📊 statistics

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

本文证明了广义动态神经网络（GDNN）能够有效地扩展 PID 控制器，以处理复杂的非线性系统，且与标准方法及基于模型的方法相比，具有更优越的性能和噪声鲁棒性，同时通过有界输入有界输出分析确保了可解释性与稳定性。

原作者： Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Johannes Günther, Elias Reichensdörfer, Patrick M. Pilarski, Klaus Diepold

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在驾驶一辆汽车。在过去，定速巡航是一个非常简单、僵化的系统。如果你设定为 60 英里/小时，它就会试图始终保持在 60 英里/小时，无论发生什么。如果你开上陡坡，由于这个简单的系统不知道如何加大动力，车速就会下降；如果你下坡，它可能会加速过快。这就像是一个标准的 PID 控制器（比例-积分-微分），它是现代自动化的“主力军”。它非常擅长处理简单、可预测的任务，但当世界变得混乱、颠簸或不可预测时，它就会显得力不从心。

这篇论文提出了一个解决方案：给这个简单的定速巡航装上一个“大脑”，即一个神经网络。

问题所在：僵化 vs. 复杂

作者指出，虽然我们的工厂和机器正变得越来越复杂（就像在道路不断变化的暴风雨中开车），但我们仍然主要在使用这些简单、僵化的控制器。

旧方法： 工程师在机器启动前对控制器进行一次性调优。这就像设定好你的定速巡航，然后祈祷路面始终保持平坦。
问题所在： 如果路况改变（干扰）或者车辆产生噪声（传感器噪声），这个简单的控制器就会失效，或者需要人类介入进行修复。
新想法： 如果控制器能在“驾驶”过程中实时“思考”并调整自己的设置呢？

解决方案：“智能”定速巡航

研究人员构建了一个系统，在这个系统中，一个微小的神经网络（一种人工智能）内置在控制器内部。它不再仅仅遵循固定规则，而是通过观察车辆的速度和误差（即当前速度与目标速度之间的差距），实时微调控制器的三个主要旋钮（PID 参数），以应对当前发生的一切情况。

你可以把它想象成一只变色龙。标准控制器是一只无论环境如何都保持不变颜色的蜥蜴。而这个全新的“神经 PID”则是一只变色龙，它能根据背景（当前情况）瞬间改变颜色（调整设置），无论是晴天、雨夜还是颠簸的路面。

测试驾驶：四项严苛挑战

为了证明其有效性，作者并没有只在单一的简单任务上进行测试。他们让这个“智能定速巡航”经历了四种截然不同且困难的驾驶场景（基准测试）：

双水箱系统： 想象一下，即使上方水箱中的水流以一种杂乱、非线性的方式流入下方水箱，你仍要试图将下层水箱的水位保持得完美无缺。这就像是用一根带有奇怪弯折的水管来填满一个水桶。
倒立摆： 这是经典的“手掌平衡扫帚杆”问题。它本质上是不稳定的；如果你松手，它就会倒下。控制器必须完美地推动小车前后移动，以保持木棒直立。
延迟系统： 想象你在开车，当你转动方向盘后，要经过 5 秒钟汽车才会真正转向。这对标准控制器来说是一场噩梦。
混沌环路： 这就像是在控制一种完全不可预测、呈现混沌模式的流体，比如漩涡。

结果：AI 赢得了大多数比赛

作者将这些测试各进行了 50 次，并加入了“噪声”（类似收音机的电波杂音）和“干扰”（如突如其来的阵风或坑洼）。

成绩单： 在 16 个不同的场景中，有 15 个场景，神经 PID 控制器的表现优于标准的、僵化的 PID 控制器。
击败专家： 它甚至在 16 个场景中的 13 个场景里，击败了专门的、复杂的数学控制器（如“反步法”或“史密斯预估器”）。
“不可阻挡”的时刻： 在混沌环路测试中，当突然受到干扰时，标准控制器变得失控，出现了剧烈的震荡并消耗了过多能量。然而，神经 PID 却保持了冷静，它实时调整了设置，使系统恢复了稳定。

“黑盒”问题：如何确保安全

这是最大的障碍。工程师们对 AI 感到恐惧，因为 AI 是一个“黑盒”。人们不知道 AI 为什么做出某个决定。如果一个 AI 控制器导致飞机坠毁，没人知道那是程序漏洞还是功能特性。在涉及安全至上的行业中，你不能仅仅信任一个黑盒。

作者通过添加一个稳定性检查解决了这个问题。

类比： 想象 AI 是一名飞行员。通常情况下，直到到达目的地之前，我们都不知道飞行员是否飞行安全。作者构建了一个“副驾驶”，它会不断检查数学逻辑，以确保无论 AI 飞行员在做什么，飞机最终都能安全着陆。
结果： 他们证明了，尽管 AI 每毫秒都在更改设置，但他们可以通过数学手段证明系统始终保持稳定。这把“黑盒”变成了工程师可以理解并信任的“玻璃盒”。

核心结论

这篇论文传达的信息是：“我们可以通过给简单的控制器装上一个能实时自我调整的小型 AI 大脑，使其变得超级聪明。我们在最难的工程问题上测试了它，它几乎赢得了每一次胜利。此外，我们还找到了一种证明它安全的方法，因此工程师可以在现实世界中真正使用它。”

这是迈向一种不仅能听从指令，还能适应现实世界之混沌的机器的一大步，同时还保留了一个人类可以理解的安全网。

技术摘要：利用通用动态神经网络实现可解释的 PID 参数整定控制工程

问题陈述
现代自动化系统日益涉及复杂的物理过程，这些过程无法通过简单的线性方程进行充分建模。虽然比例-积分-微分（PID）控制器因其简单性和易于整定而仍是工业标准，但它们本质上局限于线性或近线性系统。当应用于复杂的非线性过程时，标准的 PID 控制器往往无法在面对扰动或变化的系统动力学时提供鲁棒性，从而需要密切的人工监控。相反，旨在处理非线性系统的先进控制方法通常过于复杂，难以在广泛的工程领域得到采用。

虽然机器学习技术（特别是神经网络）在在线整定 PID 参数以适应非线性方面展现出了潜力，但其在现实控制工程中的应用受到两个主要障碍的阻碍：

缺乏泛化能力： 先前的研究通常侧重于特定的、单任务的架构（例如，严格的循环网络或对角网络），这类架构可能无法在多样化的控制环境中实现泛化。
缺乏可解释性与安全性： 神经网络作为“黑盒”运行，阻碍了工程师验证其建议参数的稳定性。控制工程要求严谨的稳定性保证（特别是受限输入受限输出稳定性），以确保安全性，而这一要求在现有的神经网络整定文献中经常被忽视。

方法论
作者提出了一个框架，将**通用动态神经网络（GDNN）**集成到标准的闭环控制架构中，以执行在线 PID 参数整定。

架构： 神经网络接收系统输出 ( $v$ ) 和控制误差 ( $e$ ) 作为输入。它在每个时间步输出三个可调的 PID 常数（ $K_P, K_I, K_D$ ）。为了确保在资源有限的硬件（在 Raspberry Pi 3 上进行了演示）上的计算效率，网络被限制为具有四个神经元的一个隐藏层。该架构包含循环连接，其中神经元输出会通过一个时间步的延迟 ( $g^{-1}$ ) 进行反馈。
训练策略： 与依赖已知理想输出的端到端优化等标准深度学习方法不同，该框架无法使用标准反向传播，因为“理想”的 PID 参数是未知的。相反，作者采用了数值 Levenberg-Marquardt 算法。该方法通过有限差分近似神经网络权重的雅可比矩阵，以最小化平方控制误差。
实验设计： 本研究通过四个不同的基准系统来评估该方法，这些系统代表了常见的控制工程挑战：
1. 双水箱系统： 一个代表生物反应器等过程的非线性系统。
2. 倒立摆（小车式）： 一个具有不稳定平衡点和非线性的系统。
3. 具有显著时间延迟的系统： 一个具有显著延迟的一阶线性时不变（LTI）系统。
4. 混沌热对流环： 一个表现出混沌行为的系统。
鲁棒性测试： 每个系统都在四种条件下进行测试：无噪声/扰动、仅有噪声、仅有扰动以及两者兼有。扰动被施加以将系统推向稳定性的极限。神经 PID 控制器与标准 PID 控制器以及适用于特定模型的控制器（如 Backstepping、LQR、Smith 预测器）进行了对比。

核心贡献

广泛的对比研究： 论文通过超越单一任务评估，推进了现有技术水平。它提供了基于 GDNN 的 PID 整定在四个不同基准系统（包括存在传感器噪声和外部扰动的场景）中的全面比较。
通过稳定性分析实现可解释性： 作者通过应用受限输入受限输出（BIBO）稳定性分析来解决“黑盒”疑虑。通过在每个时间步根据神经网络建议的参数计算闭环传递函数，他们展示了如何验证系统稳定性。这在混沌热对流环的案例中得到了说明，显示出系统在接近稳态时如何实现输入-输出稳定，使得神经网络的决策对控制工程师而言是可理解的。

结果
该研究基于每个场景 50 次独立运行（共 16 个场景）得出以下定量结果：

性能： 神经 PID 控制器在 16 项任务中的 15 项中优于标准 PID 控制器。
与模型控制器的比较： 神经 PID 控制器在 16 项任务中的 13 项中优于专门的模型控制器（Backstepping、LQR、Smith 预测器）。
具体发现：
- 在倒立摆场景中，当受到显著扰动时，神经 PID 是唯一能够稳定系统的控制器，而标准 PID 和 LQR 则失败了（误差值分别为 140 对 0.27）。
- 在混沌热对流环中，神经 PID 比 Backstepping 和标准 PD 实现了更好的调节时间与超调量之间的平衡。同时，它在稳定过程中表现出显著更低的能量消耗。
- 在时间延迟系统中，神经 PID 在所有场景下都优于标准 PID，尽管 Smith 预测器（具有明确的延迟知识）在无噪声条件下表现略好。

意义与主张
论文声称，这项工作代表了机器学习进入现实世界控制系统的重要一步。通过将神经网络的性能优势与严谨的稳定性分析相结合，作者证明了神经 PID 控制器可以兼具高性能与可解释性。

作者谦逊地将他们的工作定位为使用通用动态神经网络进行此类目的的“第一步”和“初步调查”。他们强调，虽然训练数据源自微分方程，但生成的控制器在面对不可预见的扰动和噪声时表现出了更强的韧性。其主要意义在于弥合了机器学习的适应性与控制工程安全性要求之间的鸿沟，从而解决了 AI 部署于安全关键型系统的一个核心障碍。论文并未声称解决了所有安全问题，而是指出将稳定性约束（例如作为正则化项）纳入训练过程是未来工作的自然且必要的延伸。