Real-Time Decision-Making for Digital Twin in Additive Manufacturing with Model Predictive Control using Time-Series Deep Neural Networks
作者: Yi-Ping Chen, Vispi Karkaria, Ying-Kuan Tsai, Faith Rolark, Daniel Quispe, Robert X. Gao, Jian Cao, Wei Chen
分类: cs.LG, cs.AI, eess.SY
发布日期: 2025-01-10 (更新: 2025-04-11)
期刊: Journal of Manufacturing Systems 80(2025) 412-424
DOI: 10.1016/j.jmsy.2025.03.009
💡 一句话要点
提出基于时序深度神经网络的MPC数字孪生方法，用于增材制造实时决策。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 数字孪生 模型预测控制 增材制造 深度学习 时间序列预测
📋 核心要点
- 传统MPC模型仅提供单步预测，难以满足增材制造数字孪生实时决策的需求，面临计算效率挑战。
- 论文提出基于TiDE的MPC框架，TiDE能够一次性预测未来状态，显著加速MPC，实现实时控制。
- 实验表明，该方法在DED增材制造中能精确控制熔池温度，减少孔隙缺陷，优于PID控制器。
📝 摘要（中文）
本文提出了一种用于实时决策的同时多步模型预测控制（MPC）框架，该框架使用名为时序密集编码器（TiDE）的多元深度神经网络作为替代模型。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）增材制造为例，我们证明了所提出的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。结果表明，TiDE能够准确预测熔池温度和深度。此外，所提出的MPC实现了精确的温度跟踪，同时满足了目标稀释范围（10％-30％）内的熔池深度约束，从而减少了潜在的孔隙缺陷。与PID控制器相比，MPC产生了更平滑且波动更小的激光功率曲线，同时具有竞争性或更优越的熔池温度控制性能。这证明了MPC的前瞻性控制能力，利用时间序列预测和实时优化，使其成为未来数字孪生应用和制造中实时过程优化的强大工具。
🔬 方法详解
问题定义：论文旨在解决增材制造过程中，如何利用数字孪生技术实现实时决策，从而优化制造过程并提高产品质量的问题。现有MPC方法通常依赖于单步预测，计算效率较低，难以满足实时性要求。此外，增材制造过程具有高度非线性，精确建模具有挑战性。
核心思路：论文的核心思路是利用深度学习模型TiDE来替代传统的物理模型，进行多步预测，从而加速MPC的优化过程。TiDE能够学习增材制造过程中的复杂动态特性，并预测未来状态，为MPC提供准确的预测信息。通过将预测信息与优化算法相结合，可以实现对制造过程的实时控制。
技术框架：该框架主要包含以下几个模块：1) 数据采集模块：收集增材制造过程中的各种传感器数据，如熔池温度、深度等。2) TiDE模型训练模块：使用采集到的数据训练TiDE模型，使其能够准确预测熔池温度和深度。3) MPC优化模块：利用TiDE模型预测的未来状态，结合优化算法，计算出最优的激光功率控制策略。4) 实时控制模块：将计算出的激光功率控制策略应用于实际的增材制造过程，实现对熔池温度和深度的实时控制。
关键创新：论文的关键创新在于使用TiDE模型进行多步预测，从而显著加速MPC的优化过程。与传统的单步预测MPC相比，该方法能够更有效地利用历史数据，并预测更长时间范围内的未来状态，从而提高控制精度和稳定性。此外，该方法还能够处理增材制造过程中的非线性特性，具有较强的鲁棒性。
关键设计：TiDE模型是一个多元深度神经网络，采用Dense Encoder结构，能够学习时间序列数据中的复杂模式。模型的输入是历史的传感器数据，输出是未来一段时间内的熔池温度和深度预测值。MPC优化模块采用二次规划算法，目标是最小化熔池温度与目标温度之间的误差，同时满足熔池深度约束。损失函数包括温度跟踪误差项和深度约束违反项。激光功率作为控制变量，通过优化算法进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，TiDE能够准确预测熔池温度和深度，所提出的MPC能够实现精确的温度跟踪，同时满足熔池深度约束。与PID控制器相比，MPC产生了更平滑且波动更小的激光功率曲线，同时具有竞争性或更优越的熔池温度控制性能。在熔池深度控制方面，MPC能够将熔池深度维持在目标稀释范围（10％-30％）内，从而减少潜在的孔隙缺陷。
🎯 应用场景
该研究成果可应用于各种增材制造工艺的实时控制，例如定向能量沉积、激光粉末床熔融等。通过精确控制制造过程中的关键参数，可以提高产品质量，减少缺陷，并优化制造效率。此外，该方法还可扩展到其他制造领域，如注塑成型、焊接等，实现智能制造和数字化转型。
📄 摘要（原文）
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, 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 multivariate deep neural network, named Time-Series Dense Encoder (TiDE), as the surrogate model. Unlike conventional MPC models 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 the MPC. Using Directed Energy Deposition (DED) 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 PID controller, the MPC results in smoother and less fluctuating laser power profiles with competitive or superior melt pool temperature control performance. This demonstrates the 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.