동적 공정 모델로부터 다변수 제어 설계를 자동화하기 위한 구조화된 대규모 언어 모델(LLM) 기반 워크플로우를 제시한다. 이 워크플로우는 설계 과제를 제약 조건이 있는 코드 생성 단계로 분해한다: 플랜트 인터페이스 구축, 정규화, 조작변수-제어변수(MV-CV) 페어링, 제어기 명세, 폐루프 시뮬레이션, 시나리오 생성, 성능 평가, 베이지안 최적화(BO) 기반 튜닝. 생성된 산출물은 하류 작업이 진행되기 전에 실행되고 검증되며, 실패한 산출물은 검증 피드백을 이용해 수정된다. 제안 접근법은 압력과 온도 역학이 결합된 비선형 가스 예열기 벤치마크에서 시연된다. 생성된 워크플로우는 물리적으로 일관된 분산형 PI(비례-적분) 피드백-피드포워드 제어 구조와 실행 가능한 튜닝 환경을 산출한다. 베이지안 최적화는 제어변수에 대한 설정값 추적 및 외란 억제 오류를 집계하는 폐루프 성능 목적함수를, 워크플로우가 생성한 초기 제어기 대비 약 26.5% 감소시키며, 이는 주로 압력 루프의 과도 성능 개선을 통해 달성된다. 이 수치는 수동으로 설계된 제어기와의 비교가 아니라 자동화된 튜닝 단계를 정량화한 것이다. 결과는 실행 가능한 제어 설계 워크플로우를 구축하기 위해 구조화된 대규모 언어 모델 기반 코드 생성을 사용하는 것의 실현 가능성을 보여주며, 동시에 더 큰 규모의 플랜트 전체 제어 벤치마크에 대한 더 넓은 범위의 검증이 필요함을 강조한다.
산업 공정에서 자동화된 최적화가 점점 더 널리 채택되고 있으나, 이러한 알고리즘을 설계하는 엔지니어와 권고 사항에 따라 조치해야 하는 운영자 사이에는 여전히 신뢰 격차가 존재한다. SHAP(SHapley Additive exPlanations)와 같은 설명 가능 AI(Explainable AI) 방법은 머신러닝 예측의 해석 가능성을 변화시켰으며, 최적화 결과 역시 유사한 기법의 이점을 누릴 수 있다. 본 연구는 암시함수 정리(Implicit Function Theorem, IFT) 기반 민감도 분석을 SHAP 속성 부여와 대규모 언어 모델(LLM)을 통한 서술 생성에 통합하여 운영자 맞춤형 설명을 생성하는 접근법을 제시한다. 본 접근법은 IFT를 활용해 최적성 조건으로부터 정확한 매개변수 민감도 $\partial p^*/\partial x$를 계산하고, 이를 통해 효율적인 GradientSHAP 계산을 가능하게 한다. 22개 특성을 갖는 산업용 고압 롤 분쇄기(High Pressure Grinding Roll, HPGR) 제어 최적화 문제에서 KernelSHAP과 상관관계 $>$0.99의 동등한 SHAP 속성 부여를 달성하면서 40$\times$ 이상 속도 향상을 이루어 실시간 자연어 설명을 가능하게 한다. 산업 시나리오에서 이를 검증하고 생성된 설명에 대한 도메인 전문가 피드백을 제시한다.
공정 플랜트에서 사전 정의된 감독 로직 외부의 고장 복구를 지원하기 위해, 대규모 언어 모델(LLM) 에이전트를 지식 그래프와 디지털 트윈으로 그라운딩된 제약적 감독 계획자로 활용하는 프레임워크를 제시하며, 모든 복구 제안은 외부 검증기를 통해 실행 전 검증된다. 적용 패턴, 검증 전략, 배포 제약 등 세 가지 설계 차원을 체계화하고, 재현 가능한 두 가지 Python 실행 환경(혼합 모듈, 연속 교반 탱크 반응기)을 공개하여 커스텀 복구 및 검증 방법을 직접 테스트할 수 있도록 한다.
공정 제어 및 안전 분야에서 인터록, 경보 합리화 테이블, 원인-결과(C&E) 매트릭스 작성을 자동화하기 위해, 지식 그래프(KG)와 온톨로지 제약 기반의 대규모 언어 모델(LLM)을 결합한 시맨틱-AI 파이프라인을 제안한다. KG에서 SPARQL 쿼리로 C&E 행을 추출하고, LLM이 이를 운영자용 안전 내러티브와 기계 검증 가능한 SWRL 규칙으로 변환하는 방식을 모듈형 공정 플랜트 사례에 적용하여 수작업 없이 일관된 사양 생성이 가능함을 입증하였다.
Recent literature shows that large language models (LLMs) are useful for general-purpose tasks yet perform poorly on specific domain ones. One reason is the difficulty of supplying narrow context to a general-purpose model and of bounding the task it is asked to perform. It is possible to hypothesise that a multi-agent reformulation under process-control principles offers a route to address those points, since control theory provides a discipline of decomposing a system into elements of contained scope, each defending one controlled variable, with conflicts resolved by structural priority: MIN/MAX selector networks for CV-CV switching and split-range (split-parallel) logic for MV-MV switching. The present work proposes such a reformulation, derived from Advanced Regulatory Control (ARC) theory. Each feedback loop in the ARC chain is mapped to one specialised LLM operator agent carrying the loop's control-theoretic context (controlled variable, setpoint, chain priority, selector kind). The chain's interaction logic (MIN/MAX selectors, override paths) is encapsulated as a single orchestrator agent. Two orchestrator variants are tested: a deterministic rule chain, and a Claude-based LLM orchestrator at a slower tier. The control principles limit each agent's task and inform how its limitations are handled. The multi-agent system inherits the safety property of the ARC chain: every constraint conflict is resolved deterministically by the orchestrator, regardless of the LLM output. Evaluated on a dairy-barn ventilation case over a 4-day mixed-season scenario, Qwen 2.5 7B Instruct operator agents running offline on a 24 GB consumer GPU at a 5-minute cadence produce auditable trajectories, each paired with an operator-voice rationale that supports a control campaign logbook.
우리는 장애 탐지 출력을 플랜트별 지식에 기반한 제약 인식 복구 조치로 변환하는 능동적 장애 허용 제어(FTC)를 위한 에이전트형 대규모 언어 모델(LLM) 프레임워크를 제안한다. 이 접근법은 (i) 운영자 업무를 모니터링, 계획, 조치 합성, 시뮬레이션, 검증, 재프롬프트로 분해하는 다중 에이전트 워크플로, (ii) 플랜트 데이터, 모델, 실행 전 테스트를 위한 시뮬레이션 서비스를 제공하는 디지털 공정 플랜트 트윈(DPPT), (iii) CPSMod 온톨로지 위에 구축된 그래프 검색-증강 생성(Graph RAG) 층으로, 플랜트 지식(구조, 기능, 하이브리드 동역학, 제어 맥락, 장애 의미론)을 그래프로 조직화하여 에이전트를 위한 관계 인식 다중 홉 검색을 지원하는 구성 요소를 결합한다. 시정 조치는 최소 위험 상태 기계 복구 경로와 이에 상응하는 이산 명령 또는 연속 설정값(setpoint) 적응으로 생성되며, 구동 전에 인터록, 운전 범위, 동적 실현 가능성에 대해 결정론적으로 검증된다. 유한 시간 창 내에 허용 가능한 계획을 찾지 못하면 제어는 안전 폴백(safety fallback)으로 넘겨진다. 이 프레임워크는 두 대표 벤치마크에서 시뮬레이션으로 평가된다: 폐루프 PID 제어 하의 이산 배치 혼합 모듈과 연속 교반 탱크 반응기(CSTR). 경량 LLM(GPT-4o-mini 및 GPT-4.1-mini)을 사용한 결과는, 의미적으로 그라운딩된 에이전트가 각 공정 동역학과 호환되는 지연 시간 예산 내에서 유효한 복구 결정을 도출할 수 있음을 보여주며, 이산 및 연속 FTC 작업 모두에서 탐지에서 검증된 시정 조치까지 이어지는 실용적 경로를 입증한다.