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

Resumen Técnico: Sintonización Interpretativa de Parámetros PID para la Ingeniería de Control mediante Redes Neuronales Dinámicas Generales

Planteamiento del Problema
Los sistemas de automatización modernos involucran cada vez más procesos físicos complejos que no pueden ser modelados adecuadamente mediante ecuaciones lineales simples. Si bien los controladores Proporcional-Integral-Derivativo (PID) siguen siendo el estándar en la industria debido a su simplicidad y facilidad de sintonización, son inherentemente limitados para sistemas lineales o casi lineales. Cuando se aplican a procesos no lineales complejos, los controladores PID estándar suelen fallar al no proporcionar robustez contra perturbaciones o variaciones en la dinámica del sistema, lo que requiere una supervisión humana cercana. Por el contrario, los métodos de control avanzado diseñados para sistemas no lineales suelen ser demasiado complejos para una adopción generalizada en la ingeniería.

Aunque las técnicas de aprendizaje automático, específicamente las redes neuronales, han mostrado potencial para sintonizar parámetros PID en línea para adaptarse a las no linealidades, su aplicación en la ingeniería de control del mundo real se ve obstaculizada por dos barreras primarias:

1. Falta de Generalización: Estudios previos se han centrado típicamente en arquitecturas de tarea única y específica (por ejemplo, estrictamente recurrentes o diagonales) que pueden no generalizarse a través de diversos entornos de control.
2. Falta de Interpretabilidad y Seguridad: Las redes neuronales funcionan como "cajas negras", lo que impide a los ingenieros verificar la estabilidad de los parámetros sugeridos. La ingeniería de control exige garantías de estabilidad rigurosas (específicamente la estabilidad de entrada acotada y salida acotada, BIBO) para asegurar la seguridad, un requisito que a menudo se ignora en la literatura existente sobre sintonización neuronal.

Metodología
Los autores proponen un marco que integra Redes Neuronales Dinámicas Generales (GDNN) en una arquitectura de control de bucle cerrado estándar para realizar la sintonización de parámetros PID en línea.

• Arquitectura: La red neuronal recibe la salida del sistema ($v$) y el error de control ($e$) como entradas. Produce las tres constantes ajustables del PID ($K_P, K_I, K_D$) en cada paso de tiempo. Para asegurar la eficiencia computacional en hardware con recursos limitados (demostrado en una Raspberry Pi 3), las redes se restringen a una sola capa oculta con cuatro neuronas. La arquitectura incluye conexiones recurrentes donde las salidas de las neuronas se retroalimentan con un retraso de un paso de tiempo ($g^{-1}$).
• Estrategia de Entrenamiento: A diferencia de los enfoques de aprendizaje profundo estándar que dependen de la optimización de extremo a extremo con salidas ideales conocidas, este marco no puede utilizar la retropropagación estándar porque los parámetros PID "ideales" son desconocidos. En su lugar, los autores emplean un algoritmo numérico de Levenberg-Marquardt. Este método aproxima la matriz Jacobiana de los pesos de la red neuronal utilizando diferencias finitas para minimizar el error de control cuadrático.
• Diseño Experimental: El estudio evalúa el enfoque a través de cuatro sistemas de referencia distintos que representan desafíos comunes de la ingeniería de control:
  1. Sistema de Tanque Doble: Un sistema no lineal que representa procesos como biorreactores.
  2. Péndulo Invertido sobre un Carro: Un sistema con equilibrio inestable y no linealidad.
  3. Sistema con Retraso de Tiempo No Negligible: Un sistema LTI de primer orden con un retraso significativo.
  4. Lazo de Convección Térmica Caótico: Un sistema que exhibe comportamiento caótico.
• Pruebas de Robustez: Cada sistema se prueba bajo cuatro condiciones: sin ruido/perturbación, con solo ruido, con solo perturbación, y con ambos. Las perturbaciones se aplican para llevar el sistema al límite de la estabilidad. El PID neuronal se compara contra un controlador PID estándar y un controlador basado en modelos apropiado para el sistema (por ejemplo, Backstepping, LQR, Smith Predictor).

Contribuciones Clave

1. Estudio Comparativo Extenso: El artículo hace avanzar el estado del arte al ir más allá de las evaluaciones de tarea única. Proporciona una comparación exhaustiva de la sintonización de PID basada en GDNN a través de cuatro diversos sistemas de referencia, incluyendo escenarios con ruido de sensor y perturbaciones externas.
2. Interpretabilidad mediante Análisis de Estabilidad: Los autores abordan la preocupación de la "caja negra" aplicando un análisis de estabilidad de entrada acotada y salida acotada (BIBO) a la salida de la red neuronal. Al calcular la función de transferencia de bucle cerrado en cada paso de tiempo basándose en los parámetros sugeridos por la red neuronal, demuestran cómo verificar la estabilidad del sistema. Esto se ilustra utilizando el lazo de convección térmica caótica, mostrando que el sistema se vuelve estable en términos de entrada-salida a medida que se acerca al estado estacionario, haciendo que las decisiones de la red neuronal sean comprensibles para los ingenieros de control.

Resultados
El estudio, basado en 50 ejecuciones independientes por escenario (16 escenarios en total), arrojó los siguientes resultados cuantitativos:

• Desempeño: El controlador PID neuronal superó al controlador PID estándar en 15 de los 16 casos.
• Comparación con el Control Basado en Modelos: El controlador PID neuronal superó a los controladores especializados basados en modelos (Backstepping, LQR, Smith Predictor) en 13 de los 16 casos.
• Hallazgos Específicos:
  • En el escenario del Péndulo Invertido, el PID neuronal fue el único controlador capaz de estabilizar el sistema cuando se sometió a una perturbación significativa, mientras que el PID estándar y el LQR fallaron (resultando en valores de error de 140 frente a 0.27).
  • En el Lazo de Convección Térmica Caótica, el PID neuronal logró un equilibrio superior entre el tiempo de asentamiento y el sobreimpulso en comparación con Backstepping y el PD estándar. También demostró un consumo de energía significativamente menor durante la estabilización.
  • En el sistema de Retraso de Tiempo, el PID neuronal superó al PID estándar en todos los escenarios, aunque el Smith Predictor (que tiene conocimiento explícito del retraso) funcionó ligeramente mejor en condiciones sin ruido.

Significancia y Reivindicaciones
El artículo afirma que este trabajo representa un paso significativo hacia la aceptación del aprendizaje automático en los sistemas de control del mundo real. Al combinar los beneficios de desempeño de las redes neuronales con un análisis de estabilidad riguroso, los autores demuestran que los controladores PID neuronales pueden ser altamente eficientes e interpretables.

Los autores enmarcan modestamente su trabajo como un "primer paso" y una "primera investigación" utilizando redes neuronales dinámicas generales para este propósito. Enfatizan que, si bien los datos de entrenamiento se derivaron de ecuaciones diferenciales, los controladores resultantes mostraron una mayor resiliencia ante perturbaciones y ruidos imprevistos. La principal significancia radica en cerrar la brecha entre la adaptabilidad del aprendizaje automático y los requisitos de seguridad de la ingeniería de control, abordando así una barrera clave para el despliegue de la IA en sistemas críticos para la seguridad. El artículo no pretende haber resuelto todos los problemas de seguridad, sino que sugiere que la incorporación de restricciones de estabilidad (por ejemplo, como términos de regularización) en el proceso de entrenamiento es una extensión natural y necesaria para trabajos futuros.