[논문 리뷰] General Dynamic Neural Networks for explainable PID parameter tuning in control engineering: An extensive comparison.

Johannes Günther, Elias Reichensdörfer외 2명|arXiv (Cornell University)|2019. 05. 30.

Fault Detection and Control Systems인용 수 1

한 줄 요약

이 논문은 복잡한 제어 시스템에서 적응형이고 해석 가능한 학습을 가능하게 하는 일반 동적 신경망(GDNN)을 제안한다. 순환 신경망과 유한입력유한출력(BIBO) 안정성 분석을 통합함으로써, GDNN-PID 제어기는 16개의 벤치마크 과제 중 15개에서 표준 및 모델 기반 PID 제어를 능가하며, 동시에 해석 가능성과 안정성 보장을 유지한다.

ABSTRACT

Modern automation systems rely on closed loop control, wherein a controller interacts with a controlled process, based on observations. These systems are increasingly complex, yet most controllers are linear Proportional-Integral-Derivative (PID) controllers. PID controllers perform well on linear and near-linear systems but their simplicity is at odds with the robustness required to reliably control complex processes. Modern machine learning offers a way to extend PID controllers beyond their linear capabilities by using neural networks. However, such an extension comes at the cost of losing stability guarantees and controller interpretability. In this paper, we examine the utility of extending PID controllers with recurrent neural networks-namely, General Dynamic Neural Networks (GDNN); we show that GDNN (neural) PID controllers perform well on a range of control systems and highlight how they can be a scalable and interpretable option for control systems. To do so, we provide an extensive study using four benchmark systems that represent the most common control engineering benchmarks. All control benchmarks are evaluated with and without noise as well as with and without disturbances. The neural PID controller performs better than standard PID control in 15 of 16 tasks and better than model-based control in 13 of 16 tasks. As a second contribution, we address the lack of interpretability that prevents neural networks from being used in real-world control processes. We use bounded-input bounded-output stability analysis to evaluate the parameters suggested by the neural network, thus making them understandable. This combination of rigorous evaluation paired with better interpretability is an important step towards the acceptance of neural-network-based control approaches. It is furthermore an important step towards interpretable and safely applied artificial intelligence.

연구 동기 및 목표

• 복잡하고 비선형적인 과정 제어에서 전통적인 선형 PID 제어기의 한계를 해결하기 위해.
• 신경망 기반 제어 시스템에서 성능와 해석 가능성 간의 상충 관계를 극복하기 위해.
• 제어기 투명성을 유지하면서도 확장 가능하고 안정적인 PID 제어기의 신경망 확장 기법을 개발하기 위해.
• 노이즈와 외란이 존재하는 다양한 실제 제어 시나리오에서 제안된 방법을 평가하기 위해.

제안 방법

• 표준 PID 제어 아키텍처에 동적이고 순환적인 확장으로서 일반 동적 신경망(GDNN)을 구현하기 위해.
• 시스템 피드백과 과정 동역학에 기반해 실시간으로 PID 파라미터를 적응적으로 조정할 수 있도록 GDNN을 훈련하기 위해.
• 학습된 제어기 파라미터의 안정성을 검증하기 위해 유한입력유한출력(BIBO) 안정성 분석을 적용하기 위해.
• 형식적 안정성 기준을 통한 신경망의 파라미터 출력 분석을 통해 해석 가능성을 통합하기 위해.
• 노이즈와 외란이 포함된 다양한 조건에서 성능을 평가하기 위해 네 가지 표준 제어 공학 벤치마크를 사용하기 위해.
• 모든 구성에서 표준 PID 및 모델 기반 제어 전략과 GDNN-PID를 비교하기 위해.

실험 결과

연구 질문

• RQ1 GDNN 기반 PID 제어기는 표준 PID 및 모델 기반 제어기와 비교해 복잡하고 비선형적인 시스템에서 뛰어난 제어 성능을 달성할 수 있는가?
• RQ2 GDNN-PID 제어기는 노이즈와 외부 외란 하에서 얼마나 높은 안정성과 강건성을 유지하는가?
• RQ3 BIBO 안정성 분석은 제어 맥락에서 신경망이 생성한 파라미터를 효과적으로 해석하고 검증하는 데 사용될 수 있는가?
• RQ4 GDNN-PID 접근법은 다양한 제어 시스템 벤치마크에서 얼마나 확장 가능하고 일반화 가능한가?

주요 결과

• GDNN-PID 제어기는 16개의 벤치마크 과제 중 15개에서 표준 PID 제어를 능가하여 뚜렷한 성능 향상을 보였다.
• 16개 과제 중 13개에서 GDNN-PID 제어기는 모델 기반 제어 전략을 뛰어넘었으며, 이는 강력한 일반화 능력과 적응성의 증거였다.
• BIBO 안정성 분석의 통합으로 제어기 파라미터의 공식적 검증이 가능해져 해석 가능성과 신뢰도가 향상되었다.
• 노이즈 및 외란 조건 하에서도 제어 성능이 높게 유지되어 실제 환경에서의 내구성과 저항성을 확인했다.
• 제안된 방법은 높은 성능와 해석 가능성 사이의 균형을 성공적으로 달성하여 신경 제어의 실생활 적용에 있어 핵심 장벽을 해결했다.
• 결과는 GDNN-PID가 적응성과 안전 보장을 동시에 요구하는 현대 제어 시스템에 대해 확장 가능하고 신뢰할 수 있는 대안임을 시사한다.