[论文解读] AI for Closed-Loop Control Systems -- New Opportunities for Modeling, Designing, and Tuning Control Systems

Julius Schöning, Adrian Riechmann+1 more|Library Osnabrück University (Hochschule Osnabrück)|Jan 18, 2022

Control Systems and Identification被引用 6

一句话总结

本文提出将人工智能（AI），特别是人工神经网络（ANNs），集成到闭环控制系统（CLCS）中，以增强建模、设计与调参能力。文中引入基于AI的控制器模块，替代传统组件，实现自适应、数据驱动的控制，同时通过故障切换机制和受控的AI影响范围确保功能安全，为构建更智能、更具鲁棒性的工业控制系统提供可行路径。

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.

研究动机与目标

• 解决尽管AI与控制理论取得进展，但在控制系统工程中AI集成仍显不足的问题。
• 识别利用人工神经网络（ANNs）替代传统CLCS模块（尤其是控制器）的潜在机会。
• 通过提出结合故障切换控制器或受控AI影响范围的混合架构，确保基于AI的CLCS的功能安全性。
• 通过AI实现对复杂非线性过程的数据驱动、经验建模，减少对物理模型的依赖。
• 提供一项研究路线图，推动AI在控制系统中的应用，重点关注实际可行、安全可靠且可测试的实现方式。

提出的方法

• 用人工神经网络（ANNs）替换CLCS中的传统控制器模块，实现自适应、数据驱动的控制。
• 利用记录的过程数据训练ANNs，以建模系统动态并预测控制动作，绕过复杂的物理建模过程。
• 实施混合控制架构：一种是通过安全阈值激活的故障切换传统控制器（如PID）；另一种是在预设控制边界内进行AI微调。
• 限制ANNs中的可训练权重数量，以提高可测试性并降低不可预测性，支持功能安全合规。
• 在整个CLCS设计流程中（从过程建模到控制器调参）集成AI，使用经验数据替代分析模型。
• 提出两种符合安全规范的AI控制器设计：一种是具备故障安全开关、可切换回传统控制的结构；另一种是通过限制AI输出以防止不安全行为。

实验结果

研究问题

• RQ1 人工智能，特别是人工神经网络（ANNs），如何被整合到闭环控制系统的标准框图中，以替代或增强传统组件？
• RQ2 在关键安全系统中部署基于AI的控制器时面临的主要挑战是什么？功能安全如何得以维持？
• RQ3 基于记录数据的AI过程建模是否在速度和适应性方面优于传统物理建模？
• RQ4 哪些设计模式能够实现安全、可测试且可靠的AI集成，而无需依赖可解释AI？
• RQ5 如何利用AI调参或完全替代控制器，同时保持系统的稳定性和性能？

主要发现

• 基于记录数据的AI过程建模可显著缩短建模时间，并消除对复杂物理模型的依赖。
• 采用受控AI影响范围或故障切换传统控制器的混合控制架构，可在不依赖可解释AI的前提下实现基于AI的CLCS功能安全。
• 仅当AI对控制变量的影响被严格限制且可预测时，才可将ANNs作为传统控制器的完整替代。
• AI赋能的控制器参数调参（如PID增益）是近期可实现的实用应用，具备立即部署的高潜力。
• 将AI集成到CLCS设计中并非替代领域专业知识，而是作为补充，从而放大系统化数据收集的价值。
• 尽管缺乏可解释AI，但通过架构约束和故障安全机制，仍可实现安全且可测试的基于AI的CLCS。