A Model-Free Terminal Iterative Learning Control Scheme for Multi-Layer Printing Alignment Control Problems

📄 arXiv: 2503.08835v2 📥 PDF

作者: Zifeng Wang, Xiaoning Jin

分类: eess.SY

发布日期: 2025-03-11 (更新: 2025-09-29)

💡 一句话要点

针对多层印刷对准问题，提出一种无模型终端迭代学习控制方案

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 卷对卷印刷 迭代学习控制 套准控制 多层印刷 柔性电子

📋 核心要点

  1. R2R印刷中，多层印刷对准精度是关键挑战，传统PID控制难以有效抑制重复扰动和套准误差。
  2. 提出STILC-PID混合控制方法，利用迭代学习逐周期减少套准误差，实现高精度多层微结构制造。
  3. 仿真结果表明，该方法能有效消除由辊和电机轴不匹配引起的套准误差，并分析了学习增益的影响。

📝 摘要（中文）

本文提出了一种用于多层印刷对准控制问题的无模型终端迭代学习控制（STILC）方案。卷对卷（R2R）印刷技术在高产量连续生产基板电子产品方面具有前景。R2R柔性电子印刷的主要挑战之一是实现严格的对准公差，该公差由器件分辨率（通常在微米级别）指定，用于多层印刷电子产品。不同层中印刷图案的对准称为套准。传统的套准控制方法依赖于实时反馈控制器，例如PID控制，以调节卷筒张力和卷筒速度。然而，这些方法可能在补偿重复出现的扰动和支持有效减轻套准误差方面失效。本文提出了一种空间-终端迭代学习控制（STILC）方法，该方法与PID控制集成，以迭代地学习和减少逐周期套准误差，使其收敛到零。这种方法能够以前所未有的精度在R2R工艺中创建、集成和操作多层微结构。我们从理论上证明了所提出的STILC-PID混合方法的收敛性，并通过模拟的由辊和电机之间的轴不匹配引起的套准误差场景验证了其有效性，这是R2R系统中的常见问题。结果表明，STILC-PID混合控制方法可以在可行次数的迭代后完全消除套准误差。此外，我们分析了不同学习增益对STILC收敛性能的影响。

🔬 方法详解

问题定义：论文旨在解决卷对卷（R2R）印刷中多层印刷对准精度问题，即套准误差。现有方法主要依赖PID等实时反馈控制，但对于R2R系统中常见的重复性扰动（如辊轴不对齐）引起的套准误差，PID控制难以有效补偿，导致对准精度不足。

核心思路：论文的核心思路是结合空间-终端迭代学习控制（STILC）与PID控制，形成一种混合控制策略。STILC利用迭代学习能力，从历史数据中学习并补偿重复性扰动，而PID控制则负责实时反馈调节。通过二者的结合，可以有效提高系统的对准精度和鲁棒性。

技术框架：整体框架为STILC-PID混合控制系统。首先，PID控制器进行实时反馈控制，初步调节卷筒张力和速度。然后，STILC模块根据上一周期的套准误差，计算出补偿控制量，并将其叠加到PID控制器的输出上。通过不断迭代学习，STILC模块逐渐逼近最优补偿，最终消除套准误差。

关键创新：关键创新在于将空间-终端迭代学习控制（STILC）应用于R2R印刷的套准控制问题。STILC不仅考虑了时间上的迭代学习，还考虑了空间上的误差分布，从而能够更有效地补偿由辊轴不对齐等空间因素引起的套准误差。此外，与传统的迭代学习控制相比，终端迭代学习控制关注于在特定时间或空间位置的误差消除，更符合R2R印刷对准的需求。

关键设计：STILC模块的关键设计包括学习增益的选择和迭代终止条件。学习增益决定了每次迭代中对控制量的修正幅度，过大可能导致系统不稳定，过小则收敛速度慢。迭代终止条件通常基于套准误差的大小，当误差小于预设阈值时，停止迭代。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过仿真实验，验证了STILC-PID混合控制方法在消除由辊和电机轴不匹配引起的套准误差方面的有效性。结果表明，经过若干次迭代后，该方法能够完全消除套准误差。此外，论文还分析了不同学习增益对STILC收敛性能的影响，为实际应用中参数选择提供了指导。

🎯 应用场景

该研究成果可应用于柔性电子、印刷电子、薄膜太阳能电池等领域，提高多层印刷电子产品的制造精度和生产效率。通过精确控制多层结构的对准，可以实现更高性能、更小尺寸的电子器件，推动相关产业的发展。未来，该方法有望扩展到其他需要高精度对准的制造领域。

📄 摘要（原文）

Roll-to-roll (R2R) printing technologies are promising for high-volume continuous production of substrate-based electronic products. One of the major challenges in R2R flexible electronics printing is achieving tight alignment tolerances, as specified by the device resolution (usually at the micro-meter level), for multi-layer printed electronics. The alignment of the printed patterns in different layers is known as registration. Conventional registration control methods rely on real-time feedback controllers, such as PID control, to regulate the web tension and the web speed. However, those methods may lose effectiveness in compensating for recurring disturbances and supporting effective mitigation of registration errors. In this paper, we propose a Spatial-Terminal Iterative Learning Control (STILC) method integrated with PID control to iteratively learn and reduce registration error cycle-by-cycle, converging it to zero. This approach enables unprecedented precision in the creation, integration, and manipulation of multi-layer microstructures in R2R processes. We theoretically prove the convergence of the proposed STILC-PID hybrid approach and validate its effectiveness through a simulated registration error scenario caused by axis mismatch between roller and motor, a common issue in R2R systems. The results demonstrate that the STILC-PID hybrid control method can fully eliminate the registration error after a feasible number of iterations. Additionally, we analyze the impact of different learning gains on the convergence performance of STILC.