 구현 가능하며, 즉각적인 도입 잠재력이 매우 높다.
• CLCS 설계에 AI를 통합하는 것은 영역 전문 지식의 대체가 아니라, 체계적인 데이터 수집의 가치를 증폭시키는 보완이다.
• 해석 가능한 AI가 없더라도, 아키텍처적 제약과 실패 방지 메커니즘을 통해 안전하고 테스트 가능한 AI 기반 CLCS를 실현할 수 있다.