An LLM-Driven Workflow for Automated Process Control Strategy Generation and Tuning from Dynamic Process Models
作者: Ari Luna Rueda, Eike Cramer, Klaus Hellgardt, Mehmet Mercangöz
分类: cs.AI, eess.SY
发布日期: 2026-07-23
💡 一句话要点
提出基于大语言模型的自动化过程控制策略生成与调优方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 过程控制 大语言模型 自动化设计 贝叶斯优化 动态系统 控制策略 性能评估
📋 核心要点
- 现有的过程控制设计方法往往缺乏自动化，依赖人工经验，效率低下且难以适应复杂动态系统。
- 本文提出的工作流程通过大语言模型实现了自动化的多变量控制设计，分解为多个步骤以提高效率和准确性。
- 实验结果表明，生成的控制策略在性能上显著优于初始设计，特别是在压力回路的瞬态性能上有明显改善。
📝 摘要（中文）
本文提出了一种基于结构化大语言模型的工作流程，用于从动态过程模型中自动生成多变量控制设计。该工作流程将设计任务分解为多个受限的代码生成步骤，包括工厂接口构建、归一化、操控变量与受控变量配对、控制器规格说明、闭环仿真、场景生成、性能评估及基于贝叶斯优化的调优。生成的工件在下游任务进行之前被执行和验证，失败的工件则通过验证反馈进行修复。该方法在一个非线性气体预热器基准测试中得到了验证，生成的工作流程产生了一个物理一致的分散式PI反馈-前馈控制结构，并提供了可执行的调优环境。贝叶斯优化将闭环性能目标相较于初始控制器降低了约26.5%。
🔬 方法详解
问题定义：本文旨在解决现有过程控制设计方法的低效与不一致性问题，现有方法往往依赖人工经验，难以适应复杂的动态过程。
核心思路：通过结构化的大语言模型驱动的工作流程，将控制设计任务分解为多个可控的代码生成步骤，以实现自动化和高效的控制策略生成。
技术框架：该工作流程包括多个主要模块：工厂接口构建、归一化、MV-CV配对、控制器规格说明、闭环仿真、场景生成、性能评估和贝叶斯优化调优。每个模块都在生成和验证过程中发挥重要作用。
关键创新：最重要的技术创新在于使用大语言模型进行结构化代码生成，能够自动化生成可执行的控制设计工作流程，显著提高了设计效率和准确性。
关键设计：在调优阶段，采用贝叶斯优化方法来减少闭环性能目标，具体通过改进压力回路的瞬态性能来实现，确保生成的控制策略在实际应用中具备良好的性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，生成的控制策略在闭环性能目标上相较于初始控制器降低了约26.5%，主要得益于压力回路瞬态性能的改善。这一数据表明了自动化调优阶段的有效性，展示了该方法的实际应用潜力。
🎯 应用场景
该研究的潜在应用领域包括化工、能源和制造等行业，能够有效提升复杂动态系统的控制效率与稳定性。未来，该方法有望推广至更大规模的全厂控制基准测试，进一步验证其广泛适用性与实际价值。
📄 摘要（原文）
We present a structured large-language-model-driven workflow for automated multi-variable control design from dynamic process models. The workflow decomposes the design task into constrained code-generation steps: plant-interface construction, normalization, manipulated-variable controlled-variable (MV-CV) pairing, controller specification, closed loop simulation, scenario generation, performance evaluation and Bayesian-optimization (BO) based tuning. Generated artifacts are executed and validated before downstream tasks proceed, and failed artifacts are repaired using validation feedback. The proposed approach is demonstrated on a nonlinear gas-preheater benchmark with coupled pressure and temperature dynamics. The generated workflow produces a physically consistent decentralized PI (proportional-integral) feedback-feedforward control structure and an executable tuning environment. Bayesian optimization reduces the closed loop performance objective, which aggregates set-point tracking and disturbance-rejection errors for the controlled variables, by approximately 26.5% relative to the initial controller generated by the workflow, mainly through improved pressure-loop transient performance. This figure quantifies the automated tuning stage rather than a comparison against a manually designed controller. The results demonstrate the feasibility of using structured large-language-model-based code generation to construct executable control-design workflows, while also highlighting the need for broader validation on larger plantwide-control benchmarks.