Real-Time Decision-Making for Digital Twin in Additive Manufacturing with Model Predictive Control using Time-Series Deep Neural Networks

要約

デジタルツイン – リアルタイムの監視、モデルの更新、予測、および最近の機械学習の進歩（ML）との意思決定を可能にする物理システムの仮想レプリカは、自律的な製造における積極的な制御戦略の新しい機会を提供します。
ただし、デジタルツインでリアルタイムの意思決定を達成するには、非常に非線形製造システムの正確な予測によって効率的な最適化が必要です。
このペーパーでは、リアルタイムの意思決定のための同時マルチステップモデル予測制御（MPC）フレームワークを紹介します。これは、サロゲートモデルとして、時系列密度密度エンコーダー（TIDE）と名付けられたマルチバリエートディープニューラルネットワーク（DNN）を使用しています。
1段階の予測のみを提供する従来のMPCのモデルとは異なり、Tideは1発の予測地平線内で将来の状態を予測することができ、MPCを大幅に加速します。
ケーススタディとして、方向のエネルギー堆積添加剤造形を使用して、溶融プールの温度追跡を達成して部分品質を確保しながら、レーザーパワーを調節してメルトプールの深さの制約を維持することにより多孔性欠陥を減らしながら、提案されたMPCの有効性を実証します。
この作業では、まず、潮が溶融プールの温度と深さを正確に予測できることを示します。
第二に、提案されたMPCは、ターゲット希釈範囲内で溶融プール深度の制約を満たしながら（10％〜30％）、潜在的な多孔性欠陥を減らしながら、正確な温度追跡を達成することを実証します。
PIDコントローラーと比較して、MPCは、競争力のあるまたは優れた溶融プール温度制御性能を備えた、よりスムーズで変動するレーザーパワープロファイルをよりスムーズにし、それほど変動しません。
これは、MPCのプロアクティブな制御機能を示し、時系列の予測とリアルタイムの最適化を活用し、将来のデジタルツインアプリケーションの強力なツールとして、製造におけるリアルタイムプロセスの最適化として配置します。

要約(オリジナル)

Digital Twin-a virtual replica of a physical system enabling real-time monitoring, model updating, prediction, and decision-making-combined with recent advances in machine learning (ML), offers new opportunities for proactive control strategies in autonomous manufacturing. However, achieving real-time decision-making with Digital Twins requires efficient optimization driven by accurate predictions of highly nonlinear manufacturing systems. This paper presents a simultaneous multi-step Model Predictive Control (MPC) framework for real-time decision-making, using a multi-variate deep neural network (DNN), named Time-Series Dense Encoder (TiDE), as the surrogate model. Different from the models in conventional MPC which only provide one-step ahead prediction, TiDE is capable of predicting future states within the prediction horizon in one shot (multi-step), significantly accelerating MPC. Using Directed Energy Deposition additive manufacturing as a case study, we demonstrate the effectiveness of the proposed MPC in achieving melt pool temperature tracking to ensure part quality, while reducing porosity defects by regulating laser power to maintain melt pool depth constraints. In this work, we first show that TiDE is capable of accurately predicting melt pool temperature and depth. Second, we demonstrate that the proposed MPC achieves precise temperature tracking while satisfying melt pool depth constraints within a targeted dilution range (10%-30%), reducing potential porosity defects. Compared to the PID controller, MPC results in smoother and less fluctuating laser power profiles with competitive or superior melt pool temperature control performance. This demonstrates MPC’s proactive control capabilities, leveraging time-series prediction and real-time optimization, positioning it as a powerful tool for future Digital Twin applications and real-time process optimization in manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google