論文の概要: An LLM-Driven Workflow for Automated Process Control Strategy Generation and Tuning from Dynamic Process Models
- arxiv url: http://arxiv.org/abs/2607.21292v1
- Date: Thu, 23 Jul 2026 13:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.419069
- Title: An LLM-Driven Workflow for Automated Process Control Strategy Generation and Tuning from Dynamic Process Models
- Title（参考訳）: 動的プロセスモデルからの自動プロセス制御戦略生成とチューニングのためのLCM駆動ワークフロー
- Abstract要約: 動的プロセスモデルからの多変数自動制御のための構造化された大規模言語モデル駆動ワークフローを提案する。
提案手法は, 圧力と温度ダイナミクスを結合した非線形ガス予熱器ベンチマークで実証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（参考訳）: 動的プロセスモデルからの多変数自動制御のための構造化された大規模言語モデル駆動ワークフローを提案する。
このワークフローは、設計タスクを、プラントインタフェースの構築、正規化、操作可能な制御変数(MV-CV)ペアリング、コントローラ仕様、クローズドループシミュレーション、シナリオ生成、パフォーマンス評価、ベイズ最適化(BO)ベースのチューニングといった制約付きコード生成ステップに分解する。
生成されたアーティファクトは、下流タスクが進む前に実行され、検証され、失敗したアーティファクトはバリデーションフィードバックを使用して修復される。
提案手法は, 圧力と温度ダイナミクスを結合した非線形ガス予熱器ベンチマークで実証された。
生成されたワークフローは、物理的に一貫した分散PI(proportional-integral)フィードバックフィードフォワード制御構造と実行可能なチューニング環境を生成する。
ベイジアン最適化は、制御変数のセットポイントトラッキングと外乱退避誤差を、主に圧力ループ過渡性能を改善することで、ワークフローによって生成された初期コントローラに対して約26.5%削減する閉ループ性能目標を下げる。
この図は、手動で設計されたコントローラとの比較ではなく、自動チューニングステージを定量化する。
結果は、構造化された大言語モデルベースのコード生成を使用して実行可能な制御設計ワークフローを構築することの可能性を実証するとともに、より大きなプラントワイド制御ベンチマークに対するより広範な検証の必要性を強調した。
関連論文リスト
- AI Control Scientist: LLM-driven Agentic System for Automated Control Design [14.07059572908122]
制御系の設計は、化学プロセスの温度調節や航空エンジンの制御など、現代の産業にとって重要なものである。
本稿では,言語設計要求から最適化されたコントローラを自動生成可能な,最初の大規模言語モデル(LLM)駆動エージェントであるAICSを提案する。
論文 参考訳（メタデータ） (2026-08-27T08:11:13Z) - Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement [6.977622121664024]
LLM(Large Language Models)は、そのようなシミュレーション駆動チューニングのサンプル効率を改善する可能性を実証している。
アナログレイアウトジェネレータによって公開されているレイアウト最適化パラメータを反復的に更新することで、コンテキスト内ポリシー改善(ICPI)を行うシミュレーション対応LLMマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-13T20:46:17Z) - From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。
既存の方法は、主にオープンループシステムとして動作する。
本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T05:36:30Z) - Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models [102.20309135516186]
クロスエントロピー(CE)トレーニングは、言語モデルの密集したスケーラブルな監視を提供する。
言語モデル微調整のための特徴マッチング手法を提案する。
この目的を効率的に最適化するために,エネルギーベースファインチューニングを提案する。
論文 参考訳（メタデータ） (2026-03-12T17:57:50Z) - Solving Inverse Problems with Flow-based Models via Model Predictive Control [41.551726534223704]
MPC-Flowは制御サブプロブレムのシーケンスとしてフローベース生成モデルを用いて逆問題解決を定式化するモデル予測制御フレームワークである。
生成モデル軌道によるバックプロパゲーションを回避するレギュレーションを含む,異なるアルゴリズム選択が,ガイダンスアルゴリズムのスペクトルをいかに生み出すかを示す。
論文 参考訳（メタデータ） (2026-01-30T17:59:09Z) - Edit-Based Flow Matching for Temporal Point Processes [51.33476564706644]
時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールである。
最近の非自己回帰拡散型モデルでは、ノイズとデータとの連立補間によってこれらの問題を緩和している。
本稿では,TPPの編集操作を挿入,削除,置換することで,ノイズをデータに転送する編集フロープロセスを提案する。
論文 参考訳（メタデータ） (2025-10-07T15:44:12Z) - Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。
我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-02T07:51:59Z) - A Hierarchical Surrogate Model for Efficient Multi-Task Parameter Learning in Closed-Loop Control [0.0]
本稿では,効率的な制御パラメータ学習に適した階層型ベイズ最適化(BO)フレームワークを提案する。
閉ループコストをブラックボックスとして扱う代わりに,本手法は根本問題の構造的知識を活用する。
論文 参考訳（メタデータ） (2025-08-18T09:01:28Z) - Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。
その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文 参考訳（メタデータ） (2025-07-03T11:20:22Z) - Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。
本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。
提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文 参考訳（メタデータ） (2025-01-14T04:35:37Z) - On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。
本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。
我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
論文 参考訳（メタデータ） (2022-07-22T14:54:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。