[논문 리뷰] Safety-Aware Cascade Controller Tuning Using Constrained Bayesian Optimization

Christopher König, Mohammad R. Khosravi외 4명|arXiv (Cornell University)|2020. 10. 28.

Advanced Control Systems Optimization인용 수 11

한 줄 요약

이 논문은 제약 조건이 있는 베이지안 최적화를 사용하여 안전성 인식, 모델 불필요, 데이터 기반으로 PID 캐스케이드 컨트롤러를 튜닝하는 방법을 제안한다. 실험적으로 확보한 임계 이득을 안전성 제약 조건으로 통합하고, 가우시안 프로세스를 활용해 성능과 안정성을 모델링함으로써, 안정성을 확보하면서 자동으로 컨트롤러 파라미터를 최적화한다. 실증적으로 CNC 연삭 기계에서 20퍼센트 이상의 성능 향상을 달성하였다.

ABSTRACT

This paper presents an automated, model-free, data-driven method for the safe tuning of PID cascade controller gains based on Bayesian optimization. The optimization objective is composed of data-driven performance metrics and modeled using Gaussian processes. We further introduce a data-driven constraint that captures the stability requirements from system data. Numerical evaluation shows that the proposed approach outperforms relay feedback autotuning and quickly converges to the global optimum, thanks to a tailored stopping criterion. We demonstrate the performance of the method in simulations and experiments. For experimental implementation, in addition to the introduced safety constraint, we integrate a method for automatic detection of the critical gains and extend the optimization objective with a penalty depending on the proximity of the current candidate points to the critical gains. The resulting automated tuning method optimizes system performance while ensuring stability and standardization

연구 동기 및 목표

• 정밀한 식물 모델이 필요 없이 산업 시스템의 캐스케이드 PID 컨트롤러를 자동으로, 안전하고 효율적으로 튜닝할 수 있는 방법을 개발한다.
• 실험적으로 특정한 임계 이득을 식별하여 제약 조건으로 통합함으로써 튜닝 과정 중 시스템의 안정성과 안전성을 보장한다.
• 가우시안 프로세스를 통해 모델링된 데이터 기반 지표를 사용하여 컨트롤러 성능을 최적화한다.
• 생산 주기 간 자동 튜닝을 가능하게 하여 인간 간섭을 최소화하고 튜닝 과정을 표준화한다.
• CNC 연삭 기계에서의 시뮬레이션 및 실세계 실험을 통해 방법을 검증한다.

제안 방법

• 시스템 데이터 기반으로 성능 목표를 모델링하기 위해 가우시안 프로세스를 사용하는 베이지안 최적화를 적용하여 데이터 효율적인 최적화를 가능하게 한다.
• 안전성 제약 조건은 별도의 가우시안 프로세스로 모델링되며, 실험 데이터로부터 안정성과 불안정성의 경계를 포착한다.
• 획득 함수는 성능 예측과 제약 조건 충족 확률을 모두 통합하여, 후보 포인트가 항상 안전한 운영 한계 내에 있도록 보장한다.
• 획득 함수의 수렴성과 임계 이득에의 근접도를 기반으로 한 새로운 정지 기준은 효율성을 향상시키고 불필요한 시도를 방지한다.
• 임계 이득의 자동 탐지 기능을 포함하며, 불안정성 한계 근처의 컨트롤러 파라미터에 페널티를 적용하여 안전성을 향상시킨다.
• 고차원 파라미터 공간에서의 계산 효율성과 전역 수렴성을 균형 잡기 위해 입자 군집 최적화를 사용하여 획득 함수를 최대화한다.

실험 결과

연구 질문

• RQ1 모델 불필요, 데이터 기반 접근 방식이 안정성과 성능을 확보하면서 캐스케이드 PID 컨트롤러를 안전하게 튜닝할 수 있는가?
• RQ2 실험적으로 특정한 임계 이득을 어떻게 효과적으로 제약 조건이 있는 베이지안 최적화 프레임워크에 통합하여 안전성을 보장할 수 있는가?
• RQ3 기존의 리레이나 피드백 튜닝과 비교해 성능 향상은 어느 정도 달성될 수 있는가?
• RQ4 제안된 안전성 인식 획득 함수는 표준 베이지안 최적화와 비교해 수렴 속도와 강건성 측면에서 어떻게 다른가?
• RQ5 시스템 동역학이 튜닝 사이클 간에 변화할 경우, 이전 실험 데이터를 얼마나 효과적으로 재사용할 수 있는가?

주요 결과

• 제안된 방법은 CNC 연삭 기계에서의 실험적 검증을 통해 명시된 컨트롤러 설정 대비 20퍼센트 이상의 성능 향상을 달성하였다.
• 맞춤형 정지 기준과 안전성 인식 탐색 덕분에 리레이나 피드백 자동 튜닝보다 글로벌 최적해에 훨씬 더 신속하게 수렴하였다.
• 입자 군집 최적화는 고해상도에서 특히 더 낮은 최종 비용과 더 빠른 수렴 속도를 기록하며, 격자 검색보다 계산 효율성과 해 품질 측면에서 뛰어났다.
• 임계 이득 근처의 파라미터에 대한 페널티 통합으로 불안정성 위험이 감소하였고, 최적화 과정의 강건성도 향상되었다.
• 안전성 인식 획득 함수의 보장 덕분에 튜닝 과정 전반에 걸쳐 안정성이 유지되었으며, 안전하지 않은 컨트롤러 설정이 한 번도 탐색되지 않았다.
• 이전 튜닝 사이클에서 확보한 실험 데이터는 정보 기반 사전 분포로 재사용되어, 후속 튜닝 세션에서 요구되는 실험 수를 줄였다.