[論文レビュー] General Dynamic Neural Networks for explainable PID parameter tuning in control engineering: An extensive comparison.

Johannes Günther, Elias Reichensdörfer+2 more|arXiv (Cornell University)|May 30, 2019

Fault Detection and Control Systems被引用数 1

ひとこと要約

本論文では、複雑な制御システムにおける適応的で解釈可能な学習を可能にするために、一般化動的ニューラルネットワーク（GDNN）を提案する。再帰的ニューラルネットワークと有界入力有界出力（BIBO）安定性解析を統合することで、GDNN-PIDコントローラーは16のベンチマークタスクのうち15で標準的およびモデルベースのPID制御を上回ったが、解釈可能性と安定性の保証を維持した。

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.

研究の動機と目的

• 複雑で非線形なプロセスの制御において、従来の線形PIDコントローラーの限界を克服すること。
• ニューラルネットワークベースの制御システムにおける性能と解釈可能性のトレードオフを克服すること。
• コントローラーの透明性を保ちながら、スケーラブルで安定したPIDコントローラーのニューラル拡張を開発すること。
• ノイズや外部摂動を含む多様で現実的な制御シナリオにおいて、提案手法を評価すること。

提案手法

• 標準的PID制御アーキテクチャへの動的かつ再帰的な拡張として、一般化動的ニューラルネットワーク（GDNN）を実装する。
• システムのフィードバックとプロセスダイナミクスに基づいて、GDNNをリアルタイムでPIDパラメータを適応的に調整するように学習させる。
• 学習されたコントローラーパrameterの安定性を検証するために、有界入力有界出力（BIBO）安定性解析を適用する。
• 形式的な安定性基準を用いてニューラルネットワークのパラメータ出力を分析することで、解釈可能性を統合する。
• ノイズや摂動を含むさまざまな条件下での性能評価を目的として、4つの標準的制御工学ベンチマークを用いる。
• すべての設定において、GDNN-PIDを標準的PIDおよびモデルベース制御戦略と比較する。

実験結果

リサーチクエスチョン

• RQ1 GDNNベースのPIDコントローラーは、複雑で非線形なシステムにおいて、標準的PIDおよびモデルベースコントローラーと比較して優れた制御性能を達成できるか？
• RQ2 GDNN-PIDコントローラーは、ノイズや外部摂動の下でも、安定性と頑健性をどの程度維持できるか？
• RQ3 BIBO安定性解析は、制御文脈におけるニューラルネットワークが生成するパラメータの解釈と検証に効果的に用いられるか？
• RQ4 GDNN-PIDアプローチは、多様な制御システムベンチマークにおいて、どの程度スケーラブルで汎用的か？

主な発見

• GDNN-PIDコントローラーは、16のベンチマークタスクのうち15で標準的PID制御を上回り、顕著な性能向上を示した。
• 16のタスクのうち13で、GDNN-PIDコントローラーはモデルベース制御戦略を上回り、優れた一般化能力と適応性を示した。
• BIBO安定性解析の統合により、コントローラーパラメータの形式的検証が可能になり、解釈可能性と信頼性が向上した。
• ノイズありおよび摂動ありの両条件でも、本手法は頑健な性能を維持しており、実世界のシナリオにおける耐性を確認した。
• 提案手法は、高い性能と解釈可能性の両立に成功し、ニューラル制御の実用的導入における主要な障壁を克服した。
• 結果から、GDNN-PIDは、適応性と安全保証を両立させる現代の制御システムにおけるスケーラブルで信頼できる代替手段であると示唆された。