Towards Indirect Data-Driven Predictive Control for Heating Phase of Thermoforming Process

📄 arXiv: 2407.17013v1 📥 PDF

作者: Hadi Hosseinionari, Mohammad Bajelani, Klaske van Heusden, Abbas S. Milani, Rudolf Seethaler

分类: eess.SY

发布日期: 2024-07-24

💡 一句话要点

提出间接数据驱动预测控制以优化热成型过程的加热阶段

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 热成型 预测控制 模型预测控制 温度控制 数据驱动方法 非线性建模 工业应用

📋 核心要点

  1. 现有热成型过程中的加热控制方法面临温度控制精度不足和材料浪费等挑战。
  2. 本文提出了一种基于模型预测控制的间接数据驱动预测控制方法，能够有效处理温度约束和加热功率饱和问题。
  3. 通过高保真模拟和实验验证，所提方法在超调和稳态误差方面显著优于现有技术，提升了控制精度。

📝 摘要（中文）

热塑性薄膜成型为三维产品的制造带来了挑战，过热会导致产品失败和材料浪费。为此，本文提出了一种间接数据驱动的预测控制方法，利用模型预测控制（MPC）来处理温度约束和加热功率饱和问题。与现有方法相比，该方法在精度、超调控制和稳定时间方面表现出色。通过高保真模拟器进行的多次仿真研究表明，在参数不确定性下，该方法的超调和平均稳态误差分别低于$2^ ext{°C}$和$0.7^ ext{°C}$。在实验室规模的热成型平台上应用该方法，结果显示超调和平均稳态误差指标分别低于$5.3^ ext{°C}$和$1^ ext{°C}$，与仿真分析结果相近。

🔬 方法详解

问题定义：本文旨在解决热成型过程中加热阶段的温度控制问题，现有方法在处理温度约束和功率饱和时存在精度不足和响应时间长的痛点。

核心思路：提出了一种间接数据驱动的预测控制方法，利用模型预测控制（MPC）框架，结合非线性自回归外生输入（NARX）模型，定义线性控制导向模型，以提高控制精度和响应速度。

技术框架：整体架构包括数据采集、模型建立、控制算法设计和系统实施四个主要模块。首先，通过高保真模拟器进行数据采集和模型训练，然后应用MPC进行实时控制。

关键创新：最重要的技术创新在于将NARX模型与MPC结合，形成了一种新的控制策略，能够在温度约束和功率饱和情况下实现更高的控制精度和更快的响应时间。

关键设计：在设计中，关键参数包括温度控制的目标范围、加热功率的最大值和最小值，以及损失函数的选择，确保模型在不同操作点下的适应性和稳定性。具体的网络结构和参数设置在实验中进行了优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方法在实验室规模的热成型平台上实现了超调和平均稳态误差分别低于$5.3^ ext{°C}$和$1^ ext{°C}$，与仿真分析结果相符，显示出显著的性能提升，超调和稳态误差均优于现有技术。

🎯 应用场景

该研究的潜在应用领域包括塑料加工、汽车制造和电子产品包装等行业，能够有效提升生产效率和产品质量。通过优化热成型过程中的温度控制，减少材料浪费，降低生产成本，具有重要的实际价值和未来影响。

📄 摘要（原文）

Shaping thermoplastic sheets into three-dimensional products is challenging since overheating results in failed manufactured parts and wasted material. To this end, we propose an indirect data-driven predictive control approach using Model Predictive Control (MPC) capable of handling temperature constraints and heating-power saturation while delivering enhanced precision, overshoot control, and settling times compared to state-of-the-art methods. We employ a Non-linear Auto-Regressive with Exogenous inputs (NARX) model to define a linear control-oriented model at each operating point. Using a high-fidelity simulator, several simulation studies have been conducted to evaluate the proposed method's robustness and performance under parametric uncertainty, indicating overshoot and average steady-state error less than $2^\circ \mathrm{C}$ and $0.7^\circ \mathrm{C}$ ($7^\circ \mathrm{C}$ and $2^\circ \mathrm{C}$) for the nominal (worst-case) scenario. Finally, we applied the proposed method to a lab-scale thermoforming platform, resulting in a close response to the simulation analysis with overshoot and average steady-state error metrics less than $5.3^\circ \mathrm{C}$ and $1^\circ \mathrm{C}$, respectively.