Texas Tech University|基于强化学习的PID控制的保稳自动调参
Stability-preserving automatic tuning of PID control with reinforcement learning
Ayub I. Lakhani, Myisha A. Chowdhury, Qiugang Lu
Department of Chemical Engineering, Texas Tech University, Lubbock, TX 79409, USA.
原文链接：https://comengsys.com/article/view/4601
PID控制由于其设计简单有效，并且控制范围广泛，一直是过程工业中的主要控制策略。然而，大多数传统的PID调参方法依赖于对复杂过程的反复试验，并且对这些复杂过程的了解有限，因而可能无法得到最佳的PID参数。
本文亮点：
提出了一种基于强化学习（RL）的确定性策略梯度方法的自动PID调参框架，以实现无需用户的PID自动调参，这对于复杂动态系统的PID设计尤为重要。
提出了一种新颖的可以保持闭环稳定的PID自动调参框架，该框架在每个完整的阶跃测试后更新RL代理参数一次，这可以帮助消除不稳定性。大多数现有工作采用逐样本RL更新策略，由此引发的PID参数快速切换将很容易导致闭环不稳定。
与现有研究不同，本方法考虑了整个RL的调整过程的闭环稳定性，这对于确保实际应用的安全性尤为重要。
提供了详细的算法来演示具体实施所提方法的步骤。
提供了一个复杂的二阶时滞模型的示例，以验证所提出的基于RL的稳定性保持PID自动调参方法的有效性。
Author's Talk
Complex Engineering Systems (Online ISSN: 2770-6249, https://comengsys.com/)是OAE出版公司于2021年4月创办的一本金色开放获取，严格同行评议的国际学术期刊，主编由意大利米兰理工大学Hamid Reza Karimi教授担任。我们诚挚地欢迎中国该领域的专家关注期刊并投稿，我们将为您的文章出版提供科学、规范、高效的服务!
