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. 이는 시간 순서 밀집 인코더(TiDE)라는 다변량 심층 신경망을 대리 모델로 사용하여, 기존의 한 단계씩 예측하는 MPC와 달리 예측 지평선 내의 미래 상태를 한 번에 예측(다단계)함으로써 속도를 크게 향상시킨다. Directed Energy Deposition (DED) 적층 제조를 사례 연구로 활용하여 용융풀 온도 추적을 통한 부품 품질 보장 및 레이저 출력 조절을 통한 기공 결함 감소에 대한 효과를 보여준다. TiDE의 정확한 용융풀 온도 및 깊이 예측 능력과 제안된 MPC의 정밀한 온도 추적 및 용융풀 깊이 제약 조건 충족(10%-30%의 목표 희석 범위 내)을 통해 기공 결함을 줄이는 능력을 실험적으로 입증한다. PID 제어기와 비교하여 더 부드럽고 변동이 적은 레이저 출력 프로파일을 생성하면서 경쟁력 있거나 우수한 용융풀 온도 제어 성능을 보여준다.
시사점, 한계점
•
시사점:
◦
시간 순서 밀집 인코더(TiDE)를 이용한 다단계 모델 예측 제어(MPC) 프레임워크가 실시간 의사결정을 위한 디지털 트윈 응용에 효과적임을 보여줌.
◦
DED 적층 제조 공정에서 용융풀 온도 정밀 제어 및 기공 결함 감소에 성공적으로 적용됨.
◦
기존 PID 제어기에 비해 더욱 부드럽고 안정적인 제어 성능을 제공함.
◦
디지털 트윈 기반 실시간 공정 최적화를 위한 강력한 도구로서의 MPC의 잠재력을 제시함.
•
한계점:
◦
본 논문에서 제시된 방법론이 DED 적층 제조에만 국한되어 다른 제조 공정에 대한 일반화 가능성은 추가 연구가 필요함.
◦
TiDE 모델의 정확도는 훈련 데이터의 질과 양에 의존적이며, 다양한 공정 조건에 대한 일반화 성능 향상이 필요함.
