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

Resumo Técnico: Rumo à Comissionamento Autônomo de Acionamentos Industriais via Otimização Bayesiana Multiobjetivo

Declaração do Problema
O comissionamento de acionamentos elétricos industriais permanece um gargalo crítico nos fluxos de trabalho de automação, dependendo fortemente do ajuste manual e iterativo de malhas de controle em cascata (corrente, velocidade, posição). Este processo exige conhecimento especializado significativo, é difícil de padronizar e frequentemente produz respostas subótimas ou oscilatórias em sistemas complexos. Embora métodos baseados em dados e otimização tenham sido propostos, muitas abordagens existentes dependem de simulações, modelos simplificados ou gêmeos digitais. A validação direta em hardware industrial real sob restrições práticas — como espaços de parâmetros discretos, medições ruidosas, latência de comunicação e limites estritos no número de ensaios físicos — permanece limitada. Além disso, a Otimização Bayesiana (BO) baseada tradicionalmente em Processos Gaussianos (GP) frequentemente enfrenta dificuldades neste cenário devido à natureza discreta dos parâmetros e ao alto custo das avaliações.

Metodologia
Os autores propõem um framework totalmente automatizado e livre de modelos para o ajuste da malha de controle de corrente de acionamentos industriais diretamente em hardware real. A abordagem trata o acionamento como um sistema de caixa preta, não exigindo identificação de sistema, modelos de planta ou modificações de firmware. A interação é realizada por meio de uma interface de comunicação padrão (Modbus), com os parâmetros do controlador atualizados remotamente.

As principais contribuições técnicas e etapas metodológicas incluem:

1. Formulação Multiobjetivo: Em vez de escalarizar os objetivos, o problema de ajuste é formulado como uma tarefa de otimização multiobjetivo que minimiza simultaneamente quatro métricas complementares:

   • IAE (Integral do Erro Absoluto): Precisão média de rastreamento.
   • ITAE (Integral do Erro Absoluto Ponderado pelo Tempo): Penaliza erros que persistem mais tarde na resposta.
   • OS (Sobressinal): Desvio direcional máximo durante transições.
   • OSC (Oscilação): RMS normalizado do ripple residual durante segmentos de regime permanente.
     O objetivo é aproximar o conjunto Pareto-ótimo de configurações de controlador $(K_p, K_i)$ que representam compensações entre essas métricas.

2. Seleção do Algoritmo (TPE Multivariado): Os autores selecionam o Estimador Parzen de Estrutura Árvore (TPE) como a estratégia de BO subjacente, especificamente sua extensão multivariada. Esta escolha é impulsionada pela necessidade de lidar com:

   • Parâmetros Discretos: Hardware industrial frequentemente exige ganhos de valor inteiro.
   • Avaliações Ruidosas: Experimentos físicos introduzem ruído de medição.
   • Acoplamento de Parâmetros: A variante multivariada modela conjuntamente a distribuição de $K_p$ e $K_i$, capturando suas interdependências, ao contrário do TPE padrão que modela parâmetros independentemente.
   • Orçamento Limitado: O TPE evita o sobrecarga computacional e as suposições de suavidade da BO baseada em GP, oferecendo convergência mais rápida em regimes de baixo orçamento (dezenas de ensaios).

3. Loop Experimental: A otimização é executada em um PC externo. Cada ensaio envolve atualizar parâmetros, aplicar um sinal de referência de pulso retangular pré-definido (60% da corrente de pico nominal), adquirir dados via osciloscópio interno do acionamento e calcular as métricas offline.

4. Estratégia de Pós-Seleção: Como a saída é uma frente de Pareto, um controlador final é selecionado por meio de um processo de dois passos:

   • Restrições Rígidas: Filtragem de configurações que violam limites específicos de sobressinal ou oscilação.
   • Distância Ponderada: Seleção do candidato mais próximo de um ponto ideal usando uma distância $\ell_2$ ponderada. Estratégias pré-definidas (Equilibrada, Rápida, Suave) permitem que os usuários priorizem métricas específicas sem reexecutar a otimização.

Principais Resultados
A validação experimental foi conduzida em um acionamento de motor industrial real (230 V, 1,8 A) em condições de sem carga, comparando a BO baseada em TPE contra Busca Aleatória (RS) e BO baseada em GP em orçamentos de ensaios de 15, 20, 30, 50 e 100.

• Velocidade de Convergência: A BO baseada em TPE demonstrou um crescimento mais rápido no hipervolume normalizado em comparação tanto com a BO baseada em GP quanto com a RS, particularmente imediatamente após a fase inicial de exploração aleatória. Isso indica uma exploração mais eficiente do espaço de parâmetros sob orçamentos de avaliação restritos.
• Qualidade da Frente de Pareto: O TPE identificou consistentemente frentes de Pareto maiores e mais ricas do que a RS e, em muitos casos, do que a BO baseada em GP. Isso sugere que o TPE fornece uma melhor aproximação empírica da superfície de compensação, oferecendo opções mais diversas e de alta qualidade para implantação.
• Desempenho vs. Ajuste por Especialista: O método alcançou desempenho comparável e, em algumas métricas, superior ao ajuste manual feito por especialistas em poucos minutos (por exemplo, ~30% de melhoria no IAE e 27% no ITAE em 30 ensaios em comparação com a linha de base do especialista). A solução automatizada igualou o desempenho do especialista em precisão de rastreamento enquanto reduzia o comportamento oscilatório, embora a linha de base do especialista tenha alcançado um sobressinal ligeiramente menor no caso de teste específico.
• Robustez: A BO baseada em TPE mostrou variabilidade significativamente menor entre sementes independentes em comparação com a RS. Embora a BO baseada em GP oferecesse alta consistência nas métricas finais em orçamentos mais altos, o TPE manteve robustez tanto na qualidade da solução final quanto na consistência do tamanho da frente de Pareto entre as execuções.
• Eficiência Computacional: A BO baseada em TPE incorreu em sobrecarga computacional negligenciável em comparação com a BO baseada em GP, que sofreu com tempos de ajuste aumentados devido ao ajuste do modelo substituto e à otimização de aquisição.

Significado e Alegações
O artigo afirma apresentar um passo prático rumo ao comissionamento totalmente autônomo de sistemas de acionamento industrial. Seu significado reside em:

• Aplicabilidade no Mundo Real: O método opera sob restrições industriais realistas (sem modelos, parâmetros discretos, dados ruidosos, ensaios limitados) sem exigir alterações de firmware.
• Adequação do Algoritmo: Estabelece que, para esta classe específica de problemas industriais, o TPE multivariado está melhor alinhado com as restrições do que a BO tradicional baseada em GP, oferecendo um equilíbrio superior entre velocidade de convergência, riqueza da frente de Pareto e eficiência computacional.
• Autonomia: O framework demonstra que configurações de controlador de alta qualidade podem ser identificadas autonomamente em minutos, reduzindo a dependência de heurísticas de especialistas e padronizando o processo de comissionamento.

Os autores permanecem modestos em suas alegações, observando que a validação atualmente se restringe à malha de corrente sem carga de uma única configuração de acionamento. Eles reconhecem que uma validação mais ampla sob carga e através de diferentes configurações de acionamento é necessária para trabalhos futuros. Eles não afirmam superioridade uniforme do TPE sobre o GP em cada métrica individual, mas argumentam em favor de sua adequação geral neste cenário industrial multiobjetivo e restrito específico.