Adaptive Tuning of Online Feedback Optimization for Process Control Applications

1. Problématique

L'optimisation par rétroaction en ligne (Online Feedback Optimization - OFO) est une méthode prometteuse pour le contrôle des procédés industriels, car elle permet d'atteindre des points de fonctionnement optimaux tout en respectant les contraintes, sans nécessiter un modèle complet du système. Cependant, la performance en boucle fermée des contrôleurs OFO dépend fortement des paramètres de l'algorithme d'optimisation sous-jacent, spécifiquement :

• La taille de pas (step size, $\alpha$).
• La matrice de mise à l'échelle (scaling matrix, $S$).

Dans les applications pratiques, le réglage de ces hyperparamètres est complexe car ils sont déconnectés des caractéristiques dynamiques du procédé. Traditionnellement, cela nécessite une série d'expériences itératives (réglage manuel) pour trouver des valeurs constantes qui fonctionnent bien, ce qui est chronophage et sensible aux variations des conditions de fonctionnement. De plus, les méthodes existantes d'adaptation (comme la recherche de ligne ou l'utilisation de l'information de Hessian) sont souvent inapplicables en temps réel en raison du manque de modèles précis ou de mesures de dérivées complètes.

2. Méthodologie

Les auteurs proposent une méthode de réglage adaptatif en ligne pour les contrôleurs OFO basés sur la descente de gradient projetée mise à l'échelle. L'approche repose sur trois piliers principaux :

A. Utilisation de la sensibilité de l'objectif

Au lieu d'effectuer de nouvelles expériences pour évaluer l'impact des paramètres, la méthode exploite la sensibilité de la fonction objectif $\Phi$ par rapport aux paramètres de l'algorithme ($S$ et $\alpha$). En utilisant la règle de la chaîne et les dérivées connues des entrées/sorties ($\nabla h$) déjà disponibles dans le contrôleur OFO standard, le système calcule en temps réel comment modifier les paramètres pour réduire l'objectif.

B. Adaptation de la matrice de mise à l'échelle ($S$)

Pour garantir une descente monotone de la fonction objectif ($\Phi_{k+1} \leq \Phi_k$), la méthode résout un problème d'optimisation auxiliaire semi-défini à chaque itération.

• L'objectif est de trouver une nouvelle matrice $S_{k+1}$ qui satisfasse une condition de descente approximée.
• Pour des raisons pratiques, une version simplifiée utilisant une formulation diagonale est proposée. Cette règle de réglage ajuste les éléments diagonaux de $S$ en fonction du signe de la dérivée de l'objectif par rapport à ces éléments (augmentation si la dérivée est négative, diminution si elle est positive), similaire à un algorithme de backtracking.

C. Adaptation de la taille de pas ($\alpha$)

Pour compenser les imprécisions de l'approximation linéaire et éviter les oscillations, la taille de pas est adaptée dynamiquement.

• La fonction objectif est approximée localement par une fonction quadratique par rapport à $\alpha$.
• Les coefficients de cette parabole sont estimés à partir de la valeur actuelle, de la dérivée directionnelle et d'une évaluation supplémentaire.
• La nouvelle taille de pas $\alpha_{k+1}$ est obtenue en minimisant cette approximation quadratique dans une plage autorisée.

3. Contributions Clés

1. Réduction des paramètres réglables : La méthode réduit le nombre de paramètres à régler par l'opérateur à de simples valeurs scalaires (limites de variation de l'objectif et des entrées), éliminant le besoin de définir des matrices complexes ou des tailles de pas fixes.
2. Élimination des expériences répétées : Contrairement aux méthodes manuelles ou aux approches nécessitant des essais multiples, l'adaptation se fait entièrement en ligne sans perturber le procédé par des tests supplémentaires.
3. Généralité aux systèmes non linéaires : La méthode est conçue pour les systèmes non linéaires typiques du contrôle de procédés, sans hypothèse de linéarité dynamique ou de fonction objectif quadratique stricte.
4. Cadre théorique et algorithmique : L'article fournit un algorithme complet (Algorithm 1) intégrant la résolution du problème d'optimisation pour $S$ et l'approximation quadratique pour $\alpha$.

4. Résultats Numériques

Les performances de la méthode ont été validées sur trois études de cas :

• Exemple académique (Fonction Rosenbrock et exemple de H¨aberle) :

  • L'adaptation a permis de converger vers l'optimum en 5 itérations contre 82 pour un réglage fixe.
  • La combinaison de l'adaptation de $S$ et de $\alpha$ a éliminé les oscillations observées lorsque seule la taille de pas était adaptée, assurant une convergence rapide et stable.

• Optimisation de l'injection de gaz (Gas Lift) :

  • Appliqué à un système de deux plateformes pétrolières avec contraintes de couplage.
  • La méthode adaptative a atteint l'optimum plus rapidement que le réglage manuel, même lorsque les contraintes devenaient actives.
  • L'analyse a montré que l'algorithme ajustait dynamiquement les éléments de la matrice $S$ : augmentation des éléments lorsque le problème était non contraint (pour accélérer) et diminution lorsque les contraintes étaient actives (pour respecter les limites).

• Réacteur à cuve agitée continue (CSTR) :

  • Comparaison avec un réglage manuel nécessitant 8 cas expérimentaux différents.
  • L'algorithme adaptatif a atteint une précision de suivi 25 % meilleure sur la trajectoire de réglage et 20 % meilleure sur une trajectoire de validation, sans aucune expérience préalable.
  • La méthode a démontré une capacité supérieure à suivre des changements de consigne brusques en ajustant simultanément la matrice de mise à l'échelle et la taille de pas.

5. Signification et Perspectives

Cette recherche représente une avancée significative pour l'application du contrôle basé sur l'optimisation dans l'industrie. En automatisant le réglage des paramètres OFO, elle rend la technologie plus accessible et robuste, réduisant la charge de travail des ingénieurs et le temps de mise en service.

Limites et travaux futurs :

• La méthode repose sur des approximations de la fonction objectif et des contraintes ; des garanties théoriques de convergence et de satisfaction des contraintes doivent encore être établies rigoureusement.
• La robustesse face au bruit de mesure réel doit être améliorée pour faciliter l'implémentation industrielle.
• L'approche pourrait être étendue à des systèmes avec des dynamiques plus complexes ou des retards importants.

En conclusion, cette méthode transforme l'OFO d'une technique nécessitant un réglage manuel intensif en une solution autonome capable de s'adapter aux conditions changeantes des procédés industriels.