Een team van onderzoekers, onder wie Ari Luna Rueda, heeft een innovatieve methode ontwikkeld om het ontwerp van controle-strategieën voor complexe industriële processen te automatiseren. Door de inzet van Large Language Models (LLM's) kunnen dynamische procesmodellen nu efficiënter worden omgezet in functionele code voor multi-variabele procescontrole.
Volgens een publicatie op arxiv.org wordt de complexiteit van deze ontwerptaak beheersbaar gemaakt door het proces op te splitsen in kleinere, valideerbare stappen van codegeneratie. In plaats van het model te vragen een volledige strategie in één keer te produceren, hanteert de workflow een gestructureerde decompositie. Dit proces omvat diverse fasen, variërend van de constructie van de plant-interface en normalisatie tot het koppelen van gemanipuleerde variabelen aan gecontroleerde variabelen (MV-CV pairing) en het uitvoeren van simulaties.
Een essentieel onderdeel van deze aanpak is de iteratieve validatie. Elk gegenereerd onderdeel wordt direct getest; bij fouten wordt de code gecorrigeerd op basis van de ontvangen feedback. Deze capaciteit om code te genereren en fouten te herstellen is een kernkenmerk van moderne LLM's, die volgens geeksforgeeks.org in staat zijn om complexe patronen in data te herkennen en om te zetten in programmeerbare instructies.
Om de praktische bruikbaarheid van de methode te bewijzen, is de workflow toegepast op een benchmark van een niet-lineaire gasvoorverwarmer. Hierbij was sprake van een complexe dynamiek tussen druk en temperatuur. De AI slaagde erin een fysiek consistente, gedecentraliseerde PI (proportioneel-integrale) feedback-feedforward structuur te creëren, inclusief een omgeving voor verdere afstelling.
De prestaties van deze initiële controller werden vervolgens verder geoptimaliseerd met behulp van Bayesian Optimization (BO). De onderzoekers stellen dat deze optimalisatiefase de prestatiedoelstellingen — specifiek de fouten bij het volgen van set-points en het onderdrukken van verstoringen — met ongeveer 26,5% wist te verlagen. Deze verbetering was vooral merkbaar in de transient-prestaties van de drukregeling. Het is hierbij belangrijk op te merken dat dit cijfer de effectiviteit van de automatische tuning kwantificeert en geen directe vergelijking vormt met handmatige ontwerpen.
De integratie van LLM's in dergelijke technische engineering-taken is mogelijk dankzij de evolutie van deep learning. Zoals ibcom uitlegt, zijn LLM's geavanceerde systemen die via enorme datasets leren om menselijke logica en taal te simuleren. De onderliggende Transformer-architectuur stelt deze modellen in staat om contextuele betekenissen en lange afhankelijkheden in zowel tekst als code te begrijpen, wat cruciaal is voor het vertalen van technische specificaties naar werkende software.
Hoewel de resultaten de potentie van generatieve AI binnen de systeem- en controletechniek onderstrepen, merken de auteurs op dat verdere validatie noodzakelijk is. Om de schaalbaarheid naar grotere industriële installaties te bevestigen, is uitgebreid onderzoek op plant-brede benchmarks vereist. Desondanks vormt deze studie een belangrijke stap richting de automatisering van complexe industriële optimalisatieprocessen via .