Adaptive Trajectory Bundle Method for Roll-to-Roll Manufacturing Systems
作者: Jiachen Li, Shihao Li, Christopher Martin, Wei Li, Dongmei Chen
分类: eess.SY
发布日期: 2025-11-28 (更新: 2025-12-24)
💡 一句话要点
提出自适应轨迹束方法以解决卷对卷制造系统中的约束控制问题
🎯 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 自适应控制 顺序凸编程 动态约束处理 非线性动态 工业自动化
📋 核心要点
- 现有的模型预测控制方法需要梯度计算，且在满足硬约束方面存在困难，导致控制精度不足。
- 本文提出的自适应轨迹束方法通过无导数的顺序凸编程实现了对约束的严格处理，避免了手动调优。
- 仿真结果显示，该方法在张力和速度控制上均优于传统方法，且实验验证了其在实际系统中的有效性。
📝 摘要（中文）
卷对卷（R2R）制造需要在操作约束下实现精确的张力和速度控制。模型预测控制方法需要梯度计算，而基于采样的方法如MPPI在满足硬约束方面存在困难。本文提出了一种自适应轨迹束方法，通过无导数的顺序凸编程实现严格的约束处理。该方法通过插值样本束来近似非线性动态和成本，替代了泰勒级数线性化。自适应信任区域和惩罚机制根据约束违反指标自动调整，消除了手动调优的需求。我们建立了收敛保证，证明了有限时间可行性和收敛到约束问题的平稳点。对六区R2R系统的仿真表明，该自适应方法在张力均方根误差上比基于梯度的MPC降低了4.3%，在速度瞬态上比基线TBM提高了11.1%，并且在约束满足方面优于MPPI变种。对R2R干转移系统的实验验证确认了相较于LQR和非自适应TBM更快的稳定性和减少的超调。
🔬 方法详解
问题定义：本文旨在解决卷对卷制造系统中张力和速度控制的精确性问题，现有的模型预测控制方法在约束处理上存在不足，尤其是在梯度计算和硬约束满足方面。
核心思路：提出的自适应轨迹束方法通过无导数的顺序凸编程来处理约束，采用插值样本束来近似非线性动态和成本，避免了传统方法中的泰勒级数线性化，从而提高了控制的灵活性和准确性。
技术框架：该方法的整体架构包括约束处理模块、样本生成模块和自适应调整模块。首先，通过插值样本生成非线性动态模型，然后在约束处理模块中应用顺序凸编程，最后根据约束违反情况自动调整信任区域和惩罚参数。
关键创新：最重要的技术创新在于引入了自适应信任区域和惩罚机制，这使得方法能够根据实时反馈自动调整，显著提高了约束满足的能力，与传统的手动调优方法相比，具有更高的灵活性和效率。
关键设计：在参数设置上，采用了动态调整的信任区域和惩罚参数，损失函数设计为综合考虑张力和速度的误差，确保在控制过程中能够平衡两者的性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的自适应轨迹束方法在张力均方根误差上比基于梯度的模型预测控制降低了4.3%，在速度瞬态上比基线轨迹束方法提高了11.1%。此外，该方法在约束满足方面表现优于多种MPPI变种，验证了其在实际应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括高精度的卷对卷制造、柔性电子产品生产以及其他需要精确动态控制的工业过程。其实际价值在于能够提高生产效率和产品质量，未来可能对智能制造和自动化系统的发展产生深远影响。
📄 摘要（原文）
Roll-to-roll (R2R) manufacturing requires precise tension and velocity control under operational constraints. Model predictive control demands gradient computation, while sampling-based methods like MPPI struggle with hard constraint satisfaction. This paper presents an adaptive trajectory bundle method that achieves rigorous constraint handling through derivative-free sequential convex programming. The approach approximates nonlinear dynamics and costs via interpolated sample bundles, replacing Taylor-series linearization with function-value interpolation. Adaptive trust region and penalty mechanisms automatically adjust based on constraint violation metrics, eliminating manual tuning. We establish convergence guarantees proving finite-time feasibility and convergence to stationary points of the constrained problem. Simulations on a six-zone R2R system demonstrate that the adaptive method achieves 4.3\% lower tension RMSE than gradient-based MPC and 11.1\% improvement over baseline TBM in velocity transients, with superior constraint satisfaction compared to MPPI variants. Experimental validation on an R2R dry transfer system confirms faster settling and reduced overshoot relative to LQR and non-adaptive TBM.