基于时间序列深度神经网络模型预测控制的增材制造数字孪生实时决策
机器学习
2025-04-14 v5 人工智能
系统与控制
系统与控制
摘要
数字孪生——物理系统的虚拟副本，可实现实时监控、模型更新、预测和决策——结合机器学习的最新进展，为自主制造中的主动控制策略提供了新机遇。然而，实现数字孪生的实时决策需要由高度非线性制造系统的准确预测驱动的高效优化。本文提出了一个用于实时决策的同步多步模型预测控制（MPC）框架，使用名为时间序列密集编码器（TiDE）的多变量深度神经网络作为代理模型。与仅提供单步预测的传统 MPC 模型不同，TiDE 能够一次性（多步）预测预测范围（prediction horizon）内的未来状态，从而显著加速 MPC。以定向能量沉积（DED）增材制造为案例研究，我们展示了所提出的 MPC 在实现熔池温度跟踪以确保零件质量方面的有效性，同时通过调节激光功率以维持熔池深度约束来减少孔隙缺陷。在这项工作中，我们首先表明 TiDE 能够准确预测熔池温度和深度。其次，我们证明所提出的 MPC 实现了精确的温度跟踪，同时在目标稀释范围（10%-30%）内满足熔池深度约束，减少了潜在的孔隙缺陷。与 PID 控制器相比，MPC 产生更平滑、波动更小的激光功率分布，并具有竞争力或更优的熔池温度控制性能。这证明了 MPC 的主动控制能力，利用时间序列预测和实时优化，将其定位为未来数字孪生应用和制造中实时过程优化的强大工具。
关键词
引用
@article{arxiv.2501.07601,
title = {Real-Time Decision-Making for Digital Twin in Additive Manufacturing with Model Predictive Control using Time-Series Deep Neural Networks},
author = {Yi-Ping Chen and Vispi Karkaria and Ying-Kuan Tsai and Faith Rolark and Daniel Quispe and Robert X. Gao and Jian Cao and Wei Chen},
journal= {arXiv preprint arXiv:2501.07601},
year = {2025}
}