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

Riepilogo Tecnico: Verso la Messa in Servizio Autonoma di Azionamenti Industriali tramite Ottimizzazione Bayesiana Multi-Obiettivo

Enunciazione del Problema
La messa in servizio degli azionamenti elettrici industriali rimane un collo di bottiglia critico nei flussi di lavoro di automazione, fortemente dipendente dalla sintonizzazione manuale e iterativa di anelli di controllo a cascata (corrente, velocità, posizione). Questo processo richiede una significativa conoscenza esperta, è difficile da standardizzare e spesso produce risposte subottimali o oscillanti in sistemi complessi. Sebbene siano stati proposti metodi basati sui dati e sull'ottimizzazione, molti approcci esistenti si affidano a simulazioni, modelli semplificati o gemelli digitali. La validazione diretta su hardware industriale reale, sotto vincoli pratici – come spazi parametrici discreti, misure rumorose, latenza di comunicazione e limiti rigorosi sul numero di prove fisiche – rimane limitata. Inoltre, l'Ottimizzazione Bayesiana (BO) basata su Processi Gaussiani (GP) tradizionale spesso fatica in questo contesto a causa della natura discreta dei parametri e dell'alto costo delle valutazioni.

Metodologia
Gli autori propongono un framework completamente automatizzato e privo di modello per la sintonizzazione dell'anello di controllo della corrente degli azionamenti industriali direttamente su hardware reale. L'approccio tratta l'azionamento come un sistema a scatola nera, non richiedendo identificazione del sistema, modelli della pianta o modifiche al firmware. L'interazione è ottenuta tramite un'interfaccia di comunicazione standard (Modbus), con i parametri del controllore aggiornati in remoto.

I contributi tecnici fondamentali e le fasi metodologiche includono:

1. Formulazione Multi-Obiettivo: Invece di scalarizzare gli obiettivi, il problema di sintonizzazione è formulato come un compito di ottimizzazione multi-obiettivo che minimizza simultaneamente quattro metriche complementari:

   • IAE (Integrale dell'Errore Assoluto): Accuratezza media di inseguimento.
   • ITAE (Integrale dell'Errore Assoluto Ponderato nel Tempo): Penalizza gli errori che persistono nella fase successiva della risposta.
   • OS (Sovraelongazione): Deviazione direzionale massima durante le transizioni.
   • OSC (Oscillazione): RMS normalizzato del ripple residuo durante i segmenti di regime stazionario.
     L'obiettivo è approssimare l'insieme Pareto-ottimale delle configurazioni del controllore $(K_p, K_i)$ che rappresentano i compromessi tra queste metriche.

2. Selezione dell'Algoritmo (TPE Multivariato): Gli autori selezionano lo Stima Parzen ad Albero (TPE) come strategia BO sottostante, specificamente la sua estensione multivariata. Questa scelta è guidata dalla necessità di gestire:

   • Parametri Discreti: L'hardware industriale richiede spesso guadagni a valori interi.
   • Valutazioni Rumorose: Gli esperimenti fisici introducono rumore di misura.
   • Accoppiamento dei Parametri: La variante multivariata modella congiuntamente la distribuzione di $K_p$ e $K_i$, catturando le loro interdipendenze, a differenza del TPE standard che modella i parametri indipendentemente.
   • Budget Limitato: Il TPE evita il sovraccarico computazionale e le assunzioni di regolarità della BO basata su GP, offrendo una convergenza più rapida in regimi a budget ridotto (decine di prove).

3. Ciclo Sperimentale: L'ottimizzazione viene eseguita su un PC esterno. Ogni prova comporta l'aggiornamento dei parametri, l'applicazione di un segnale di riferimento a impulso rettangolare predefinito (60% della corrente di picco nominale), l'acquisizione dei dati tramite l'oscilloscopio interno dell'azionamento e il calcolo delle metriche offline.

4. Strategia di Post-Selezione: Poiché l'output è un fronte di Pareto, un controllore finale viene selezionato tramite un processo in due fasi:

   • Vincoli Rigidi: Filtraggio delle configurazioni che violano limiti specifici di sovraelongazione o oscillazione.
   • Distanza Ponderata: Selezione del candidato più vicino a un punto ideale utilizzando una distanza $\ell_2$ ponderata. Strategie predefinite (Bilanciata, Veloce, Liscia) permettono agli utenti di dare priorità a metriche specifiche senza rieseguire l'ottimizzazione.

Risultati Chiave
La validazione sperimentale è stata condotta su un azionamento industriale reale (230 V, 1.8 A) in condizioni di vuoto, confrontando la BO basata su TPE con la Ricerca Casuale (RS) e la BO basata su GP su budget di prove di 15, 20, 30, 50 e 100.

• Velocità di Convergenza: La BO basata su TPE ha dimostrato una crescita più rapida dell'ipervolume normalizzato rispetto sia alla BO basata su GP che alla RS, in particolare immediatamente dopo la fase iniziale di esplorazione casuale. Ciò indica un'esplorazione più efficiente dello spazio dei parametri sotto budget di valutazione ristretti.
• Qualità del Fronte di Pareto: Il TPE ha identificato costantemente fronti di Pareto più ampi e ricchi rispetto alla RS e, in molti casi, alla BO basata su GP. Ciò suggerisce che il TPE fornisce una migliore approssimazione empirica della superficie di compromesso, offrendo opzioni di alta qualità più diversificate per il dispiegamento.
• Prestazioni vs. Sintonizzazione Esperta: Il metodo ha raggiunto prestazioni comparabili, e in alcune metriche superiori, alla sintonizzazione manuale esperta in pochi minuti (ad esempio, ~30% di miglioramento nell'IAE e 27% nell'ITAE a 30 prove rispetto alla linea di base esperta). La soluzione automatizzata ha eguagliato le prestazioni dell'esperto in termini di accuratezza di inseguimento riducendo il comportamento oscillatorio, sebbene la linea di base esperta abbia ottenuto una sovraelongazione leggermente inferiore nel caso di test specifico.
• Robustezza: La BO basata su TPE ha mostrato una variabilità significativamente inferiore tra semi indipendenti rispetto alla RS. Mentre la BO basata su GP ha offerto un'alta coerenza nelle metriche finali a budget più elevati, il TPE ha mantenuto la robustezza sia nella qualità della soluzione finale che nella coerenza della dimensione del fronte di Pareto tra le esecuzioni.
• Efficienza Computazionale: La BO basata su TPE ha comportato un sovraccarico computazionale trascurabile rispetto alla BO basata su GP, che ha sofferto di tempi di sintonizzazione aumentati a causa del fitting del modello surrogato e dell'ottimizzazione dell'acquisizione.

Significato e Affermazioni
Il documento afferma di presentare un passo pratico verso la messa in servizio completamente autonoma dei sistemi di azionamento industriali. La sua rilevanza risiede in:

• Applicabilità nel Mondo Reale: Il metodo opera sotto vincoli industriali realistici (nessun modello, parametri discreti, dati rumorosi, prove limitate) senza richiedere modifiche al firmware.
• Adeguatezza dell'Algoritmo: Stabilisce che per questa specifica classe di problemi industriali, il TPE multivariato è meglio allineato ai vincoli rispetto alla tradizionale BO basata su GP, offrendo un equilibrio superiore tra velocità di convergenza, ricchezza del fronte di Pareto ed efficienza computazionale.
• Autonomia: Il framework dimostra che configurazioni di controllo di alta qualità possono essere identificate autonomamente in pochi minuti, riducendo la dipendenza da euristiche esperte e standardizzando il processo di messa in servizio.

Gli autori rimangono modesti nelle loro affermazioni, notando che la validazione è attualmente limitata all'anello di corrente a vuoto di una singola configurazione di azionamento. Riconoscono che una validazione più ampia sotto carico e attraverso diverse configurazioni di azionamento è necessaria per lavori futuri. Non affermano una superiorità uniforme del TPE rispetto al GP su ogni singola metrica, ma ne sostengono l'adeguatezza complessiva in questo specifico contesto industriale multi-obiettivo e vincolato.