用于多阶段制造系统质量传播分析的不确定深度Koopman模型
机器学习
2024-03-28 v1 系统与控制
系统与控制
摘要
多阶段制造系统（MMSs）的建模已引起学术界和工业界越来越多的关注。深度学习方法的最新进展为以更低的成本和专业知识完成该任务提供了机会。本研究引入一种随机深度Koopman（SDK）框架来建模MMSs的复杂行为。具体而言，我们提出了Koopman算子的一种新应用，以传播由变分自编码器提取的关键质量信息。通过该框架，我们可利用迁移的线性表示有效捕捉产品质量的一般非线性演化，从而增强数据驱动模型的可解释性。为评估SDK框架的性能，我们在一个开源数据集上进行了比较研究。本文的主要发现如下：我们的结果表明，在预测MMS内各阶段产品质量时，SDK在准确性上超越其他流行的数据驱动模型。此外，SDK随机潜空间中独特的线性传播特性实现了整个过程中质量演化的可追溯性，从而有助于设计根因分析方案。值得注意的是，所提框架仅需极少的生产线底层物理知识。它作为一种虚拟量测工具可应用于各类MMSs，有助于实现零缺陷制造的最终目标。
引用
@article{arxiv.2309.10193,
title = {Stochastic Deep Koopman Model for Quality Propagation Analysis in Multistage Manufacturing Systems},
author = {Zhiyi Chen and Harshal Maske and Huanyi Shui and Devesh Upadhyay and Michael Hopka and Joseph Cohen and Xingjian Lai and Xun Huan and Jun Ni},
journal= {arXiv preprint arXiv:2309.10193},
year = {2024}
}