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

Technische Samenvatting: Op weg naar autonome inbedrijfstelling van industriële aandrijvingen via multi-objectieve Bayesiaanse optimalisatie

Probleemstelling
De inbedrijfstelling van industriële elektrische aandrijvingen blijft een kritieke knelpunt in automatiseringswerkstromen, die sterk afhankelijk is van handmatige, iteratieve afstelling van gekaskedeerde regellussen (stroom, snelheid, positie). Dit proces vereist aanzienlijke expertise, is moeilijk te standaardiseren en levert vaak suboptimale of oscillerende responsen op in complexe systemen. Hoewel datagedreven en op optimalisatie gebaseerde methoden zijn voorgesteld, vertrouwen veel bestaande benaderingen op simulaties, vereenvoudigde modellen of digitale tweelingen. Directe validatie op echte industriële hardware onder praktische beperkingen – zoals discrete parameter ruimtes, ruisachtige metingen, communicatielatentie en strikte limieten voor het aantal fysieke proeven – blijft beperkt. Bovendien heeft traditionele, op Gaussische Processen (GP) gebaseerde Bayesiaanse Optimalisatie (BO) vaak moeite in deze setting vanwege de discrete aard van parameters en de hoge kosten van evaluaties.

Methodologie
De auteurs stellen een volledig geautomatiseerd, modelvrij raamwerk voor voor het afstellen van de stroomregellus van industriële aandrijvingen direct op echte hardware. De benadering behandelt de aandrijving als een black-box-systeem, waarbij geen systeemidentificatie, procesmodellen of firmwarewijzigingen vereist zijn. Interactie wordt bereikt via een standaard communicatie-interface (Modbus), met controllerparameters die op afstand worden bijgewerkt.

De kern technische bijdragen en methodologische stappen omvatten:

1. Multi-objectieve Formulering: In plaats van objectieven te scalariseren, wordt het afstelprobleem geformuleerd als een multi-objectieve optimalisatietak die vier complementaire metrieken gelijktijdig minimaliseert:

   • IAE (Integraal van Absolute Fout): Gemiddelde volgprecisie.
   • ITAE (Integraal van Tijd-gewogen Absolute Fout): Straft fouten die later in de respons aanhouden.
   • OS (Overshoot): Maximale directionele afwijking tijdens overgangen.
   • OSC (Oscillatie): Genormaliseerde RMS van resterende rimpeling tijdens steady-state segmenten.
     Het doel is om de Pareto-optimale set van controllerconfiguraties $(K_p, K_i)$ te benaderen die trade-offs tussen deze metrieken vertegenwoordigen.

2. Algoritme Selectie (Multivariate TPE): De auteurs kiezen de Tree-structured Parzen Estimator (TPE) als onderliggende BO-strategie, specifiek de multivariate uitbreiding daarvan. Deze keuze wordt gedreven door de noodzaak om te handelen met:

   • Discrete Parameters: Industriële hardware vereist vaak integer-gebaseerde gains.
   • Ruisachtige Evaluaties: Fysieke experimenten introduceren meetruis.
   • Parameter Koppeling: De multivariate variant modelleert gezamenlijk de verdeling van $K_p$ en $K_i$, waardoor hun onderlinge afhankelijkheden worden vastgelegd, in tegenstelling tot standaard TPE die parameters onafhankelijk modelleert.
   • Beperkt Budget: TPE vermijdt de rekenkundige overhead en gladheidsaannames van GP-gebaseerde BO, en biedt snellere convergentie in regimes met een laag budget (tientallen proeven).

3. Experimentele Lus: De optimalisatie draait op een externe PC. Elke proef omvat het bijwerken van parameters, het toepassen van een vooraf gedefinieerd rechthoekig pulssignaal als referentie (60% van de nominaal piekstroom), het verzamelen van data via de interne oscilloscoop van de aandrijving, en het berekenen van metrieken offline.

4. Post-Selectie Strategie: Aangezien de output een Pareto-front is, wordt een definitieve controller geselecteerd via een tweestapsproces:

   • Harde Constraints: Het filteren van configuraties die specifieke overshoot- of oscillatielimieten overtreden.
   • Gewogen Afstand: Het selecteren van de kandidaat die het dichtst bij een ideaal punt ligt, gebruikmakend van een gewogen $\ell_2$-afstand. Vooraf gedefinieerde strategieën (Gebalanceerd, Snel, Soepel) stellen gebruikers in staat om specifieke metrieken te prioriteren zonder de optimalisatie opnieuw te draaien.

Belangrijkste Resultaten
Experimentele validatie werd uitgevoerd op een echte industriële motoraandrijving (230 V, 1,8 A) onder no-load condities, waarbij TPE-gebaseerde BO werd vergeleken met Random Search (RS) en GP-gebaseerde BO over proefbudgetten van 15, 20, 30, 50 en 100.

• Convergentiesnelheid: TPE-gebaseerde BO vertoonde een snellere groei in genormaliseerde hypervolume vergeleken met zowel GP-gebaseerde BO als RS, met name direct na de initiële fase van random exploratie. Dit wijst op een efficiëntere verkenning van de parameter ruimte onder strakke evaluatiebudgetten.
• Kwaliteit Pareto-front: TPE identificeerde consequent grotere en rijkere Pareto-fronten dan RS en, in veel gevallen, GP-gebaseerde BO. Dit suggereert dat TPE een betere empirische benadering biedt van het trade-off oppervlak, waardoor meer diverse hoogwaardige opties voor implementatie beschikbaar komen.
• Prestaties versus Expert Afstelling: De methode bereikte prestaties die vergelijkbaar waren met, en in sommige metrieken superieur aan, handmatige afstelling door experts binnen enkele minuten (bijvoorbeeld ~30% verbetering in IAE en 27% in ITAE bij 30 proeven vergeleken met de expert-baseline). De geautomatiseerde oplossing kwam overeen met de prestaties van de expert op het gebied van volgprecisie, terwijl het oscillerend gedrag werd verminderd, hoewel de expert-baseline in de specifieke testcase een iets lagere overshoot bereikte.
• Robuustheid: TPE-gebaseerde BO vertoonde aanzienlijk minder variabiliteit over onafhankelijke seeds vergeleken met RS. Hoewel GP-gebasede BO hoge consistentie bood in finale metrieken bij hogere budgetten, behield TPE robuustheid in zowel de kwaliteit van de finale oplossing als de consistentie van de grootte van de Pareto-front over verschillende runs.
• Rekenkundige Efficiëntie: TPE-gebaseerde BO veroorzaakte verwaarloosbare rekenkundige overhead vergeleken met GP-gebaseerde BO, die te kampen had met toegenomen afsteltijden door het aanpassen van surrogate modellen en optimalisatie van acquisitie.

Betekenis en Claims
Het artikel claimt een praktische stap te presenteren naar volledig autonome inbedrijfstelling van industriële aandrijfsystemen. De betekenis hiervan ligt in:

• Toepasbaarheid in de Wereld: De methode opereert onder realistische industriële beperkingen (geen modellen, discrete parameters, ruisachtige data, beperkte proeven) zonder firmwarewijzigingen.
• Algoritme Geschiktheid: Het stelt vast dat voor deze specifieke klasse van industriële problemen, multivariate TPE beter aansluit bij de beperkingen dan traditionele GP-gebaseerde BO, en een superieure balans biedt tussen convergentiesnelheid, rijkdom van de Pareto-front en rekenkundige efficiëntie.
• Autonomie: Het raamwerk demonstreert dat hoogwaardige controllerconfiguraties autonoom binnen enkele minuten kunnen worden geïdentificeerd, waardoor de afhankelijkheid van expert-heuristieken wordt verminderd en het inbedrijfstellingsproces wordt gestandaardiseerd.

De auteurs blijven bescheiden in hun claims, met de opmerking dat de validatie momenteel beperkt is tot de no-load stroomlus van één enkele aandrijfsconfiguratie. Zij erkennen dat bredere validatie onder belasting en over verschillende aandrijfsconfiguraties noodzakelijk is voor toekomstig werk. Zij claimen geen uniforme superioriteit van TPE boven GP op elke enkele metriek, maar pleiten voor de algehele geschiktheid ervan in deze specifieke multi-objectieve, beperkte industriële setting.