An LLM-Assisted Multi-Agent Control Framework for Roll-to-Roll Manufacturing Systems

Diese Arbeit stellt ein von einem Large Language Model unterstütztes Multi-Agenten-Framework vor, das den Entwurf und die Anpassung von Regelsystemen für Roll-zu-Roll-Fertigungsanlagen automatisiert, um durch iterative Simulation-zu-Realität-Adaption und Sicherheitsverifikation die Produktqualität zu gewährleisten und den manuellen Aufwand für die Inbetriebnahme zu reduzieren.

Das Wesentliche

Titel: Der KI-Flüsterer für die Papierfabrik – Wie ein digitaler Assistent Maschinen zum Laufen bringt

Stellen Sie sich eine riesige, moderne Fabrik vor, in der wie bei einem riesigen Druckersystem endlose Bahnen aus Folie, Papier oder flexibler Elektronik von einer Rolle zur nächsten gewickelt werden. Man nennt das Roll-to-Roll-Produktion.

Das Problem? Diese Bahnen sind empfindlich wie ein Seiltänzer. Wenn die Spannung zu hoch ist, reißt das Material. Wenn sie zu niedrig ist, wird es knitterig. Und die Geschwindigkeit muss perfekt stimmen. Normalerweise braucht man dafür erfahrene Ingenieure, die wochenlang herumprobieren, die Regler (die „Gehirne" der Maschine) einzustellen. Das ist teuer, langsam und fehleranfällig.

Dieser Artikel stellt eine neue Lösung vor: Ein KI-gestütztes Team aus digitalen Agenten, das diese Aufgabe übernimmt. Hier ist die Erklärung, wie das funktioniert, ohne technisches Fachchinesisch:

1. Das Team: Ein digitaler Orchesterleiter

Stellen Sie sich das System nicht als eine einzelne KI vor, sondern als ein Team von fünf Spezialisten, die wie ein gut organisiertes Orchester zusammenarbeiten. Jeder hat eine eigene Aufgabe, aber alle hören auf denselben Dirigenten (die große Sprach-KI, oder LLM).

• Der Detektiv (System-Identifikation): Bevor die Musik beginnt, muss der Detektiv das Instrument kennen. Er schaut sich alte Daten an und fragt eine riesige digitale Bibliothek (RAG), wie diese Maschine theoretisch funktionieren sollte. Er baut ein digitales Abbild (einen „Zwilling") der Maschine.
• Der Komponist (Controller-Design): Dieser Agent schreibt die Partitur. Er probiert verschiedene Musikstile aus (verschiedene Regelungs-Algorithmen wie PID, MPC oder LQR) und sucht den perfekten Takt für die Maschine.
• Der Probenleiter (Sim-to-Real Anpassung): Hier kommt der wichtigste Teil. Bevor die Musik im echten Konzertsaal (der echten Fabrik) gespielt wird, probt das Team im digitalen Raum. Der Probenleiter sagt: „Das hier klingt gut, aber im echten Leben könnte es schiefgehen." Er passt die Parameter an, bis es perfekt klingt.
• Der Sicherheitsbeauftragte (Safety Filter): Das ist der strenge Türsteher. Nichts darf auf die echte Maschine, ohne dass dieser Türsteher zuerst im Simulator getestet hat, ob es sicher ist. Wenn die KI einen Vorschlag macht, der die Maschine beschädigen könnte, sagt der Türsteher: „Stopp! Das geht nicht!"
• Der Wachhund (Monitoring): Sobald die Maschine läuft, wacht der Wachhund 24/7. Er hört nicht nur auf Fehler, sondern versteht auch warum etwas schiefgeht. Ist das Material zu feucht? Ist ein Lager verschlissen? Oder muss nur die Musik ein bisschen lauter werden?

2. Der Trick: „Zuerst im Simulator, dann in der Realität"

Das Geniale an diesem System ist die Sicherheitsbarriere.
Normalerweise lernen KI-Modelle durch Ausprobieren und Scheitern. In einer Fabrik wäre ein Scheitern katastrophal (kaputte Maschinen, verlorene Ware).

Dieses System nutzt einen cleveren Trick:

1. Die KI denkt sich eine Idee aus (z. B. „Drehen wir den Regler um 5% schneller").
2. Bevor sie diese Idee in die echte Maschine eingibt, testet sie sie zuerst im digitalen Simulator.
3. Der Simulator sagt: „Wenn wir das tun, wird die Spannung zu hoch und das Material reißt." -> Idee verworfen.
4. Der Simulator sagt: „Das sieht gut aus, die Spannung bleibt stabil." -> Idee freigegeben.
5. Erst dann wird die Idee auf die echte Maschine übertragen.

Das ist wie ein Pilot, der erst tausende Stunden im Flugsimulator fliegt, bevor er mit echten Passagieren abhebt.

3. Das Ergebnis: Schnell, sicher und schlauer als die Konkurrenz

Die Forscher haben das System an einem Labor-Modell getestet. Das Ergebnis war beeindruckend:

• Die KI konnte die Spannung und Geschwindigkeit viel genauer regeln als herkömmliche Methoden (die sogenannten MPC-Systeme).
• Der Fehler (die Abweichung vom Ziel) wurde um über 50% bis 82% reduziert.
• Das System hat sich selbstständig verbessert: Mit jedem Durchlauf wurde es besser, genau wie ein Sportler, der durch Training stärker wird.

Warum ist das wichtig?

Früher musste ein erfahrener Ingenieur wochenlang in der Fabrik sitzen, um eine neue Produktionslinie in Gang zu bringen. Mit diesem System kann die KI die meiste Arbeit übernehmen. Sie nutzt ihr riesiges Wissen aus der Bibliothek, testet alles sicher im Computer und liefert dann eine perfekt eingestellte Maschine.

Zusammenfassend:
Stellen Sie sich vor, Sie kaufen ein neues Auto. Früher mussten Sie wochenlang fahren, um zu lernen, wie es sich anfühlt. Mit diesem System würde ein digitaler Co-Pilot das Auto erst in einer virtuellen Welt testen, alle Grenzfälle durchspielen und dann sagen: „Alles klar, das Auto ist perfekt auf die Straße eingestellt, Sie können losfahren." Das macht die Produktion schneller, billiger und vor allem sicherer.

Technische Zusammenfassung

Titel: Ein von LLM unterstütztes Multi-Agenten-Steuerungsframework für Roll-zu-Roll-Produktionssysteme

Autoren: Jiachen Li, Shihao Li, Christopher Martin, Zijun Chen, Dongmei Chen, Wei Li (University of Texas at Austin)

---

1. Problemstellung

Die Roll-zu-Roll (R2R)-Produktion, die für die Herstellung flexibler Elektronik, gedruckter Sensoren und Funktionsfolien essenziell ist, erfordert eine präzise Regelung von Spannung (Web tension) und Geschwindigkeit, um Produktqualität zu gewährleisten.

• Herausforderungen: Die Dynamik ist stark gekoppelt (Spannung-Geschwindigkeit) und unterliegt zeitvariierenden Parametern (z. B. sich ändernde Rollenradien, Materialeigenschaften, Umgebungsbedingungen).
• Aktueller Stand: Die Inbetriebnahme und Anpassung der Regler erfolgt derzeit manuell durch erfahrene Ingenieure. Dieser Prozess ist zeitaufwendig, fehleranfällig und erfordert hohes Fachwissen, besonders beim Wechsel von Produktchargen oder der Inbetriebnahme neuer Linien.
• Limitationen von KI: Während Large Language Models (LLMs) vielversprechend für die Automatisierung von Ingenieursaufgaben sind, bestehen kritische Hürden: Sicherheitsgarantien, die Lücke zwischen Simulationsmodellen und physikalischen Systemen (Sim-to-Real Gap) sowie die Notwendigkeit transparenter Entscheidungsfindung in industriellen Umgebungen.

2. Methodik: Das LLM-unterstützte Multi-Agenten-Framework

Das Paper schlägt ein Framework vor, das LLMs in eine Multi-Agenten-Architektur integriert, die durch strenge Sicherheitsvalidierung und Retrieval-Augmented Generation (RAG) gesteuert wird. Der Ansatz folgt einem "Constrained Autonomy"-Prinzip: LLMs generieren Strategien, Simulationen validieren die Sicherheit, und Menschen behalten die Aufsicht.

Das Framework durchläuft fünf Phasen:

• Phase 0: Systemidentifikation (SysID Agent):

  • Erstellung eines simulationsbasierten Modells aus Betriebsdaten und physikalischen Prinzipien.
  • Der Agent nutzt RAG für Best Practices und kombiniert datengetriebene Schätzung (z. B. rekursive Kleinste-Quadrate) mit physikalisch informierten Strukturen.
  • Ziel: Ein validiertes Modell für den Offline-Reglerentwurf und als Sicherheitsfilter.

• Phase 1: Reglerdesign und -auswahl (Initial Control Agent):

  • Analyse der Systemeigenschaften (z. B. Kopplungsstärke) zur Auswahl der besten Architektur (PID, MPC oder LQR).
  • Der Agent nutzt RAG für theoretisches Wissen und führt eine iterative Parametereinstellung durch, bewertet anhand von Metriken wie RMSE, Einschwingzeit, Überschwingen und Robustheit.
  • Der optimale Regler wird für die Bereitstellung vorbereitet.

• Phase 2: Sim-to-Real Anpassung (Adaptation Agent):

  • Sicherheitsfilter: Jede vom LLM vorgeschlagene Änderung muss zuerst in der Simulation validiert werden, bevor sie auf die reale Hardware angewendet wird.
  • Validierungskriterien: Einhaltung von Betriebsgrenzen (Constraint Satisfaction), Leistungsverbesserung und Stabilitätsmargen unter Modellunsicherheit.
  • Iterativer Prozess: Analyse der Diskrepanz zwischen Simulation und Realität, Diagnose der Ursachen und Anpassung der Parameter, bis Konvergenzkriterien erfüllt sind.

• Phase 3: Intelligente Überwachung (Monitoring Agent):

  • Kontinuierliche Überwachung mit einer Zwei-Schichten-Analyse:
    1. Erkennung: Detektion von Leistungsverschlechterung durch Abweichung vom Basiswert.
    2. Diagnose: Unterscheidung zwischen regelbaren Problemen (z. B. Parameteranpassung nötig) und physikalischen Wartungsbedarfen (z. B. Lagerabnutzung).
  • Nutzung von RAG für hypothesenbasierte Fehlerdiagnose.

• Phase 4: Kontinuierliche Modellverfeinerung:

  • Nutzung gesammelter Betriebsdaten zur Aktualisierung des Simulationsmodells, um den "Sim-to-Real Gap" über die Zeit zu minimieren.

3. Schlüsselbeiträge

1. RAG-basierte Wissensinfrastruktur: Verankerung des LLM-Reasonings in verifiziertem Domänenwissen (Regelungstheorie und R2R-Expertise), um Halluzinationen zu reduzieren.
2. Sicherheitsvalidierter Sim-to-Real-Transfer: Ein Framework, das automatische Regleranpassungen ermöglicht, ohne die Sicherheit zu gefährden, indem jede Änderung vor der Hardware-Implementierung simuliert wird.
3. Multi-Agenten-Architektur: Spezialisierung der Agenten (SysID, Control, Adaptation, Monitoring, Code) für unterschiedliche Aufgaben, was die Effizienz und Zuverlässigkeit erhöht.
4. Praktische Anwendbarkeit: Demonstration einer erfolgreichen Implementierung trotz signifikanter Modellunsicherheiten, mit transparenten Diagnoseinformationen für die Wartungsplanung.

4. Ergebnisse und Validierung

Die Methode wurde an einem Labor-R2R-System mit sechs Web-Spannen validiert. Es wurden zwei Szenarien getestet: Spannungsregelung und Geschwindigkeitstracking unter starken Modellabweichungen (bis zu 50 %).

• Vergleich: Das Framework wurde gegen einen MPC-Baseline-Regler (Model Predictive Control) und einen initialen, nicht angepassten Regler getestet.
• Leistungssteigerung:
  • Spannungsregelung: Reduktion des RMSE (Root Mean Square Error) um 55,7 % im Vergleich zur MPC-Baseline.
  • Geschwindigkeitstracking: Reduktion des RMSE um 82,4 % im Vergleich zur MPC-Baseline.
• Konvergenz: Das System erreichte durch iterative Anpassung (Adapt1 bis Adapt3) eine stabile Leistung, die den Anforderungen der Produktion entsprach, selbst bei initialen großen Modellfehlern.
• Effizienz: Das Framework reduzierte den manuellen Abstimmungsaufwand erheblich und lieferte detaillierte Diagnosedaten.

5. Bedeutung und Ausblick

Diese Arbeit zeigt einen praktischen Weg zur Integration von KI-gestützter Automatisierung in industrielle Regelungssysteme. Sie adressiert die Lücke zwischen der theoretischen Fähigkeit von LLMs, komplexe Aufgaben zu lösen, und den strengen Sicherheitsanforderungen der Fertigung.

• Industrielle Relevanz: Das Framework ermöglicht schnellere Inbetriebnahme neuer Produktionslinien und reduziert die Abhängigkeit von spezialisiertem Personal für das Tuning.
• Zukunftsperspektiven: Geplante Arbeiten umfassen die Validierung an physikalischen Testständen, die Erweiterung auf andere Fertigungsprozesse und die Wiederverwendung von gelernten Reglerkonfigurationen für neue Linien mit unterschiedlichen Materialien.

Zusammenfassend bietet das vorgestellte Framework einen robusten, sicheren und effizienten Ansatz, um die Komplexität der R2R-Regelung durch den Einsatz von Multi-Agenten-Systemen und LLMs zu meistern.