Réglage interprétable des paramètres PID pour l'ingénierie du contrôle à l'aide de réseaux neuronaux dynamiques généraux : Une comparaison approfondie

Résumé

Les systèmes d'automatisation modernes reposent en grande partie sur un contrôle en boucle fermée, dans lequel un contrôleur interagit avec un processus contrôlé par des actions, basées sur des observations. Ces systèmes sont de plus en plus complexes, mais la plupart des contrôleurs déployés sont des contrôleurs proportionnels-intégraux-dérivés (PID) linéaires. Les contrôleurs PID fonctionnent bien sur les systèmes linéaires et quasi-linéaires, mais leur simplicité est en contradiction avec la robustesse requise pour contrôler de manière fiable des processus complexes. Les techniques modernes d'apprentissage automatique offrent un moyen d'étendre les contrôleurs PID au-delà de leurs capacités de contrôle linéaire en utilisant des réseaux neuronaux. Cependant, une telle extension se fait au prix de la perte des garanties de stabilité et de l'interprétabilité du contrôleur. Dans cet article, nous examinons l'utilité d'étendre les contrôleurs PID avec des réseaux neuronaux récurrents, à savoir les réseaux neuronaux dynamiques généraux (GDNN) ; nous montrons que les contrôleurs PID (neuronaux) GDNN sont performants sur une gamme de systèmes de contrôle complexes et nous soulignons comment ils peuvent être une option évolutive et interprétable pour les systèmes de contrôle modernes. Pour ce faire, nous fournissons une étude approfondie en utilisant quatre systèmes de référence qui représentent les repères les plus courants en matière d'ingénierie de contrôle. Tous les environnements de contrôle sont évalués avec et sans bruit ainsi qu'avec et sans perturbations. Le contrôleur PID neuronal est plus performant que le contrôle PID standard dans 15 des 16 tâches et plus performant que le contrôle basé sur le modèle dans 13 des 16 tâches. Comme deuxième contribution, nous abordons le manque d'interprétabilité qui empêche les réseaux neuronaux d'être utilisés dans les processus de contrôle du monde réel. Nous utilisons une analyse de stabilité à entrée limitée et à sortie limitée pour évaluer les paramètres suggérés par le réseau neuronal, ce qui les rend compréhensibles pour les ingénieurs. Cette combinaison d'une évaluation rigoureuse et d'une meilleure interprétabilité constitue un pas important vers l'acceptation des approches de contrôle basées sur les réseaux neuronaux pour les systèmes du monde réel. Il s'agit en outre d'un pas important vers une intelligence artificielle interprétable et appliquée en toute sécurité.