📊 statistics

Interpretable PID Parameter Tuning for Control Engineering using General Dynamic Neural Networks: An Extensive Comparison

Diese Arbeit zeigt, dass General Dynamic Neural Networks (GDNN) PID-Regler effektiv erweitern können, um komplexe, nichtlineare Systeme mit überlegener Leistung und Rauschrobustheit im Vergleich zu Standard- und modellbasierten Ansätzen zu handhaben, während gleichzeitig die Interpretierbarkeit und Stabilität durch eine Bounded-Input-Bounded-Output-Analyse gewährleistet werden.

Ursprüngliche Autoren: Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

Veröffentlicht 2026-06-04

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie fahren ein Auto. In der alten Zeit war der Tempomat ein sehr einfaches, starres System. Wenn Sie 60 mph einstellten, versuchte er, die Geschwindigkeit bei 60 mph zu halten, egal was passierte. Wenn Sie einen steilen Hügel hochfuhren, wurde das Auto langsamer, weil das einfache System nicht wusste, wie es stärker drücken sollte. Wenn Sie einen Hügel hinunterfuhren, beschleunigte es unter Umständen zu sehr. Dies ist wie ein Standard-PID-Regler (Proportional-Integral-Derivativ), der der „Arbeitspferd“ der modernen Automatisierung ist. Er ist großartig für einfache, vorhersehbare Aufgaben, aber er hat Schwierigkeiten, wenn die Welt unordentlich, holprig oder unvorhersehbar wird.

Dieses Paper schlägt eine Lösung vor: Geben Sie diesem einfachen Tempomat ein „Gehirn“ in Form eines Neuronalen Netzes.

Das Problem: Das Starre vs. das Komplexe

Die Autoren weisen darauf hin, dass unsere Fabriken und Maschinen zwar immer komplexer werden (wie das Fahren eines Autos durch einen Sturm, während sich die Straße ständig verändert), wir aber immer noch hauptsächlich diese einfachen, starren Regler verwenden.

Der alte Weg: Ingenieure stimmen den Regler einmal ab, bevor die Maschine startet. Es ist, als würde man seinen Tempomat einstellen und darauf hoffen, dass die Straße flach bleibt.
Das Problem: Wenn sich die Straße ändert (eine Störung) oder das Auto „rauscht“ (Sensorauschen), versagt der einfache Regler oder benötigt einen Menschen, der eingreift und ihn korrigiert.
Die neue Idee: Was wäre, wenn der Regler „denken“ und seine eigenen Einstellungen anpassen könnte, während er fährt?

Die Lösung: Der „schlaue“ Tempomat

Die Forscher haben ein System gebaut, in dem ein kleines Neuronales Netz (eine Art KI) innerhalb des Reglers sitzt. Anstatt nur festen Regeln zu folgen, beobachtet diese KI die Geschwindigkeit des Autos und den Fehler (wie weit sie vom Zielwert entfernt ist) und passt die drei Hauptregler (die PID-Parameter) sofort an, um das zu bewältigen, was gerade passiert.

Denken Sie an einen Chamäleon. Ein Standardregler ist eine Eidechse, die die gleiche Farbe behält, egal was passiert. Dieses neue „Neural PID“ ist ein Chamäleon, das sofort seine Farbe ändert (seine Einstellungen anpasst), um sich dem Hintergrund anzupassen (der aktuellen Situation), sei es ein sonniger Tag, eine regnerische Nacht oder eine holprige Straße.

Die Testfahrt: Vier harte Herausforderungen

Um zu beweisen, dass dies funktioniert, haben die Autoren ihr System nicht nur an einer einfachen Aufgabe getestet. Sie haben ihren „schlauen Tempomat“ durch vier sehr unterschiedliche, schwierige Fahrszenarien (Benchmarks) geschickt:

Das Zwei-Tank-System: Stellen Sie sich vor, Sie versuchen, den Wasserstand in einem unteren Tank perfekt zu halten, obwohl Wasser auf eine unordentliche, nicht-lineare Weise aus einem oberen Tank fließt. Es ist, als würde man versuchen, einen Eimer mit einem Schlauch zu füllen, der einen seltsamen Knick hat.
Das Invertierte Pendel: Dies ist das klassische Problem des „Balancierens eines Besenstiels auf der Hand“. Es ist von Natur aus instabil; wenn man loslässt, fällt es um. Der Regler muss den Wagen perfekt hin und her schieben, um den Stab aufrecht zu halten.
Das verzögerte System: Stellen Sie sich vor, Sie fahren ein Auto, bei dem eine Verzögerung von 5 Sekunden zwischen dem Drehen des Lenkrads und der tatsächlichen Reaktion des Autos liegt. Das ist ein Albtraum für Standardregler.
Der chaotische Kreislauf: Dies ist wie der Versuch, eine Flüssigkeit zu kontrollieren, die in einem völlig unvorhersehbaren, chaotischen Muster wirbelt, wie ein Strudel.

Die Ergebnisse: Die KI gewinnt die meisten Rennen

Die Autoren ließen diese Tests 50 Mal jeweils durchführen und fügten „Rauschen“ (Statik im Radio) und „Störungen“ (plötzliche Windböen oder Schlaglöcher) hinzu.

Die Ergebnistabelle: In 15 von 16 verschiedenen Szenarien machte der Neural PID-Regler einen besseren Job als der standardmäßige, starre PID-Regler.
Die Experten schlagen: Er schlug sogar spezialisierte, komplexe mathematische Regler (wie „Backstepping“ oder „Smith-Prädiktoren“) in 13 von 16 Szenarien.
Der „unaufhaltsame“ Moment: Im Test des chaotischen Kreislaufs, als eine plötzliche Störung auftrat, gerieten die Standardregler außer Kontrolle, oszillierten wild und verbrauchten zu viel Energie. Das Neural PID hingegen blieb ruhig, passte seine Einstellungen im Flug an und stabilisierte das System.

Das „Black-Box“-Problem: Sicherheit gewährleisten

Hier liegt die größte Hürde. Ingenieure haben Angst vor KI, weil sie eine „Black Box“ ist. Man weiß nicht, warum die KI eine Entscheidung getroffen hat. Wenn eine KI einen Flugzeugabsturz verursacht, weiß niemand, ob es ein Bug oder ein Feature war. In sicherheitskritischen Branchen kann man einer Black Box nicht einfach vertrauen.

Die Autoren haben dies durch einen Stabilitätscheck gelöst.

Die Analogie: Stellen Sie sich vor, die KI ist ein Pilot. Normalerweise wissen wir nicht, ob der Pilot sicher fliegt, bis wir das Ziel erreichen. Die Autoren haben einen „Co-Piloten“ gebaut, der ständig die Mathematik überprüft, um sicherzustellen, dass das Flugzeug immer sicher landen wird, egal was der KI-Pilot gerade macht.
Das Ergebnis: Sie haben gezeigt, dass das System – obwohl die KI die Einstellungen jede Millisekunde ändert – mathematisch beweisbar stabil bleibt. Dies verwandelt die „Black Box“ in eine „Glass Box“, die Ingenieure verstehen und der sie vertrauen können.

Das Fazit

Dieses Paper sagt: „Wir können einfache Regler superintelligent machen, indem wir ihnen ein kleines KI-Gehirn geben, das sich in Echtzeit selbst anpasst. Wir haben es bei den schwierigsten Problemen der Ingenieurwissenschaft getestet, und es hat fast jedes Mal gewonnen. Außerdem haben wir einen Weg gefunden, um die Sicherheit zu beweisen, damit Ingenieure es tatsächlich in der realen Welt einsetzen können.“

Es ist ein Schritt hin zu Maschinen, die nicht nur Befehle befolgen, sondern sich dem Chaos der realen Welt anpassen können, während sie gleichzeitig ein Sicherheitsnetz besitzen, das Menschen verstehen können.

Technische Zusammenfassung: Interpretierbare PID-Parameterabstimmung für die Regelungstechnik mittels General Dynamic Neural Networks

Problemstellung
Moderne Automatisierungssysteme beinhalten zunehmend komplexe physikalische Prozesse, die nicht durch einfache lineare Gleichungen adäquat modelliert werden können. Während Proportional-Integral-Derivat-Regler (PID) aufgrund ihrer Einfachheit und leichten Abstimmbarkeit der Industriestandard bleiben, sind sie inhärent auf lineare oder nahezu lineare Systeme beschränkt. Bei der Anwendung auf komplexe, nichtlineare Prozesse versagen Standard-PID-Regler oft bei der Robustheit gegenüber Störungen oder variierenden Systemdynamiken, was eine enge menschliche Überwachung erforderlich macht. Umgekehrt sind fortgeschrittene Regelungsmethoden, die für nichtlineare Systeme entwickelt wurden, oft zu komplex für eine breite Akzeptanz in der Ingenieurpraxis.

Obwohl maschinelle Lernverfahren, insbesondere neuronale Netze, Potenzial zur Online-Abstimmung von PID-Parametern zur Anpassung an Nichtlinearitäten gezeigt haben, wird ihre Anwendung in der realen Regelungstechnik durch zwei primäre Barrieren behindert:

Mangelnde Generalisierung: Vorherige Studien konzentrierten sich typischerweise auf spezifische Single-Task-Architekturen (z. B. streng rekurrent oder diagonal), die möglicherweise nicht über diverse Kontrollumgebungen hinweg generalisieren können.
Mangelnde Interpretierbarkeit und Sicherheit: Neuronale Netze fungieren als „Black Boxes“, was Ingenieure daran hindert, die Stabilität der vorgeschlagenen Parameter zu verifizieren. Die Regelungstechnik verlangt nach strengen Stabilitätsgarantien (speziell der beschränkten Eingangs- und Ausgangsstabilität, BIBO-Stabilität), um die Sicherheit zu gewährleisten – eine Anforderung, die in der bestehenden Literatur zur neuronalen Abstimmung oft vernachlässigt wird.

Methodik
Die Autoren schlagen ein Framework vor, das General Dynamic Neural Networks (GDNNs) in eine Standard-Closed-Loop-Regelarchitektur integriert, um eine Online-PID-Parameterabstimmung durchzuführen.

Architektur: Das neuronale Netz erhält das Systemausgangssignal ( $v$ ) und den Regelabweiler ( $e$ ) als Eingänge. Es gibt zu jedem Zeitschritt die drei abstimmbaren PID-Konstanten ( $K_P, K_I, K_D$ ) aus. Um die Recheneffizienz für Hardware mit begrenzten Ressourcen zu gewährleisten (demonstriert an einem Raspberry Pi 3), sind die Netzwerke auf eine einzige verborgene Schicht mit vier Neuronen beschränkt. Die Architektur enthält rekursive Verbindungen, bei denen die Ausgaben der Neuronen mit einer Verzögerung von einem Zeitschritt ( $g^{-1}$ ) zurückgeführt werden.
Trainingsstrategie: Im Gegensatz zu Standard-Deep-Learning-Ansätzen, die auf End-to-End-Optimierung mit bekannten idealen Ausgaben beruhen, kann dieses Framework kein Standard-Backpropagation verwenden, da die „idealen“ PID-Parameter unbekannt sind. Stattdessen setzen die Autoren einen numerischen Levenberg-Marquardt-Algorithmus ein. Diese Methode approximiert die Jacobi-Matrix der neuronalen Netzwerkgewichte mittels endlicher Differenzen, um den quadratischen Regelabweiler zu minimieren.
Experimentelles Design: Die Studie evaluiert den Ansatz anhand von vier verschiedenen Benchmark-Systemen, die typische Herausforderungen der Regelungstechnik repräsentieren:
1. Zwei-Tank-System: Ein nichtlineares System, das Prozesse wie Bioreaktoren darstellt.
2. Invertiertes Pendel auf einem Wagen: Ein System mit instabilem Gleichgewicht und Nichtlinearität.
3. System mit signifikantem Totzeitanteil: Ein LTI-System erster Ordnung mit erheblicher Verzögerung.
4. Chaotischer thermischer Konvektionskreislauf: Ein System, das chaotisches Verhalten aufweist.
Robustheitstests: Jedes System wird unter vier Bedingungen getestet: ohne Rauschen/Störung, nur mit Rauschen, nur mit Störung und mit beiden. Die Störungen werden so angewendet, dass sie das System an die Grenze der Stabilität führen. Der neuronale PID-Regler wird gegen einen Standard-PID-Regler und einen systemspezifischen modellbasierten Regler (z. B. Backstepping, LQR, Smith-Prädiktor) verglichen.

Wesentliche Beiträge

Umfassende Vergleichsstudie: Die Arbeit erweitert den Stand der Technik, indem sie über die Bewertung einzelner Aufgaben hinausgeht. Sie bietet einen umfassenden Vergleich der GDNN-basierten PID-Abstimmung über vier diverse Benchmark-Systeme hinweg, einschließlich Szenarien mit Sensorrauschen und externen Störungen.
Interpretierbarkeit durch Stabilitätsanalyse: Die Autoren adressieren das „Black Box“-Problem, indem sie eine beschränkte Eingangs- und Ausgangsstabilität (BIBO-Stabilität) auf die Ausgabe des neuronalen Netzes anwenden. Durch die Berechnung der geschlossenen Regelübertragungsfunktion zu jedem Zeitschritt basierend auf den vom neuronalen Netz vorgeschlagenen Parametern demonstrieren sie, wie die Systemstabilität verifiziert werden kann. Dies wird am chaotischen thermischen Konvektionskreislauf verdeutlicht, der zeigt, dass das System beim Annähern an den stationären Zustand eingangs- und ausgangsstabil wird, wodurch die Entscheidungen des neuronalen Netzes für Regelungstechniker nachvollziehbar werden.

Ergebnisse
Die Studie, die auf 50 unabhängigen Durchläufen pro Szenario (insgesamt 16 Szenarien) basiert, lieferte die folgenden quantitativen Ergebnisse:

Leistung: Der neuronale PID-Regler übertraf den Standard-PID-Regler in 15 von 16 Aufgaben.
Vergleich zum modellbasierten Control: Der neuronale PID-Regler übertraf die spezialisierten modellbasierten Regler (Backstepping, LQR, Smith-Prädiktor) in 13 von 16 Aufgaben.
Spezifische Erkenntnisse:
- Im Szenario Invertiertes Pendel war der neuronale PID der einzige Regler, der in der Lage war, das System bei einer signifikanten Störung zu stabilisieren, während der Standard-PID und LQR versagten (Fehlerwerte von 140 gegenüber 0,27).
- Im chaotischen thermischen Konvektionskreislauf erreichte der neuronale PID eine überlegene Balance zwischen Einschwingzeit und Überschwingen im Vergleich zu Backstepping und Standard-PD. Er zeigte zudem einen signifikant geringeren Energieverbrauch während der Stabilisierung.
- Im Totzeit-System übertraf der neuronale PID den Standard-PID in allen Szenarien, obwohl der Smith-Prädiktor (der explizites Wissen über die Totzeit besitzt) in rauschfreien Bedingungen etwas besser abschnitt.

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Arbeit einen bedeutenden Schritt zur Akzeptanz von maschinellem Lernen in realen Regelsystemen darstellt. Durch die Kombination der Leistungsvorteile neuronaler Netze mit strenger Stabilitätsanalyse zeigen die Autoren, dass neuronale PID-Regler sowohl hochleistungsfähig als auch interpretierbar sein können.

Die Autoren rahmen ihre Arbeit bescheiden als „ersten Schritt“ und „erste Untersuchung“ unter Verwendung von General Dynamic Neural Networks für diesen Zweck ein. Sie betonen, dass, obwohl die Trainingsdaten aus Differentialgleichungen abgeleitet wurden, die resultierenden Regler eine erhöhte Resilienz gegenüber unvorhergesehenen Störungen und Rauschen zeigten. Die primäre Bedeutung liegt in der Überbrückung der Lücke zwischen der Anpassungsfähigkeit von maschinellem Lernen und den Sicherheitsanforderungen der Regelungstechnik, wodurch eine zentrale Barriere für den Einsatz von KI in sicherheitskritischen Systemen adressiert wird. Das Paper beansprucht nicht, alle Sicherheitsprobleme gelöst zu haben, legt aber nahe, dass die Integration von Stabilitätsbeschränkungen (z. B. als Regularisierungsterme) in den Trainingsprozess eine natürliche und notwendige Erweiterung für zukünftige Arbeiten ist.