A Model Predictive Control Framework to Enhance Safety and Quality in Mobile Additive Manufacturing Systems
Department of Mechanical Engineering, The Pennsylvania State University(机械工程系,宾夕法尼亚州立大学)
针对移动增材制造系统易忽略打印质量且缺乏精度的问题,提出一种模型预测控制框架,在保障动态环境中安全导航的同时维持高打印质量,并通过案例验证了其可行性与可靠性。
2025-06-29 cs.RO cs.SY eess.SY
Hierarchical routing control in discrete manufacturing plants via model predictive path allocation and greedy path following
研究了离散型制造企业中不同工件必须经过一系列加工工序的零部件路径的实时控制与优化问题。这个问题的特点是大量的离散控制输入和存在的时间逻辑约束。提出了一种新的方法,采用转移的角度相对于以前的贡献,从欧拉系统模型,跟踪工厂节点的状态,拉格朗日模型,跟踪每个部分的状态被处理。该方法具有层次结构。在更高的层次上,预测滚动时域策略为每个部分分配一条穿过工厂的路径,以最小化所选的成本标准。在较低级别,路径跟随逻辑计算控制输入,以便跟随指定的路径,同时满足所有约束。该方法在模拟中进行了测试,报告了非常好的性能,如闭环代价函数值和计算效率所测量的,也具有非常大的预测范围值。这些功能为后续的研究步骤铺平了道路,最终将在中试工厂进行实验测试。
2020-11-09 cs.SY eess.SY math.OC
A Learn-and-Control Strategy for Jet-Based Additive Manufacturing
在本文中,我们开发了一个基于物理指导的递归神经网络(RNN)模型的预测几何控制框架,用于基于喷射的增材制造(AM)。由于其物理上可解释的架构,该模型的参数是通过使用少量层的输入输出数据通过反向传播训练网络来获得的。此外,我们证明,该模型可以双重表示,使层液滴输入模式(每一层)的一部分,现在成为网络参数,通过反向传播学习。该方法适用于前馈预测控制,其中网络参数从先前数据离线学习,并且合成所有待打印层的控制输入图案。预测控制器的稳定性的充分条件。此外,我们设计了一种算法,有效地实现反馈预测控制,其中网络参数和输入模式(滚动时域)在线学习,没有增加提前期计算。前馈控制方案的实验表明,提高RMS参考跟踪误差超过30%的最先进的状态。我们还实验证明,过程的不确定性补偿的在线学习和反馈控制。
2022-07-07 cs.SY eess.SY math.OC
Skill-Constrained Model Predictive Control for Resilient Manufacturing Supply Chains
Quanta Labs, LLC;Universidad Monteávila(蒙特阿维拉大学)
针对技能约束的生产库存系统,提出一种闭环模型预测控制器,通过混合整数规划优化生产、库存、缺货和培训决策,并评估其在多种扰动下的表现,发现预测控制仅在技能瓶颈可提前预测时有效。
2026-06-17 cs.AI cs.SY eess.SY
Real-Time Decision-Making for Digital Twin in Additive Manufacturing with Model Predictive Control using Time-Series Deep Neural Networks
Northwestern University(西北大学)
本文提出基于时间序列稠密编码器(TiDE)作为代理模型的多步模型预测控制框架,用于增材制造数字孪生实时决策,实现熔池温度精确跟踪和深度约束控制,减少孔隙缺陷,性能优于PID控制器。
2025-04-11 cs.AI cs.LG cs.SY
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering(ZHAW材料与加工工程学院);Zürich University of Applied Sciences(苏黎世应用科学大学)
本文提出一种基于任务级反馈的迭代学习框架,用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵,实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
ROM-Based Stochastic Optimization for a Continuous Manufacturing Process
针对汽车密封件挤出生产的工艺与原料不确定性问题,提出结合降阶模型(ROM)的贝叶斯优化方法,在虚拟环境验证中可在无额外成本时将尺寸公差较确定性优化收紧50%,提升产品质量。
2024-02-05 cs.SY eess.SY
Batch Model Predictive Control for Selective Laser Melting
选择性激光熔化是一种很有前途的增材制造技术,可以制造高度可定制的产品。选择性激光熔化的一个主要挑战是确保所生产部件的质量,这在很大程度上受到打印层的热历史的影响。将模型预测控制与迭代学习控制相结合,提出了一种间歇模型预测控制方法。这种方法成功地拒绝了重复性和非重复性的干扰,从而实现了改善的跟踪性能和过程质量。在模拟研究中,选择性激光熔化动力学近似与降阶控制为导向的线性模型,以确保合理的计算复杂性。所提出的方法提供了收敛到所需的温度场分布,尽管模型的不确定性和干扰。
2022-04-08 cs.SY eess.SY
Risk-Averse Model Predictive Control for Priced Timed Automata
在本文中,我们提出了一个风险规避定价时间自动机(PTA)模型预测控制(MPC)框架,以增加灵活性的信息物理系统。为了提高这些系统的灵活性,我们的风险规避框架解决了一个多目标优化问题,以最大限度地减少成本和风险,同时。虽然最小化成本确保了最少的努力来完成任务,但最小化风险即使在不确定性期间也能保证任务的可行性。我们的框架探讨了这两个品质之间的权衡,以获得风险规避控制行动。与不具有风险规避特征的PTA MPC相比,具有风险规避特征的PTA MPC动态决策算法的解对PTA变化的反应相对更好。一个制造系统的例子来显示所提出的控制策略的应用。
2022-10-27 cs.SY eess.SY
Where to Put Safety? Control Barrier Function Placement in Networked Control Systems
TU Munich(慕尼黑工业大学)
研究网络化控制系统中控制障碍函数(CBF)的放置位置,比较本地短视CBF滤波器和远程MPC中预测性CBF约束的安全策略,提出结合两者的架构。
2026-06-29 cs.SY eess.SY
Adaptive Trajectory Bundle Method for Roll-to-Roll Manufacturing Systems
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种自适应轨迹束方法,用于提升卷对卷制造系统中张力和速度控制的精度与约束满足能力。
2025-12-24 cs.SY eess.SY
Systemization of Knowledge: Resilience and Fault Tolerance in Cyber-Physical Systems
Georgia Institute of Technology(佐治亚理工学院)
本文通过系统化知识分类法,揭示了网络物理系统中韧性与容错性的关键结构缺口,提出整合稳健控制、监控和正式保证的新方向。
2025-12-24 cs.SY eess.SY
Uncertainty-based Arbitration of Human-Machine Shared Control
本文提出基于自动化不确定性的机人类共享控制仲裁方法,通过调整自主级别提升任务完成的容错能力,实验显示共享控制方法在任务完成误差容忍度上提升超5倍。
2015-11-18 cs.RO cs.SY eess.SY
Dynamic Control of a Fiber Manufacturing Process using Deep Reinforcement Learning
本文提出了一种用于控制纤维拉伸系统的无模型深度强化学习(DRL)方法。定制的基于DRL的控制系统预测性地调节光纤直径并产生具有期望的恒定或非恒定直径轨迹(即,沿着光纤长度的直径变化)的光纤。不使用系统的物理模型。该系统在一个具有非线性时滞和随机行为的紧凑型纤维拉丝系统上进行了训练和测试。对于具有随机阶跃变化的参考轨迹,经过1小时的训练,DRL控制器表现出与优化PI控制器相同的根均方误差(RMSE);经过3小时的训练,它实现了二次动态矩阵控制器(QDMC)的性能。当PI反馈控制器在阶跃响应中显示出3.5秒的时滞时,DRL控制器显示出小于1秒的时滞。在训练过程中不使用的轨迹进行控制器性能测试;对于正弦扫描参考轨迹,DRL控制器保持RMSE在40 μ m以下高达45 mHz的频率,相比于QDMC的25 mHz。
2021-01-06 cs.SY eess.SY
Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control
Rensselaer Polytechnic Institute(伦塞拉尔理工学院)
针对线弧增材制造中热场与几何耦合的非线性动态过程,提出基于循环神经网络和一步预测控制的数据驱动方法,并通过逐层预测误差更新模型实现自适应,实验验证了在焊道高度和宽度一致性上的显著提升。
2026-05-27 cs.RO cs.SY eess.SY
Chat-Driven Reconfiguration of Model Predictive Control
Keio University(庆应义塾大学);University of Seville(塞维利亚大学)
针对传统控制个性化对非专业用户门槛高的问题,提出支持自然语言交互的ChatMPC模型预测控制框架,含个性化与协同开发两种模式,有收敛性保证,经机器人导航和半自动驾驶实验验证可实时适配需求与环境。
2025-08-23 cs.SY eess.SY
Model-Free Adaptive Optimal Control of Episodic Fixed-Horizon Manufacturing Processes using Reinforcement Learning
Institute Intelligent Systems Research Group, Karlsruhe University of Applied Sciences(智能系统研究组,卡尔斯鲁厄应用科学大学);Institute for Applied Materials (IAM-CMS), Karlsruhe Institute of Technology(应用材料研究所(IAM-CMS),卡尔斯鲁厄理工学院)
本文提出了一种用于周期固定时间制造过程的自学习最优控制算法,通过强化学习在连续过程中构建控制模型,并利用测量的产品质量作为奖励,从而避免了传统模型预测控制和近似动态规划算法所需的先验模型公式,解决了非线性动态和随机影响带来的系统辨识、精确建模和运行复杂度问题。
2019-02-20 cs.AI cs.SY eess.SY
Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control
Department of Mechanical Engineering, Northwestern University(机械工程系,西北大学)
本研究提出一种基于POD和Koopman算子的适应性数字孪生框架,用于实时控制金属板材成形过程,通过模型预测控制实现非线性系统的高效适应性管理。
2025-11-13 cs.AI cs.SY eess.SY
Adaptive Model Predictive Control for Differential-Algebraic Systems towards a Higher Path Accuracy for Physically Coupled Robots
FZI Research Center for Information Technology(FZI信息技术研究中心);Institute of Control Systems, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院控制系统研究所)
针对物理耦合机器人在参数不确定、机械弹性和内置控制器影响下的路径跟踪问题,本文构建经实测验证的微分-代数系统模型并在线估计参数,提出自适应MPC协调方法,仿真较先进基准降低路径跟踪误差88.6%。
2024-12-04 cs.RO cs.SY eess.SY