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

기술 요약: 일반 동적 신경망을 이용한 제어 공학용 해석 가능한 PID 파라미터 튜닝

문제 정의
현대의 자동화 시스템은 단순한 선형 방정식으로는 적절히 모델링할 수 없는 복잡한 물리적 프로세스를 점점 더 많이 포함하고 있습니다. 비례-적분-미분(PID) 제어기는 그 단순함과 튜닝의 용이성 덕분에 산업 표준으로 남아 있지만, 본질적으로 선형 또는 근선형 시스템에 국한되어 있습니다. 복잡한 비선형 프로세스에 적용될 때, 표준 PID 제어기는 변동하는 시스템 역학이나 외란에 대한 강건성을 확보하지 못해 밀착된 인간의 모니터링을 필요로 하는 경우가 많습니다. 반대로, 비선형 시스템을 위해 설계된 고급 제어 방법들은 광범위한 엔지니어링 도입을 이끌어내기에는 너무 복잡한 경우가 많습니다.

신경망과 같은 머신러닝 기법이 비선형성에 적응하기 위해 온라인으로 PID 파라미터를 튜닝하는 데 잠재력을 보여왔지만, 이를 실제 제어 공학에 적용하는 데에는 두 가지 주요 장벽이 존재합니다:

1. 일반화 능력의 부족: 이전 연구들은 대개 특정 단일 작업 아키텍처(예: 엄격한 순환형 또는 대각 행렬 네트워크)에 집중하여, 다양한 제어 환경 전반에 걸쳐 일반화되지 못하는 경향이 있었습니다.
2. 해석 가능성 및 안전성의 결여: 신경망은 "블랙박스"로 기능하여 엔지니어가 제안된 파라미터의 안정성을 검증하는 것을 방해합니다. 제어 공학은 안전을 보장하기 위해 엄격한 안정성 보장(특히 유계 입력 유계 출력 안정성)을 요구하지만, 기존의 신경망 튜닝 문헌에서는 이 요구사항이 무시되는 경우가 많습니다.

방법론
저자들은 **일반 동적 신경망(GDNN)**을 표준 폐루프 제어 구조에 통합하여 온라인 PID 파라미터 튜닝을 수행하는 프레임워크를 제안합니다.

• 아키텍처: 신경망은 시스템 출력($v$)과 제어 오차($e$)를 입력으로 받습니다. 이 네트워크는 각 타임 스텝마다 세 가지 튜닝 가능한 PID 상수($K_P, K_I, K_D$)를 출력합니다. 자원이 제한된 하드웨어(Raspberry Pi 3에서 입증됨)를 위한 계산 효율성을 보장하기 위해, 네트워크는 4개의 뉴런을 가진 단일 은닉층으로 제한됩니다. 이 아키텍처는 뉴런의 출력이 한 단계 지연($g^{-1}$)되어 다시 피드백되는 순환 연결을 포함합니다.
• 학습 전략: 이상적인 출력이 알려진 표준 엔드 투 엔드 최적화에 의존하는 일반적인 딥러닝 접근 방식과 달리, 이 프레임워크는 "이상적인" PID 파라미터를 알 수 없으므로 표준 역전파를 사용할 수 없습니다. 대신, 저자들은 수치적 레벤버그-마쿼트트(Levenberg-Marquardt) 알고리즘을 채택합니다. 이 방법은 제곱 제어 오차를 최소화하기 위해 유한 차분을 사용하여 신경망 가중치의 자코비안 행렬을 근사합니다.
• 실험 설계: 본 연구는 일반적인 제어 공학 과제를 나타내는 네 가지 뚜렷한 벤치마크 시스템을 통해 접근 방식을 평가합니다:
  1. 이중 탱크 시스템(Two-Tank System): 바이오 리액터와 같은 프로세스를 나타내는 비선형 시스템.
  2. 카트 위의 역진자(Inverted Pendulum on a Cart): 불안정한 평형과 비선형성을 가진 시스템.
  3. 무시할 수 없는 시간 지연이 있는 시스템: 상당한 지연이 있는 1차 선형 시불변(LTI) 시스템.
  4. 카오스 열 대류 루프(Chaotic Thermal Convection Loop): 카오스적 거동을 보이는 시스템.
• 강건성 테스트: 각 시스템은 네 가지 조건(노이즈/외란 없음, 노이즈만 있음, 외란만 있음, 노이즈와 외단을 모두 포함) 하에서 테스트됩니다. 외란은 시스템을 안정성의 한계까지 몰아붙이기 위해 적용됩니다. 신경 PID는 표준 PID 제어기 및 시스템에 적합한 모델 기반 제어기(예: Backstepping, LsQR, Smith Predictor)와 비교됩니다.

주요 기여

1. 광범한 비교 연구: 본 논문은 단일 작업 평가를 넘어섬으로써 기술 수준을 높였습니다. 저자들은 네 가지 다양한 벤치마크 시스템과 센서 노이즈 및 외부 외란이 있는 시나리오를 포함하여 GDNN 기반 PID 튜닝에 대한 포괄적인 비교를 제공합니다.
2. 안정성 분석을 통한 해석 가능성: 저자들은 유계 입력 유계 출력(BIBO) 안정성 분석을 신경 네트워크의 출력에 적용함으로써 "블랙박스" 문제를 해결합니다. 매 타임 스텝마다 신경 네트워크가 제안한 파라미터를 기반으로 폐루프 전달 함수를 계산함으로써, 시스템 안정성을 검증하는 방법을 보여줍니다. 이는 카오스 열 대류 루프를 통해 입증되며, 시스템이 정상 상태에 도달함에 따라 입출력 안정성을 갖게 됨을 보여줌으로써 신경 네트워크의 결정이 제어 엔지니어에게 이해 가능함을 증명합니다.

결과
16개 시나리오(시나리오당 50회의 독립 실행)를 바탕으로 한 연구 결과, 다음과 같은 정량적 결과가 도출되었습니다:

• 성능: 신경 PID 제어기는 16개 작업 중 15개에서 표준 PID 제어기보다 우수한 성능을 보였습니다.
• 모델 기반 제어와의 비교: 신경 PID 제어기는 16개 작업 중 13개에서 특화된 모델 기반 제어기(Backstepping, LQR, Smith Predictor)보다 우수한 성능을 보였습니다.
• 구체적 발견:
  • 역진자 시나리오에서, 신경 PID는 상당한 외란이 발생했을 때 시스템을 안정화할 수 있는 유일한 제어기였으며, 표준 PID와 LQR은 실패했습니다(오차 값 140 대 0.27).
  • 카오스 열 대류 루프에서, 신경 PID는 Backstepping 및 표준 PD에 비해 침강 시간(settling time)과 오버슈트 사이의 최적의 균형을 달ach했습니다. 또한 안정화 과정 중 에너지 소비량이 현저히 낮음을 보여주었습니다.
  • 시간 지연 시스템에서, 신경 PID는 모든 시나리오에서 표준 PID보다 우수한 성능을 보였으나, 지연에 대한 명시적 지식을 가진 Smith Predictor가 노이즈가 없는 조건에서는 약간 더 나은 성능을 보였습니다.

의의 및 주장
본 논문은 이 연구가 머신러닝을 실제 제어 시스템에 수용하기 위한 중요한 단계라고 주장합니다. 신경 네트워크의 성능 이점과 엄격한 안정성 분석을 결합함으로써, 저자들은 신경 PID 제어기가 고성능이면서도 해석 가능하다는 것을 입증했습니다.

저자들은 자신의 연구를 GDNN을 사용한 "첫 단계"이자 "첫 조사"로 겸허하게 규정합니다. 학습 데이터가 미분 방정식에서 파생되었음에도 불구하고, 결과적인 제어기는 예기치 못한 외란과 노이즈에 대해 증가된 회복력을 보여주었습니다. 주요 의의는 머신러닝의 적응성과 제어 공학의 안전 요구사항 사이의 간극을 메움으로써, 안전이 중요한 시스템에 AI를 배치하는 데 있어 핵심적인 장벽을 해결했다는 점에 있습니다. 본 논문은 모든 안전 문제를 해결했다고 주장하는 것이 아니라, 훈련 과정에 안정성 제약 조건(예: 정규화 항)을 포함하는 것이 향후 연구를 위한 자연스럽고 필수적인 확장임을 시사합니다.