Model Predictive Path Integral Control for Roll-to-Roll Manufacturing

📄 arXiv: 2510.06547v1 📥 PDF

作者: Christopher Martin, Apurva Patil, Wei Li, Takashi Tanaka, Dongmei Chen

分类: eess.SY

发布日期: 2025-10-08

备注: 6 pages, 4 figures

期刊: Model Predictive Path Integral Control for Roll-to-Roll Manufacturing, IFAC-PapersOnLine, Volume 59, Issue 30, 2025, Pages 341-346, ISSN 2405-8963,

DOI: 10.1016/j.ifacol.2025.12.260.

💡 一句话要点

提出基于模型预测路径积分控制的卷对卷制造张力精确控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 卷对卷制造 模型预测控制 路径积分控制 蒙特卡洛方法 张力控制

📋 核心要点

  1. 卷对卷制造面临子系统交互、非线性和扰动带来的精确控制难题。
  2. 论文提出MPPI控制方法，利用GPU加速的蒙特卡洛抽样在线逼近最优控制。
  3. 实验表明，MPPI在张力调节方面优于传统MPC，适合先进制造的实时控制。

📝 摘要（中文）

卷对卷（R2R）制造是一种连续处理技术，对于薄膜材料和印刷电子产品的大规模生产至关重要。然而，由于子系统间的相互作用、非线性以及过程扰动，精确控制仍然具有挑战性。本文提出了一种用于R2R系统的模型预测路径积分（MPPI）控制方法，利用基于GPU的蒙特卡洛抽样方法在线高效地逼近最优控制。重要的是，MPPI可以轻松处理不可微的成本函数，从而能够整合与先进制造过程相关的复杂性能标准。案例研究表明，与传统的模型预测控制（MPC）相比，MPPI显著提高了张力调节性能，突显了其在先进制造中实时控制的适用性。

🔬 方法详解

问题定义：卷对卷（R2R）制造中的张力控制问题，现有方法如传统模型预测控制（MPC）难以处理复杂的非线性系统和不可微的成本函数，导致控制精度受限，无法满足先进制造工艺的需求。过程扰动和子系统间的相互作用进一步加剧了控制的复杂性。

核心思路：利用模型预测路径积分（MPPI）控制框架，通过蒙特卡洛抽样方法近似求解最优控制策略。MPPI的核心优势在于其能够处理非光滑、不可微的成本函数，从而可以灵活地设计复杂的性能指标，例如直接惩罚张力波动或材料缺陷。

技术框架：该方法首先建立R2R系统的动态模型，然后基于该模型，使用MPPI控制器计算最优控制输入。MPPI控制器主要包含以下几个步骤：1）通过蒙特卡洛方法生成一系列控制序列的样本；2）使用系统模型预测每个控制序列对应的系统状态轨迹；3）根据预定义的成本函数评估每个轨迹的成本；4）根据成本对控制序列进行加权，得到最优控制输入。整个过程在GPU上并行计算，以实现实时控制。

关键创新：该方法最重要的创新在于将MPPI控制应用于R2R系统，并利用GPU加速蒙特卡洛抽样，实现了在线实时优化。与传统MPC相比，MPPI无需对成本函数进行微分，能够处理更复杂的性能指标。此外，MPPI的路径积分特性使其对模型误差和扰动具有更强的鲁棒性。

关键设计：成本函数的设计是关键。论文中可能采用了包含张力误差、张力变化率、以及其他与产品质量相关的指标的成本函数。蒙特卡洛抽样的样本数量和控制序列的长度需要根据具体的系统动态特性和计算资源进行调整。GPU并行计算的实现细节，例如线程分配和数据传输，也会影响控制器的性能。

📊 实验亮点

案例研究表明，与传统的模型预测控制（MPC）相比，MPPI控制显著提高了张力调节性能。具体的性能提升数据（例如，张力误差的降低百分比、收敛速度的提升等）需要在论文中查找。该结果突显了MPPI在先进制造中实时控制的适用性。

🎯 应用场景

该研究成果可应用于各种卷对卷制造工艺，例如薄膜太阳能电池、柔性电子器件、印刷电路板等的生产。通过提高张力控制精度，可以减少材料浪费、提高产品质量、并最终降低生产成本。未来，该方法有望推广到其他具有类似控制挑战的连续制造过程。

📄 摘要（原文）

Roll-to-roll (R2R) manufacturing is a continuous processing technology essential for scalable production of thin-film materials and printed electronics, but precise control remains challenging due to subsystem interactions, nonlinearities, and process disturbances. This paper proposes a Model Predictive Path Integral (MPPI) control formulation for R2R systems, leveraging a GPU-based Monte-Carlo sampling approach to efficiently approximate optimal controls online. Crucially, MPPI easily handles non-differentiable cost functions, enabling the incorporation of complex performance criteria relevant to advanced manufacturing processes. A case study is presented that demonstrates that MPPI significantly improves tension regulation performance compared to conventional model predictive control (MPC), highlighting its suitability for real-time control in advanced manufacturing.