Towards Autonomous Commissioning of Industrial Drives via Multi-Objective Bayesian Optimization

Resumen Técnico: Hacia la Puesta en Marcha Autónoma de Accionamientos Industriales mediante Optimización Bayesiana Multiobjetivo

Planteamiento del Problema
La puesta en marcha de accionamientos eléctricos industriales sigue siendo un cuello de botella crítico en los flujos de trabajo de automatización, dependiendo en gran medida del ajuste manual e iterativo de bucles de control en cascada (corriente, velocidad, posición). Este proceso requiere un conocimiento experto significativo, es difícil de estandarizar y a menudo produce respuestas subóptimas u oscilatorias en sistemas complejos. Aunque se han propuesto métodos basados en datos y optimización, muchos enfoques existentes dependen de simulaciones, modelos simplificados o gemelos digitales. La validación directa en hardware industrial real bajo restricciones prácticas —tales como espacios de parámetros discretos, mediciones ruidosas, latencia de comunicación y límites estrictos en el número de ensayos físicos— sigue siendo limitada. Además, la Optimización Bayesiana (BO) tradicional basada en Procesos Gaussianos (GP) a menudo tiene dificultades en este contexto debido a la naturaleza discreta de los parámetros y al alto costo de las evaluaciones.

Metodología
Los autores proponen un marco completamente automatizado y libre de modelos para el ajuste del bucle de control de corriente de accionamientos industriales directamente en hardware real. El enfoque trata al accionamiento como un sistema de caja negra, sin requerir identificación del sistema, modelos de planta ni modificaciones de firmware. La interacción se logra mediante una interfaz de comunicación estándar (Modbus), con los parámetros del controlador actualizados de forma remota.

Las contribuciones técnicas clave y los pasos metodológicos incluyen:

1. Formulación Multiobjetivo: En lugar de escalarizar los objetivos, el problema de ajuste se formula como una tarea de optimización multiobjetivo que minimiza simultáneamente cuatro métricas complementarias:

   • IAE (Integral del Error Absoluto): Precisión promedio de seguimiento.
   • ITAE (Integral del Error Absoluto Ponderado por el Tiempo): Penaliza los errores que persisten más tarde en la respuesta.
   • OS (Sobrepico): Desviación direccional máxima durante las transiciones.
   • OSC (Oscilación): RMS normalizado del rizo residual durante los segmentos de estado estacionario.
     El objetivo es aproximar el conjunto óptimo de Pareto de configuraciones del controlador $(K_p, K_i)$ que representan compensaciones entre estas métricas.

2. Selección del Algoritmo (TPE Multivariante): Los autores seleccionan el Estimador Parzen de Estructura de Árbol (TPE) como la estrategia BO subyacente, específicamente su extensión multivariante. Esta elección se impulsa por la necesidad de manejar:

   • Parámetros Discretos: El hardware industrial a menudo requiere ganancias de valor entero.
   • Evaluaciones Ruidosas: Los experimentos físicos introducen ruido de medición.
   • Acoplamiento de Parámetros: La variante multivariante modela conjuntamente la distribución de $K_p$ y $K_i$, capturando sus interdependencias, a diferencia del TPE estándar que modela los parámetros de forma independiente.
   • Presupuesto Limitado: TPE evita la sobrecarga computacional y las suposiciones de suavidad de la BO basada en GP, ofreciendo una convergencia más rápida en regímenes de bajo presupuesto (decenas de ensayos).

3. Bucle Experimental: La optimización se ejecuta en un PC externo. Cada ensayo implica actualizar parámetros, aplicar una señal de referencia de pulso rectangular predefinida (60% de la corriente pico nominal), adquirir datos mediante el osciloscopio interno del accionamiento y calcular las métricas fuera de línea.

4. Estrategia de Post-selección: Dado que la salida es una frontera de Pareto, se selecciona un controlador final mediante un proceso de dos pasos:

   • Restricciones Duras: Filtrado de configuraciones que violan límites específicos de sobrepico u oscilación.
   • Distancia Ponderada: Selección del candidato más cercano a un punto ideal utilizando una distancia $\ell_2$ ponderada. Las estrategias predefinidas (Equilibrada, Rápida, Suave) permiten a los usuarios priorizar métricas específicas sin volver a ejecutar la optimización.

Resultados Clave
La validación experimental se realizó en un accionamiento de motor industrial real (230 V, 1.8 A) en condiciones sin carga, comparando la BO basada en TPE frente a la Búsqueda Aleatoria (RS) y la BO basada en GP a través de presupuestos de ensayo de 15, 20, 30, 50 y 100.

• Velocidad de Convergencia: La BO basada en TPE demostró un crecimiento más rápido en el hipervolumen normalizado en comparación tanto con la BO basada en GP como con la RS, particularmente inmediatamente después de la fase inicial de exploración aleatoria. Esto indica una exploración más eficiente del espacio de parámetros bajo presupuestos de evaluación ajustados.
• Calidad de la Frontera de Pareto: TPE identificó consistentemente fronteras de Pareto más grandes y ricas que RS y, en muchos casos, que la BO basada en GP. Esto sugiere que TPE proporciona una aproximación empírica mejor de la superficie de compensación, ofreciendo opciones de alta calidad más diversas para su implementación.
• Rendimiento frente al Ajuste de Expertos: El método logró un rendimiento comparable, y en algunas métricas superior, al ajuste manual de expertos en pocos minutos (por ejemplo, ~30% de mejora en IAE y 27% en ITAE a 30 ensayos en comparación con la línea base de expertos). La solución automatizada igualó el rendimiento del experto en precisión de seguimiento mientras reducía el comportamiento oscilatorio, aunque la línea base de expertos logró un sobrepico ligeramente menor en el caso de prueba específico.
• Robustez: La BO basada en TPE mostró una variabilidad significativamente menor entre semillas independientes en comparación con RS. Mientras que la BO basada en GP ofreció alta consistencia en las métricas finales con presupuestos más altos, TPE mantuvo la robustez tanto en la calidad de la solución final como en la consistencia del tamaño de la frontera de Pareto entre ejecuciones.
• Eficiencia Computacional: La BO basada en TPE incurrió en una sobrecarga computacional negligible en comparación con la BO basada en GP, la cual sufrió tiempos de ajuste aumentados debido al ajuste del modelo sustituto y la optimización de la adquisición.

Significado y Afirmaciones
El artículo afirma presentar un paso práctico hacia la puesta en marcha totalmente autónoma de sistemas de accionamiento industriales. Su importancia radica en:

• Aplicabilidad en el Mundo Real: El método opera bajo restricciones industriales realistas (sin modelos, parámetros discretos, datos ruidosos, ensayos limitados) sin requerir cambios de firmware.
• Adecuación del Algoritmo: Establece que para esta clase específica de problemas industriales, el TPE multivariante está mejor alineado con las restricciones que la BO tradicional basada en GP, ofreciendo un equilibrio superior entre velocidad de convergencia, riqueza de la frontera de Pareto y eficiencia computacional.
• Autonomía: El marco demuestra que se pueden identificar configuraciones de controladores de alta calidad de forma autónoma en minutos, reduciendo la dependencia de heurísticas de expertos y estandarizando el proceso de puesta en marcha.

Los autores mantienen modestia en sus afirmaciones, señalando que la validación está actualmente restringida al bucle de corriente sin carga de una sola configuración de accionamiento. Reconocen que es necesaria una validación más amplia bajo carga y a través de diferentes configuraciones de accionamiento para trabajos futuros. No afirman una superioridad uniforme de TPE sobre GP en cada métrica individual, sino que argumentan a favor de su idoneidad general en este contexto industrial multiobjetivo y restringido específico.