Adaptive Tuning of Online Feedback Optimization for Process Control Applications

Titel: Adaptieve Afstelling van Online Feedback Optimalisatie voor Procesbesturingsapplicaties

1. Probleemstelling

Online Feedback Optimalisatie (OFO) is een veelbelovende methode voor procesbesturing die streeft naar het bereiken van optimale werkingspunten onder beperkingen, zelfs met beperkte modelinformatie. OFO leunt op optimalisatiealgoritmen (zoals geschaalde geprojecteerde gradiëntafdaal) om besturingsinvoer direct aan te passen op basis van metingen.

Het centrale probleem is echter de afstelling (tuning) van de parameters van deze optimalisatiealgoritmen:

• De prestaties worden bepaald door een stapgrootte ($\alpha$) en een schaalmatrix ($S$).
• Deze parameters zijn losgekoppeld van de eigenschappen van het onderliggende proces.
• Traditionele afstelling vereist een reeks experimenten waarbij waarden handmatig worden aangepast totdat de gewenste prestatie wordt bereikt. Dit is tijdrovend, kostbaar en gevoelig voor veranderende bedrijfsomstandigheden.
• Bestaande adaptieve methoden vereisen vaak volledige dynamische modellen of Hessiaanse informatie, wat in veel procesapplicaties niet beschikbaar is.

2. Methodologie

De auteurs stellen een adaptieve afstellingsmethode voor die de parameters ($S$ en $\alpha$) online aanpast zonder extra experimenten. De methode is gebaseerd op de gevoeligheid (sensitivity) van het doelfunctionaal ($\Phi$) ten opzichte van de algoritmeparameters.

Kerncomponenten van de methode:

• Gevoeligheidsanalyse: In plaats van experimenten te doen, benut de methode de bekende afgeleiden van de invoer-uitgangssensitiviteit ($\nabla h$) die al worden gebruikt in standaard OFO-controllers. Hiermee wordt de afgeleide van het doelfunctionaal naar de schaalmatrix ($\frac{\partial \Phi}{\partial S}$) en de stapgrootte geschat.
• Adaptie van de Schaalmatrix ($S$):
  • Het doel is om een monotoon afname van het doelfunctionaal te garanderen ($\Phi_{k+1} \leq \Phi_k$).
  • Dit wordt geformuleerd als een hulpoptimalisatieprobleem (een semi-definitieve optimalisatie) om een nieuwe $S_{k+1}$ te vinden die voldoet aan de afnamevoorwaarde.
  • Voor praktische implementatie wordt ook een vereenvoudigde heuristische regel voorgesteld voor diagonale schaalmatrices, waarbij elementen van $S$ worden vergroot of verkleind op basis van het teken van de gevoeligheid.
• Adaptie van de Stapgrootte ($\alpha$):
  • Om onnauwkeurigheden in de lineaire benadering te mitigeren, wordt het doelfunctionaal benaderd als een kwadratische functie van de stapgrootte.
  • De optimale stapgrootte wordt vervolgens bepaald door deze kwadratische benadering te minimaliseren binnen een toegestaan bereik.
• Operatorparameters: De methode reduceert de handmatig af te stellen parameters tot een paar scalair waarden (zoals $p_{max}$, $t_{min}$, $t_{max}$, $\alpha_{min}$, $\alpha_{max}$) die de maximale veranderingen in invoer en doel definiëren, in plaats van de complexe matrix- en stapgrootteparameters zelf.

3. Belangrijkste Bijdragen

1. Adaptieve Regeling zonder Experimenten: Een nieuwe methode om de schaalmatrix en stapgrootte van OFO-controllers online aan te passen op basis van gevoeligheidsanalyse, waardoor herhaalde procesexperimenten overbodig worden.
2. Vereenvoudiging van Afstelling: Het terugbrengen van de afstellingsruimte naar een paar intuïtieve scalair waarden, wat de toepasbaarheid voor procesoperatoren vergroot.
3. Theoretische Formulering: Het afleiden van een semi-definitief optimalisatieprobleem voor de schaalmatrix en een kwadratische benadering voor de stapgrootte, specifiek voor niet-lineaire systemen met beperkte modelinformatie.
4. Validatie: Uitgebreide numerieke studies die de superioriteit van de adaptieve methode aantonen ten opzichte van handmatige afstelling.

4. Resultaten

De methode is getest op drie scenario's:

• Voorbeeld 1 (Niet-lineaire wiskundige functie):
  • De adaptieve methode bereikte het optimum in 5 iteraties, terwijl een handmatig ingestelde vaste parameterinstelling 82 iteraties nodig had.
  • De methode respecteerde niet-convexe toegestane gebieden en voorkwam oscillaties.
• Voorbeeld 2 (Gaslift-optimalisatie):
  • Vergelijking met een vaste stapgrootte toonde aan dat de adaptieve methode sneller convergerde, zelfs wanneer beperkingen actief werden.
  • De schaalmatrix paste zich dynamisch aan: elementen werden vergroot in onbeperkte gebieden voor snellere convergentie en verkleind wanneer beperkingen actief werden om stabiliteit te waarborgen.
• Voorbeeld 3 (CSTR - Continu Geroerde Tank Reactor):
  • Vergelijking met handmatige afstelling (waarvoor 8 experimentele runs nodig waren) toonde aan dat de adaptieve methode 25% betere trackingnauwkeurigheid bereikte op de trainingsdata en 20% beter op validatiedata.
  • De adaptieve controller kon sneller reageren op grote setpoint-veranderingen zonder de instabiliteit (oscillaties) die vaak voorkomt bij handmatig afstellen.

5. Betekenis en Conclusie

Dit paper biedt een significante doorbraak voor de toepassing van modelvrije optimalisatie in de procesindustrie.

• Efficiëntie: Het elimineert de noodzaak voor kostbare en risicovolle "trial-and-error" experimenten om controllers af te stellen.
• Robuustheid: De adaptieve aanpak past zich automatisch aan aan veranderende procescondities en niet-lineaire dynamiek.
• Toepasbaarheid: Door de afstelling te reduceren tot scalair waarden die de fysieke beperkingen van het proces weerspiegelen (hoeveel mag de invoer veranderen?), wordt de technologie toegankelijker voor procesingenieurs.

De auteurs concluderen dat hun adaptieve scheme de gesloten-lusprestaties van Online Feedback Optimalisatie aanzienlijk verbetert ten opzichte van standaard handmatige methoden. Toekomstig werk richt zich op het leveren van theoretische convergentiegaranties en het robuust maken van de methode tegen meetruis.