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

기술 요약: 다목적 베이지안 최적화를 통한 산업용 드라이브의 자율 시운전 toward

문제 제기
산업용 전기 드라이브의 시운전은 자동화 워크플로우에서 여전히 중요한 병목 현상으로, 전류, 속도, 위치와 같은 캐스케이드 제어 루프의 수동적이고 반복적인 튜닝에 크게 의존합니다. 이 과정은 상당한 전문가 지식을 요구하며 표준화가 어렵고, 복잡한 시스템에서는 종종 최적에 미치지 못하거나 진동하는 응답을 초래합니다. 데이터 기반 및 최적화 기반 방법이 제안되었지만, 많은 기존 접근법은 시뮬레이션, 단순화된 모델, 또는 디지털 트윈에 의존합니다. 이산적 파라미터 공간, 노이즈가 포함된 측정값, 통신 지연, 그리고 물리적 시도 횟수에 대한 엄격한 제한과 같은 실제 산업적 제약 조건 하에서 실제 산업 하드웨어에 대한 직접적인 검증은 여전히 제한적입니다. 또한, 전통적인 가우시안 프로세스 (GP) 기반 베이지안 최적화 (BO) 는 파라미터의 이산적 특성과 평가의 높은 비용으로 인해 이러한 환경에서 종종 어려움을 겪습니다.

방법론
저자들은 실제 하드웨어에서 산업용 드라이브의 전류 제어 루프를 튜닝하기 위한 완전 자동화된 모델 프리 (model-free) 프레임워크를 제안합니다. 이 접근법은 드라이브를 블랙박스 시스템으로 간주하여 시스템 식별, 플랜트 모델, 또는 펌웨어 수정을 요구하지 않습니다. 상호작용은 표준 통신 인터페이스 (Modbus) 를 통해 이루어지며, 제어기 파라미터는 원격으로 업데이트됩니다.

핵심 기술 기여 및 방법론적 단계는 다음과 같습니다:

1. 다목적 공식화: 목적 함수를 단일화하는 대신, 튜닝 문제를 네 가지 상호 보완적 지표를 동시에 최소화하는 다목적 최적화 작업으로 공식화합니다:

   • IAE (절대 오차 적분): 평균 추적 정확도.
   • ITAE (시간 가중 절대 오차 적분): 응답 후기 단계에 지속되는 오차에 페널티를 부여합니다.
   • OS (오버슈트): 전환 중 최대 방향 편차.
   • OSC (진동): 정상 상태 구간 동안의 잔류 리플의 정규화된 RMS.
     목표는 이러한 지표 간의 트레이드오프를 나타내는 제어기 구성 $(K_p, K_i)$의 파레토 최적 집합을 근사하는 것입니다.

2. 알고리즘 선택 (다변량 TPE): 저자들은 베이지안 최적화 전략의 기반으로 트리 구조 파라젠 추정기 (TPE) 를 선택하며, 구체적으로는 그 다변량 확장 버전을 선택합니다. 이 선택은 다음을 처리해야 할 필요성에 기인합니다:

   • 이산적 파라미터: 산업용 하드웨어는 종종 정수 값의 이득을 요구합니다.
   • 노이즈가 포함된 평가: 물리적 실험은 측정 노이즈를 도입합니다.
   • 파라미터 결합: 다변량 변형은 $K_p$와 $K_i$의 분포를 독립적으로 모델링하는 표준 TPE 와 달리, 이들의 상호 의존성을 포착하기 위해 $K_p$와 $K_i$의 분포를 공동으로 모델링합니다.
   • 제한된 예산: TPE 는 GP 기반 BO 의 계산 오버헤드와 매끄러움 가정을 피하여, 낮은 예산 regime(수십 번의 시도) 에서 더 빠른 수렴을 제공합니다.

3. 실험 루프: 최적화는 외부 PC 에서 실행됩니다. 각 시도는 파라미터를 업데이트하고, 정의된 직사각형 펄스 기준 신호 (정격 피크 전류의 60%) 를 적용하며, 드라이브의 내부 오실로스코프를 통해 데이터를 수집하고, 오프라인에서 지표를 계산하는 과정을 포함합니다.

4. 후선별 전략: 출력물이 파레토 프론트이므로, 최종 제어기는 두 단계 프로세스를 통해 선택됩니다:

   • 하드 제약 조건: 특정 오버슈트 또는 진동 한계를 위반하는 구성을 필터링합니다.
   • 가중 거리: 가중 $\ell_2$ 거리를 사용하여 이상점 (ideal point) 에 가장 가까운 후보를 선택합니다. 사전 정의된 전략 (균형, 고속, 매끄러움) 은 최적화를 다시 실행하지 않고도 사용자가 특정 지표를 우선시할 수 있도록 합니다.

주요 결과
실험적 검증은 무부하 조건 하에서 실제 산업용 모터 드라이브 (230 V, 1.8 A) 에서 수행되었으며, 15, 20, 30, 50, 100 번의 시도 예산에 걸쳐 TPE 기반 BO 를 무작위 탐색 (RS) 및 GP 기반 BO 와 비교했습니다.

• 수렴 속도: TPE 기반 BO 는 초기 무작위 탐색 단계 직후 특히 GP 기반 BO 와 RS 에 비해 정규화된 초부피 (hypervolume) 의 더 빠른 성장을 보여주었습니다. 이는 엄격한 평가 예산 하에서 파라미터 공간의 더 효율적인 탐색을 나타냅니다.
• 파레토 프론트 품질: TPE 는 RS 보다 일관되게 더 크고 풍부한 파레토 프론트를 식별했으며, 많은 경우 GP 기반 BO 보다도 우수했습니다. 이는 TPE 가 트레이드오프 표면의 더 나은 경험적 근사를 제공하여 배포를 위한 더 다양하고 고품질의 옵션을 제공함을 시사합니다.
• 성능 대 전문가 튜닝: 이 방법은 몇 분 내에 전문가 수동 튜닝과 비교 가능한 성능을 달성했으며, 일부 지표에서는 더 우수했습니다 (예: 30 번 시도 시 전문가 기준 대비 IAE 약 30% 개선, ITAE 27% 개선). 자동화된 솔루션은 추적 정확도 측면에서 전문가의 성능과 일치하면서도 진동 행동을 감소시켰으나, 특정 테스트 사례에서 전문가 기준이 약간 더 낮은 오버슈트를 달성했습니다.
• 강건성: TPE 기반 BO 는 RS 에 비해 독립적인 시드 간 변동성이 현저히 낮았습니다. GP 기반 BO 는 더 높은 예산에서 최종 지표의 높은 일관성을 제공했지만, TPE 는 최종 솔루션의 품질과 실행 간 파레토 프론트 크기의 일관성 모두에서 강건성을 유지했습니다.
• 계산 효율성: TPE 기반 BO 는 GP 기반 BO 에 비해 무시할 수 있는 계산 오버헤드만 발생시켰으며, GP 기반 BO 는 대리 모델 피팅 및 획득 최적화로 인해 튜닝 시간이 증가하는 고통을 겪었습니다.

의의 및 주장
이 논문은 산업용 드라이브 시스템의 완전한 자율 시운전을 향한 실용적인 단계를 제시한다고 주장합니다. 그 의의는 다음과 같습니다:

• 실제 적용 가능성: 이 방법은 모델이 필요 없고, 이산적 파라미터, 노이즈가 포함된 데이터, 제한된 시도와 같은 현실적인 산업적 제약 조건 하에서 작동하며 펌웨어 변경을 요구하지 않습니다.
• 알고리즘 적합성: 이 특정 클래스의 산업 문제의 경우, 다변량 TPE 가 전통적인 GP 기반 BO 보다 제약 조건과 더 잘 부합하며, 수렴 속도, 파레토 프론트의 풍부함, 그리고 계산 효율성의 우수한 균형을 제공함을 확립합니다.
• 자율성: 이 프레임워크는 고품질 제어기 구성을 분 단時間內 자율적으로 식별할 수 있음을 보여주어, 전문가 휴리스틱에 대한 의존도를 줄이고 시운전 프로세스를 표준화합니다.

저자들은 검증이 현재 단일 드라이브 설정의 무부하 전류 루프로 제한되어 있음을 지적하며 주장을 겸손하게 유지합니다. 향후 작업을 위해 부하 조건 및 다양한 드라이브 구성 하에서 더 광범위한 검증이 필요하다고 인정합니다. 그들은 모든 단일 지표에서 TPE 가 GP 보다 균일하게 우월하다고 주장하지는 않지만, 이 특정 다목적 제약 산업 환경에서의 전반적인 적합성을 주장합니다.