Adaptive Tuning of Online Feedback Optimization for Process Control Applications

1. Problema e Motivação

A Otimização com Feedback Online (OFO - Online Feedback Optimization) é uma técnica promissora para o controle de processos industriais, permitindo alcançar pontos de operação ótimos enquanto satisfaz restrições, mesmo com informações de modelo limitadas. No entanto, o desempenho em malha fechada desses controladores depende criticamente dos parâmetros do algoritmo de otimização subjacente, especificamente:

• O tamanho do passo ($\alpha$).
• A matriz de escalonamento ($S$).

Atualmente, o ajuste (tuning) desses parâmetros é desafiador porque:

1. Eles não possuem uma conexão direta com as características do processo controlado.
2. O ajuste manual tradicional exige uma série de experimentos repetidos no sistema real (ou em simulações detalhadas), o que é demorado e pode ser inviável em condições operacionais variáveis.
3. Métodos existentes de adaptação muitas vezes assumem dinâmicas lineares, funções objetivo quadráticas ou exigem informações de Hessiana que não estão disponíveis em tempo real em processos industriais complexos.

2. Metodologia Proposta

Os autores propõem um método de ajuste adaptativo online para controladores OFO baseados em descida de gradiente projetada escalonada. A abordagem evita experimentos repetidos ao utilizar a sensibilidade do objetivo em relação aos parâmetros do algoritmo.

Principais Componentes da Metodologia:

• Sensibilidade do Objetivo: O método explora a derivada da função objetivo $\Phi$ em relação à matriz de escalonamento $S$ e ao tamanho do passo $\alpha$. Utiliza-se a regra da cadeia e as sensibilidades entrada-saída ($\nabla h$) já disponíveis no controlador OFO padrão para estimar como mudar os parâmetros afetará o desempenho, sem precisar de modelos completos.
• Adaptação da Matriz de Escalonamento ($S$):
  • O objetivo é garantir uma descida monótona do objetivo entre iterações ($\Phi_{k+1} \leq \Phi_k$).
  • Utiliza-se uma aproximação linear para formular uma condição de descida monótona.
  • A nova matriz $S_{k+1}$ é encontrada resolvendo um problema de otimização semidefinida auxiliar (ou uma regra heurística simplificada para matrizes diagonais) que maximiza a redução do objetivo, respeitando restrições de positividade definida e limites espectrais.
• Adaptação do Tamanho do Passo ($\alpha$):
  • Para mitigar imprecisões na aproximação da matriz $S$, o tamanho do passo é adaptado aproximando a função objetivo como uma função quadrática de $\alpha$.
  • O novo $\alpha_{k+1}$ é obtido minimizando essa aproximação quadrática dentro de um intervalo permitido.
• Parâmetros do Operador: O método reduz a complexidade do ajuste manual para a escolha de poucos parâmetros escalares (limites de variação do objetivo e do passo), eliminando a necessidade de ajustar matrizes complexas manualmente.

3. Contribuições Chave

1. Método de Ajuste Adaptativo Online: Desenvolvimento de um algoritmo que ajusta automaticamente a matriz de escalonamento e o tamanho do passo em tempo real, baseado na sensibilidade do sistema.
2. Eliminação de Experimentos Repetidos: A abordagem não requer múltiplas execuções do sistema para calibrar os parâmetros, utilizando apenas as medições online e as derivadas já calculadas pelo controlador.
3. Generalidade para Sistemas Não Lineares: Diferente de trabalhos anteriores focados em sistemas lineares ou funções quadráticas, este método é aplicado a sistemas não lineares típicos de processos químicos.
4. Formulação Prática: Inclui uma versão simplificada para matrizes diagonais (comum em aplicações práticas) e uma formulação baseada em otimização semidefinida para casos gerais.

4. Resultados Numéricos

O método foi validado através de três estudos de caso:

• Exemplo Teórico (Função de Rosenbrock e não-convexa):

  • Demonstrou que a adaptação acelera significativamente a convergência para o ótimo em comparação com parâmetros fixos.
  • A combinação de adaptação de $S$ e $\alpha$ eliminou oscilações e garantiu estabilidade, enquanto o uso de apenas um dos dois parâmetros adaptativos resultou em desempenho inferior ou instabilidade.

• Otimização de Lift de Gás (Gas Lift):

  • Aplicado a um sistema de duas plataformas de petróleo com restrições de acoplamento.
  • O algoritmo adaptativo alcançou o ótimo mais rapidamente do que o método com passo fixo, mesmo quando as restrições se tornaram ativas.
  • A adaptação da matriz $S$ permitiu ajustar dinamicamente a "agressividade" do controle conforme as restrições mudavam, superando a abordagem heurística manual.

• Reator de Tanque Agitado Continuamente (CSTR) - Sistema Dinâmico:

  • Comparação direta entre o ajuste manual (baseado em múltiplos experimentos, conforme Gil et al., 2023) e o ajuste adaptativo.
  • Resultado: O método adaptativo alcançou uma melhoria de 25% na precisão de rastreamento na trajetória de ajuste e até 20% em trajetórias de validação, sem a necessidade de realizar os 8 experimentos manuais necessários para o ajuste tradicional.
  • O algoritmo adaptativo conseguiu seguir referências com grandes mudanças de passo (setpoints) com muito mais precisão e menos oscilação do que o controlador com parâmetros fixos.

5. Significado e Conclusão

O trabalho representa um avanço significativo na aplicação prática de Otimização com Feedback Online na indústria de processos.

• Impacto Prático: Ao automatizar o ajuste de hiperparâmetros, o método torna a OFO viável para aplicações onde o tempo de experimentação é caro ou onde as condições operacionais mudam frequentemente.
• Robustez: A capacidade de lidar com sistemas não lineares e dinâmicos, ajustando-se em tempo real, supera as limitações de métodos estáticos.
• Futuro: Os autores apontam que trabalhos futuros focarão em fornecer garantias teóricas de convergência e satisfação de restrições, além de robustecer o método contra ruídos de medição típicos de ambientes industriais reais.

Em resumo, a proposta substitui o ajuste manual, demorado e baseado em tentativa e erro, por um esquema adaptativo inteligente que utiliza a própria estrutura de sensibilidade do controlador para otimizar seu próprio desempenho em tempo real.