📊 statistics

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

Dit artikel toont aan dat General Dynamic Neural Networks (GDNN) effectief PID-regelaars kunnen uitbreiden om complexe, niet-lineaire systemen te hanteren met superieure prestaties en ruisbestendigheid vergeleken met standaard en modelgebaseerde benaderingen, terwijl tegelijkertijd interpreteerbaarheid en stabiliteit worden gewaarborgd door middel van bounded-input bounded-output-analyse.

Oorspronkelijke auteurs: Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een auto bestuurt. Vroeger was de cruise control een heel simpel, rigide systeem. Als je het op 60 mph instelde, probeerde het die snelheid van 60 mph te behouden, ongeacht wat er gebeurde. Als je een steile heuvel op reed, vertraagde de auto omdat het simpele systeem niet wist hoe het harder moest duwen. Als je een heuvel af reed, kon de auto juist te veel versnellen. Dit is vergelijkbaar met een standaard PID-controller (Proportional-Integral-Derivative), die de "werkpaard" is van de moderne automatisering. Het is geweldig voor eenvoudige, voorspelbare taken, maar het heeft moeite wanneer de wereld rommelig, hobbelig of onvoorspelbaar wordt.

Dit artikel stelt een oplossing voor: geef die simpele cruise control een "brein" in de vorm van een Neuraal Netwerk.

Het Probleem: Het Rigide versus Het Complexe

De auteurs wijzen erop dat hoewel onze fabrieken en machines ongelooflijk complex worden (zoals het besturen van een auto door een storm terwijl de weg verandert), we nog steeds grotendeels die simpele, rigide controllers gebruiken.

De Oude Manier: Ingenieurs stemmen de controller één keer af voordat de machine start. Het is alsof je de cruise control instelt en hoopt dat de weg vlak blijft.
Het Probleem: Als de weg verandert (een verstoring) of als de auto ruis veroorzaakt (sensornoise), faalt de simpele controller of is er menselijke tussenkomst nodig om het te repareren.
Het Nieuwe Idee: Wat als de controller zou kunnen "denken" en zijn eigen instellingen kan aanpassen terwijl hij rijdt?

De Oplossing: De "Slimme" Cruise Control

De onderzoekers hebben een systeem gebouwd waarbij een klein Neuraal Netwerk (een type AI) binnen de controller zit. In plaats van alleen vaste regels te volgen, observeert deze AI de snelheid van de auto en de fout (hoe ver de snelheid afwijkt van de doelwaarde) en past direct de drie belangrijkste knoppen van de controller aan (de PID-parameters) om te gaan met wat er op dat moment gebeurt.

Denk hierbij aan een kameleon. Een standaard controller is een hagedis die van kleur blijft veranderen, ongeacht de omgeving. Deze nieuwe "Neural PID" is een kameleon die onmiddellijk van kleur verandert (instellingen aanpast) om aan te passen aan de achtergrond (de huidige situatie), of het nu een zonnige dag, een regenachtige nacht of een hobbelige weg is.

De Proefrit: Vier Moeilijke Uitdagingen

Om te bewijzen dat dit werkt, hebben de auteurs hun "Slimme Cruise Control" niet alleen op één gemakkelijke taak getest. Ze hebben het door vier zeer verschillende, moeilijke rijscenario's (benchmarks) gehaald:

Het Twee-Tank Systeem: Stel je voor dat je het waterniveau in een lager gelegen tank perfect probeert te houden, zelfs wanneer water uit een bovenliggende tank op een rommelige, niet-lineaire manier naar binnen stroomt. Het is alsof je een emmer probeert te vullen met een slang die een vreemde knik heeft.
De Inverted Pendulum (Omgekeerde Pendel): Dit is het klassieke probleem van het "balanceren van een bezemsteel op je hand". Het is van nature onstabiel; als je loslaat, valt hij. De controller moet de kar perfect heen en weer duwen om de stok rechtop te houden.
Het Vertraagd Systeem: Stel je voor dat je een auto bestuurt waarbij er een vertraging van 5 seconden zit tussen het draaien van het stuur en het daadwerkelijk draaien van de auto. Dit is een nachtmerrie voor standaard controllers.
De Chaotische Lus: Dit is als het proberen te controleren van een vloeistof die in een volledig onvoorspelbaar, chaotisch patroon ronddraait, zoals een draaikolk.

De Resultaten: De AI wint de meeste races

De auteurs hebben deze tests 50 keer per stuk uitgevoerd, waarbij ze "ruis" (statische ruis op de radio) en "verstoringen" (plotselinge windvlagen of kuilen in de weg) toevoegden.

De Scorekaart: In 15 van de 16 verschillende scenario's deed de Neural PID-controller het beter dan de standaard, rigide PID-controller.
De Experts Verslaan: Het versloeg zelfs gespecialiseerde, complexe wiskundige controllers (zoals "Backstepping" of "Smith Predictors") in 13 van de 16 scenario's.
Het "Onstuitbare" Moment: In de chaotische lus-test, toen een plotselinge verstoring optrad, raakten de standaard controllers de controle kwijt, begonnen wild te oscilleren en verbruikten te veel energie. De Neural PID bleef echter kalm, paste haar instellingen onderweg aan en stabiliseerde het systeem.

Het "Black Box" Probleem: Het Veilig Maken

Dit is de grootste hindernis. Ingenieurs zijn bang voor AI omdat het een "black box" is. Ze weten niet waarom de AI een beslissing neemt. Als een AI-controller een vliegtuig laat neerstorten, weet niemand of het een bug of een kenmerk was. In sectoren waar veiligheid cruciaal is, kun je een black box niet zoma en zoma vertrouwen.

De auteurs hebben dit opgelost door een Stabiliteitscontrole toe te voegen.

De Analogie: Stel je voor dat de AI een piloot is. Normaal gesproken weten we niet of de piloot veilig vliegt totdat we de bestemming bereiken. De auteurs hebben een "co-piloot" gebouwd die constant de wiskunde controleert om te garanderen dat het vliegtuig veilig zal landen, ongeacht wat de AI-piloot doet.
Het Resultaat: Ze hebben aangetoond dat, hoewel de AI de instellingen elke milliseconde verandert, ze wiskundig kunnen bewijzen dat het systeem stabiel blijft. Dit verandert de "black box" in een "glazen box" die ingenieurs kunnen begrijpen en vertrouwen.

De Kernboodschap

Dit artikel zegt: "We kunnen eenvoudige controllers superintelligent maken door ze een kleine AI-hersenen te geven die zichzelf in realtime aanpast. We hebben het getest op de moeilijkste problemen in de techniek, en het won bijna elke keer. Bovendien hebben we een manier gevonden om te bewijzen dat het veilig is, zodat ingenieurs het echt in de echte wereld kunnen gebruiken."

Het is een stap naar machines die niet alleen bevelen opvolgen, maar zich aanpassen aan de chaos van de echte wereld, terwijl ze een vangnet behouden dat mensen kunnen begrijpen.

Technische Samenvatting: Interpreteerbare PID-parameterafstemming voor regeltechniek met behulp van General Dynamic Neural Networks

Probleemstelling
Moderne automatiseringssystemen maken steeds vaker gebruik van complexe fysieke processen die niet adequaat gemodelleerd kunnen worden door eenvoudige lineaire vergelijkingen. Hoewel Proportional-Integral-Derivative (PID) regelaars de industriestandaard blijven vanwege hun eenvoud en gemakkelijke afstemming, zijn ze inherent beperkt tot lineaire of bijna-lineaire systemen. Wanneer ze worden toegepast op complexe, niet-lineaire processen, schieten standaard PID-regelaars vaak tekort in het bieden van robuustheid tegen verstoringen of variërende systeemdynamica, wat nauwlettende menselijke monitoring noodzakelijk maakt. Daarentegen zijn geavanceerde regelmethoden die ontworpen zijn voor niet-lineaire systemen vaak te complex voor brede adoptie in de techniek.

Hoewel machine learning-technieken, specifiek neurale netwerken, potentie hebben getoond bij het online afstemmen van PID-parameters om aan te passen aan niet-lineariteiten, wordt hun toepassing in de echte wereld van de regeltechniek gehinderd door twee primaire barrières:

Gebrek aan Generalisatie: Eerdere studies hebben zich doorgaans gericht op specifieke, single-task architecturen (bijv. strikt recurrente of diagonale netwerken) die mogelijk niet generaliseren naar diverse controleomgevingen.
Gebrek aan Interpreteerbaarheid en Veiligheid: Neurale netwerken fungeren als "black boxes", waardoor ingenieurs de stabiliteit van de voorgestelde parameters niet kunnen verifiëren. Regeltechniek vereist strikte stabiliteitsgaranties (specifiek bounded-input bounded-output stabiliteit) om veiligheid te waarborgen, een vereiste die in de bestaande literatuur over neurale afstemming vaak wordt genegeerd.

Methodologie
De auteurs stellen een framework voor dat General Dynamic Neural Networks (GDNNs) integreert in een standaard closed-loop controlearchitectuur om online PID-parameterafstemming uit te voeren.

Architectuur: Het neurale netwerk ontvangt de systeemoutput ( $v$ ) en de regelfout ( $e$ ) als inputs. Het geeft de drie afstembare PID-constanten ( $K_P, K_I, K_D$ ) uit op elk tijdstip. Om de computationele efficiëntie voor hardware met beperkte middelen te waarborgen (gedemonstreerd op een Raspberry Pi 3), zijn de netwerken beperkt tot één verborgen laag met vier neuronen. De architectuur bevat recurrente verbindingen waarbij de outputs van neuronen worden teruggekoppeld met een vertraging van één tijdstap ( $g^{-1}$ ).
Trainingsstrategie: In tegenstelling tot standaard deep learning-benaderingen die vertrouwen op end-to-end optimalisatie met bekende ideale outputs, kan dit framework geen standaard backpropagation gebruiken omdat de "ideale" PID-parameters onbekend zijn. In plaats daarvan gebruiken de auteurs een numeriek Levenberg-Marquardt algoritme. Deze methode benadert de Jacobiaan-matrix van de gewichten van het neurale netwerk met behulp van eindige verschillen om de gekwadrateerde regelfout te minimaliseren.
Experimenteel Ontwerp: De studie evalueert de aanpak over vier verschillende benchmark-systemen die veelvoorkomende uitdagingen in de regeltechniek vertegenwoordigen:
1. Two-Tank System: Een niet-lineair systeem dat processen zoals bioreactoren vertegenwoordigt.
2. Inverted Pendulum on a Cart: Een systeem met een instabiel evenwicht en niet-lineariteit.
3. Systeem met significante tijdsvertraging: Een eerste-orde LTI-systeem met een aanzienlijke vertraging.
4. Chaotische Thermische Convectielus: Een systeem dat chaotisch gedrag vertoont.
Robuustheidstesten: Elk systeem wordt getest onder vier condities: zonder ruis/verstoring, met alleen ruis, met alleen verstoring, en met beide. Verstoringen worden toegepast om het systeem tot de limiet van stabiliteit te drijven. De neurale PID wordt vergeleken met een standaard PID-controller en een systeem-specifieke modelgebaseerde controller (bijv. Backstepping, LQR, Smith Predictor).

Belangrijkste Bijdragen

Uitgebreide Vergelijkende Studie: Het artikel breidt de stand van de techniek uit door verder te gaan dan single-task evaluaties. Het biedt een uitgebreide vergelijking van GDNN-gebaseerde PID-afstemming over vier diverse benchmark-systemen, inclusom scenario's met sensornoise en externe verstoringen.
Interpreteerbaarheid via Stabiliteitsanalyse: De auteurs pakken de "black box"-zorg aan door bounded-input bounded-output (BIBO) stabiliteitsanalyse toe te passen op de output van het neurale netwerk. Door de closed-loop transferfunctie op elk tijdstip te berekenen op basis van de door het neurale netwerk voorgestelde parameters, demonstreren zij hoe systeemstabiliteit geverifieerd kan worden. Dit wordt geïllustreerd met de chaotische thermische convectielus, waarbij wordt aangetoond dat het systeem input-output stabiel wordt naarmate het de steady state nadert, waardoor de beslissingen van het neurale netwerk begrijpelijk worden voor regeltechnici.

Resultaten
De studie, gebaseerd op 50 onafhankelijke runs per scenario (16 scenario's in totaal), leverde de volgende kwantitatieve resultaten op:

Prestaties: De neurale PID-controller presteerde beter dan de standaard PID-controller in 15 van de 16 taken.
Vergelijking met Modelgebaseerde Controle: De neurale PID-controller presteerde beter dan de gespecialiseerde modelgebaseerde controllers (Backstepping, LQR, Smith Predictor) in 13 van de 16 taken.
Specifieke Bevindingen:
- In het Inverted Pendulum scenario was de neurale PID de enige controller die in staat was het systeem te stabiliseren wanneer het werd blootgesteld aan een significante verstoring, terwijl de standaard PID en LQR faalden (resulterend in foutwaarden van 140 vs. 0,27).
- In de Chaotische Thermische Convectielus bereikte de neurale PID een superieur evenwicht tussen insteltijd en overshoot vergeleken met Backstepping en standaard PD. Het demonstreerde ook aanzienlijk lager energieverbruik tijdens de stabilisatie.
- In het Tijdsvertraging systeem presteerde de neurale PID beter dan de standaard PID in alle scenario's, hoewel de Smith Predictor (die expliciete kennis heeft van de vertraging) iets beter presteerde in ruisvrije condities.

Betekenis en Claims
Het artikel beweert dat dit werk een belangrijke stap is naar de acceptatie van machine learning in echte controlesystemen. Door de prestatievoordelen van neurale netwerken te combineren met rigoureuze stabiliteitsanalyse, demonstreren de auteurs dat neurale PID-controllers zowel hoogwaardig presterend als interpreteerbaar kunnen zijn.

De auteurs kaderen hun werk bescheiden als een "eerste stap" en een "eerste onderzoek" met behulp van general dynamic neural networks voor dit doel. Ze benadrukken dat hoewel de trainingsdata is afgeleid van differentiaalvergelijkingen, de resulterende controllers een verhoogde veerkracht toonden tegen onvoorziene verstoringen en ruis. De primaire betekenis ligt in het overbruggen van de kloof tussen de aanpasbaarheid van machine learning en de veiligheidseisen van de regeltechniek, waarmee een belangrijke barrière voor de implementatie van AI in veiligheidskritische systemen wordt aangepakt. Het artikel claimt niet dat het alle veiligheidsproblemen heeft opgelost, maar suggereert dat het opnemen van stabiliteitsrestricties (bijv. als regularisatietermen) in het trainingsproces een natuurlijke en noodzakelijke uitbreiding is voor toekomstig werk.