대규모 언어 모델 에이전트를 활용한 화학 공정 PID 제어 파라미터 조정 방법론: 물리 기반 접근 방식

A Physics-Informed Framework for PID Tuning of Chemical Processes Using Large Language Model Agents

화학 공정의 PID 제어는 일반적으로 식별된 공정 모델에 의존하지만, 실제 현장 엔지니어들은 종종 응답을 관찰하고, 문제점을 진단하며, 게인을 조정하고, 결과를 검증하는 과정을 반복적으로 수행하여 루프를 재조정합니다. 본 연구에서는 이러한 엔지니어의 작업 방식을 언어 모델 지원 PID 제어 프레임워크로 공식화하였으며, 이 방법은 대규모 및 소규모 언어 모델(LLM/SLM) 모두에 적용 가능합니다. 호스팅된 언어 모델은 폐루프 응답 데이터, 제어 공학적 진단 결과, 조정 선호도, 그리고 내부 모델 제어(IMC) 기반의 예시 데이터를 입력으로 받아 PID 게인을 생성하고 반복적으로 개선하며, 일반적인 성능 기준을 충족하도록 합니다. 로컬 환경에 배포하기 위해, Qwen3-0.6B 모델은 시뮬레이션을 통해 검증된 IMC 목표 값을 활용한 지도 학습(SFT)과 물리 기반 그룹 상대 정책 최적화(PI-GRPO)를 통해 개선되었습니다. 1차 지연 시간(FOPDT) 및 2차 지연 시간(SOPDT) 테스트 케이스 100개씩을 사용하여, 호스팅된 언어 모델(DeepSeek-V4-Flash 및 Qwen3.7-Plus)은 각각 75-89%와 77-79%의 최종 성공률을 달성했습니다. Qwen3-0.6B 모델의 경우, 지도 학습을 통해 초기 추천 성공률이 86.5%로 향상되었으며, PI-GRPO를 추가적으로 적용하면 이 수치가 94.0%로 증가하여, 특히 최초 시도 성공률과 안정 마진을 크게 개선했습니다.

PID tuning for chemical processes commonly relies on identified process models, whereas plant engineers often retune loops iteratively by observing responses, diagnosing deficiencies, adjusting gains, and validating the result. This work formalizes this engineer-like workflow in a language-model-assisted PID tuning framework applicable to both large and small language models (LLMs/SLMs). Hosted LLMs receive closed-loop response features, control-engineering diagnoses, tuning preferences, and internal model control (IMC)-based demonstrations to generate and iteratively correct PID gains under common acceptance criteria. For local deployment, Qwen3-0.6B is adapted through supervised fine-tuning (SFT) with simulation-verified IMC targets and physics-informed group relative policy optimization (PI-GRPO) with non-compensable stability and performance rewards. On 100 first-order plus dead time (FOPDT) and 100 second-order plus dead time (SOPDT) test cases, hosted LLMs (DeepSeek-V4-Flash and Qwen3.7-Plus) achieve final success rates of 75-89% and 77-79%, respectively. As for Qwen3-0.6B, supervised fine-tuning raises first-recommendation success to 86.5%, and PI-GRPO further increases it to 94.0%, primarily improving first-attempt reliability and stability margins.