[論文レビュー] Safety-Aware Cascade Controller Tuning Using Constrained Bayesian Optimization

Christopher König, Mohammad R. Khosravi+4 more|arXiv (Cornell University)|Oct 28, 2020

Advanced Control Systems Optimization被引用数 11

ひとこと要約

本稿では、制約付きベイズ最適化を用いて、実験的に特定された臨界ゲインを安全制約として統合し、ガウス過程を用いて性能と安定性をモデル化することで、モデルフリーでデータ駆動型の安全意識のあるPIDカスケード制御のパrameter調整手法を提案する。この手法により、安定性を保証しつつ自動的に制御パrameterを最適化でき、CNC研削工作機械における実験で20%以上の性能向上を達成した。

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

研究の動機と目的

• 正確なプラントモデルが不要な状況下でも、自動的で安全かつ効率的な工業用システムにおけるカスケードPID制御のパrameter調整手法を開発すること。
• 実験的に特定された臨界ゲインを制約として組み込むことで、調整中にシステムの安定性と安全性を保証すること。
• ガウス過程を用いてモデル化されたデータ駆動型の指標を用いて、制御パrameterの性能を最適化すること。
• 生産サイクル間での自律的調整を可能とし、人的介入を最小限に抑え、調整プロセスを標準化すること。
• CNC研削工作機械におけるシミュレーションおよび実世界の実験を通じて、本手法を検証すること。

提案手法

• 本手法は、システムのデータに基づいて性能目的をガウス過程でモデル化するベイズ最適化を用い、データ効率の高い最適化を実現する。
• 別個のガウス過程を用いて安全制約をモデル化し、実験データから安定と不安定の境界を捉える。
• 獲得関数は、性能予測と制約満たし確率の両方を組み込み、候補となる点が常に安全な運用範囲内に留まるように保証する。
• 獲得関数の収束と臨界ゲインへの近接度に基づく新しい停止基準により、効率が向上し、無駄な試行を回避できる。
• 臨界ゲインの自動検出を実装し、不安定化しきわどいゲインに近い制御パrameterに対してペナルティを適用することで、安全性を向上させる。
• 高次元パrameter空間における計算効率とグローバル収束性の両立を図るため、粒子群最適化を獲得関数の最大化に用いる。

実験結果

リサーチクエスチョン

• RQ1 モデルフリーでデータ駆動型のアプローチが、安定性と性能を保証しつつ、カスケードPID制御のパrameterを安全に調整できるか。
• RQ2 実験的に特定された臨界ゲインを、安全制約を強制するベイズ最適化フレームワークに効果的に統合する方法は何か。
• RQ3 伝統的な自動調整手法（例：リレーフィードバックチューニング）と比較して、どの程度の性能向上が達成できるか。
• RQ4 提案された安全意識のある獲得関数は、標準的なベイズ最適化と比較して、収束速度と頑健性の面でどのように優れているか。
• RQ5 システムのダイナミクスがチューニングサイクル間で変化した場合、過去の実験データをどの程度再利用できるか。

主な発見

• CNC研削工作機械における実験的検証で、提示された手法はノーマル制御パrameter設定と比較して20%以上の性能向上を達成した。
• 適切に設計された停止基準と安全意識のある探索により、リレーフィードバック自動調整法よりもグローバル最適解に著しく速く収束した。
• 特に高解像度の条件下で、グリッドサーチに比べて粒子群最適化が計算効率と解の品質の両面で優れており、最終コストが低く、収束も速かった。
• 臨界ゲインに近いパrameterに対してペナルティを適用することで、不安定化のリスクが低下し、最適化プロセスの頑健性が向上した。
• 安全意識のある獲得関数のおかげで、チューニングプロセス中、安全でない制御パrameter設定が一切探索されず、安定性が維持された。
• 過去のチューニングサイクルで得られた実験データを情報的事前分布として再利用でき、その後のチューニングセッションにおける必要実験回数が削減された。