[论文解读] 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 11

一句话总结

本文提出了一种安全感知的、无模型的、数据驱动的PID串级控制器调参方法，采用约束贝叶斯优化。通过将实验确定的临界增益作为安全约束，并利用高斯过程对性能和稳定性进行建模，该方法在确保稳定性的前提下自主优化控制器参数，在CNC磨床实验中实现了超过20%的性能提升。

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

研究动机与目标

• 开发一种无需精确过程模型即可自动、安全且高效地调参串级PID控制器的工业系统方法。
• 通过将实验识别的临界增益作为约束，确保调参过程中的系统稳定性和安全性。
• 利用高斯过程建模的数据驱动指标优化控制器性能。
• 实现在生产周期之间的自主调参，最大限度减少人工干预并实现调参流程的标准化。
• 在CNC磨床的仿真和真实实验中验证该方法。

提出的方法

• 该方法利用贝叶斯优化与高斯过程，基于系统数据建模性能目标，实现数据高效的优化。
• 另一个独立的高斯过程用于建模安全约束，从实验数据中捕捉控制器增益在稳定与不稳定之间的边界。
• 采集函数同时考虑性能预测和约束满足概率，确保所有候选点均处于安全操作范围内。
• 提出一种基于采集函数收敛性和接近临界增益程度的新型停止准则，提升效率并避免不必要的实验。
• 该方法包含临界增益的自动检测，并对靠近不稳定阈值的控制器参数施加惩罚，以增强安全性。
• 采用粒子群优化以最大化采集函数，在高维参数空间中实现计算效率与全局收敛性的平衡。

实验结果

研究问题

• RQ1 无模型、数据驱动的方法能否在确保稳定性和性能的前提下安全地调参串级PID控制器？
• RQ2 如何有效将实验确定的临界增益整合到贝叶斯优化框架中以实现安全约束？
• RQ3 与传统自整定方法（如继电器反馈调参）相比，该方法能实现多大的性能提升？
• RQ4 与标准贝叶斯优化相比，所提出的感知安全的采集函数在收敛速度和鲁棒性方面表现如何？
• RQ5 当系统动态在调参周期间发生变化时，先前的实验数据能在多大程度上被复用？

主要发现

• 在CNC磨床上的实验验证中，所提方法相较于原始控制器设置实现了超过20%的系统性能提升。
• 得益于量身定制的停止准则和安全感知的探索策略，该算法收敛至全局最优的速度显著快于继电器反馈自整定方法。
• 在计算效率和解的质量方面，粒子群优化均优于网格搜索，尤其在高分辨率下表现更优，具有更低的最终代价和更快的收敛速度。
• 对靠近临界增益的参数施加惩罚，有效降低了不稳定风险，并提升了优化过程的鲁棒性。
• 该方法在整个调参过程中始终保持稳定，未探索任何不安全的控制器配置，这由安全感知的采集函数保证。
• 先前调参周期的实验数据可作为信息性先验被复用，从而减少后续调参会话所需的实验次数。