LLM 에이전트 기반 자율형 내고장 제어
본 연구는 플랜트별 지식을 기반으로 고장 감지 결과를 제약 조건을 고려한 복구 조치로 전환하는 능동형 내고장 제어(FTC)를 위한 에이전트 기반 대규모 언어 모델(LLM) 프레임워크를 제안한다. 이 프레임워크는 모니터링, 계획, 조치 합성, 시뮬레이션, 검증, 재프롬프팅 등 운영자 역할을 분해하는 다중 에이전트 워크플로우를 포함한다. 또한, 플랜트 데이터, 모델 및 사전 실행 테스트를 위한 시뮬레이션 서비스를 제공하는 디지털 공정 플랜트 트윈(DPPT)과 CPSMod 온톨로지를 기반으로 플랜트 지식을 그래프로 구성하는 그래프 검색 증강 생성(Graph RAG) 계층을 결합한다. 이를 통해 에이전트는 관계 인식 다중 홉 검색을 통해 플랜트 구조, 기능, 동역학, 제어 컨텍스트 및 고장 의미론을 활용할 수 있다. 교정 조치는 최소 위험 상태 머신 복구 경로와 이산 명령 또는 연속 설정값 조정으로 생성되며, 작동 전에 인터록, 엔벨로프 및 동적 타당성에 대해 결정론적으로 검증된다. 허용 가능한 계획이 제한된 시간 내에 발견되지 않으면 제어권은 결정론적 대체 정책으로 전환된다. 이 프레임워크는 이산 배치 혼합 모듈과 연속 교반 탱크 반응기(CSTR)라는 두 가지 대표적인 벤치마크 시뮬레이션에서 평가되었다. 경량 LLM(GPT-4o-mini 및 GPT-4.1-mini)을 사용한 결과, 의미론적으로 기반을 둔 에이전트가 해당 공정 동역학과 호환되는 지연 시간 예산 내에서 구성된 검증 기준을 충족하는 복구 결정을 도출할 수 있음을 보여주었다. 이는 자율형 내고장 제어 시스템 개발의 실현 가능성을 입증한다.