Real-Time Decision-Making for Digital Twin in Additive Manufacturing with Model Predictive Control using Time-Series Deep Neural Networks
Created by
Haebom
Category
Empty
저자
Yi-Ping Chen, Vispi Karkaria, Ying-Kuan Tsai, Faith Rolark, Daniel Quispe, Robert X. Gao, Jian Cao, Wei Chen
개요
본 논문은 자율 제조 환경에서 실시간 의사결정을 위한 동시 다단계 모델 예측 제어(MPC) 프레임워크를 제시한다. 디지털 트윈과 머신러닝의 발전을 바탕으로, 시간-계열 밀집 인코더(TiDE)라는 다변량 심층 신경망을 대리 모델로 사용하여 고도로 비선형적인 제조 시스템의 정확한 예측에 기반한 효율적인 최적화를 실현한다. 기존 MPC 모델과 달리 TiDE는 예측 지평선 내의 미래 상태를 한 번에 예측(다단계)하여 MPC 속도를 크게 향상시킨다. Directed Energy Deposition (DED) 적층 제조를 사례 연구로 사용하여 용융풀 온도 추적을 통한 부품 품질 보장과 레이저 출력 조절을 통한 기공 결함 감소를 보여준다. TiDE의 정확한 용융풀 온도 및 깊이 예측 능력과 제안된 MPC의 정확한 온도 추적 및 용융풀 깊이 제약 조건 충족(10%-30% 희석 범위 내)을 통해 기공 결함을 줄이는 능력을 실험적으로 증명한다. PID 제어기와 비교하여, 본 논문의 MPC는 더 부드럽고 변동이 적은 레이저 출력 프로파일을 생성하며, 경쟁력 있는 또는 우수한 용융풀 온도 제어 성능을 보인다.
시사점, 한계점
•
시사점:
◦
TiDE 기반의 다단계 MPC 프레임워크를 통해 실시간 의사결정을 위한 효율적인 최적화를 가능하게 함.
◦
DED 적층 제조에서 용융풀 온도 정밀 제어 및 기공 결함 감소를 달성함.
◦
PID 제어기에 비해 부드럽고 안정적인 레이저 출력 제어를 보임.
◦
디지털 트윈 기반 실시간 공정 최적화를 위한 강력한 도구 제시.
•
한계점:
◦
TiDE 모델의 일반화 성능 및 다른 제조 공정에 대한 적용 가능성에 대한 추가 연구 필요.
◦
DED 공정에 특화된 모델이므로 다른 제조 공정으로 확장 시 추가적인 연구가 필요할 수 있음.
