Probe-Conditioned Memory for Actuator-Deadband-Aware Koopman MPC in Industrial Sealing
作者: Yue Wu
分类: eess.SY
发布日期: 2026-07-08
💡 一句话要点
提出基于探针条件记忆的Koopman MPC以解决工业密封中的执行器死区问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 工业密封 模型预测控制 执行器死区 探针条件记忆 压力控制 动态修正 智能制造
📋 核心要点
- 现有方法在执行器死区的影响下，无法有效传递小幅度的压力变化，导致控制精度不足。
- 论文提出的AK-MPC通过探针条件记忆（PCM）链接压力设定点与执行器行为，优化了调试过程中的压力控制。
- 实验结果显示，AK-MPC在压力跟踪精度上显著优于传统控制器，达到了0.0487 mm的平均绝对误差。
📝 摘要（中文）
工业密封和分配单元通常在产品配方中重用压力链、喷嘴、基材路径和视觉接口。然而，对于狭窄的涂层配方，校准的静态压力在执行器死区内的微小修正移动可能不会被有效传递。本文提出了一种执行器死区感知的Koopman模型预测控制器（AK-MPC），通过探针条件记忆（PCM）将压力设定点与探针推断的执行器行为关联，从而在配方变更后的调试过程中实现更精确的压力控制。实验结果表明，AK-MPC在主要基准测试中达到了0.0487 mm的跟踪平均绝对误差，显著优于其他控制器。
🔬 方法详解
问题定义：本文旨在解决工业密封中执行器死区对压力控制精度的影响。现有方法在执行器小幅度调整时，无法有效传递压力变化，导致控制精度不足。
核心思路：论文提出的AK-MPC利用探针条件记忆（PCM）来关联压力设定点与执行器的历史行为，从而在调试过程中实现更精准的压力控制。通过选择历史案例并进行局部动态修正，AK-MPC能够在执行器死区内有效调整压力。
技术框架：AK-MPC的整体架构包括探针条件记忆模块、压力预测器、控制器先验和回退滤波器。在调试过程中，系统通过固定的探针序列选择历史案例，更新压力-宽度关系，并生成可行的压力策略。
关键创新：本研究的主要创新在于引入探针条件记忆（PCM），使得控制器能够在执行器死区的情况下，依然保持高精度的压力控制。这一方法与传统控制器的本质区别在于其动态适应性和历史数据的有效利用。
关键设计：在设计中，采用了十六步探针序列来选择历史案例，并通过局部动态修正来更新控制策略。关键参数包括压力设定点、执行器边界和信号接口限制等，这些设计确保了系统在执行器死区内的稳定性和响应性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AK-MPC在主要基准测试中达到了0.0487 mm的跟踪平均绝对误差，相较于其他控制器（如校准逆向、适应性比例-积分控制器等）提升幅度显著，后者的误差范围在0.2492到0.3956 mm之间，展示了AK-MPC的优越性。
🎯 应用场景
该研究的潜在应用领域包括工业自动化、机器人控制和智能制造等。通过提高压力控制的精度，能够显著提升生产效率和产品质量，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Industrial sealing and dispensing cells often reuse a pressure chain, nozzle, substrate path, and vision interface across product recipes. For a narrow bead recipe, however, a calibrated static pressure can remain correct while small corrective moves are absorbed by actuator deadband; delivered pressure changes only after a direction- and history-dependent threshold is crossed. Commissioning is defined here as the target setup and retuning interval after such a recipe change. A physical gluing and dispensing cell provides pressure-to-width calibration, a fixed probing sequence, signal-interface limits, residual scales, and actuator bounds. The controller comparison is then run on an anonymized digital twin calibrated from those measurements. The actuator-deadband-aware Koopman model predictive controller (AK-MPC) initializes from probe-conditioned memory (PCM) that links the pressure setpoint to probe-inferred actuator behavior, a predictor, a controller prior, and a fallback filter. During commissioning, a sixteen-move probe selects a nearby historical case, fits the current pressure-width relation, updates a small local dynamic correction, and supplies a feasible receding-horizon pressure policy. In the main (1.00) mm benchmark, where delivered-pressure loss is visible in the probe, AK-MPC reaches 0.0487 mm tracking mean absolute error (MAE) over 60 paired cases; the calibration-only inverse, adaptive proportional-integral, online recursive-least-squares ARX, and probe-fitted ARX controllers range from 0.2492 to 0.3956 mm. This large gap reflects the full constrained Koopman-MPC and online-correction workflow. The isolated PCM contribution is measured by ablation: removing PCM raises the error to 0.0655 mm. In this regime, a short actuator characterization makes historical runs useful before much target data are available.