Model-Guided Local Bayesian Optimization for Tuning of Interpretable Controllers in Injection Molding

Resumen Técnico: Optimización Bayesiana Local Guiada por Modelos para el Ajuste de Controladores Interpretables en Moldeo por Inyección

Planteamiento del Problema
El moldeo por inyección (IM) es un proceso industrial crítico donde la presión de la cavidad sirve como un determinante clave de la calidad de la pieza. Aunque los métodos de control avanzados basados en modelos pueden regular eficazmente la presión de la cavidad, su adopción industrial se ve obstaculizada por dos desafíos principales:

1. Interpretabilidad: Las leyes de control sofisticadas suelen comportarse como "cajas negras", lo que dificulta que los operadores de máquinas verifiquen los resultados y genera desconfianza.
2. Complejidad de la Optimización: La diversidad de las geometrías de los moldes y las propiedades de los materiales hace que obtener modelos precisos basados en principios físicos sea difícil. Además, optimizar los controladores mediante ensayo y error en máquinas físicas es arriesgado, ya que puede producir piezas defectuosas o dañar el equipo.

Los enfoques existentes, como la Optimización Bayesiana (BO) convencional, tienen dificultades con los espacios de entrada de alta dimensión y carecen de una conciencia inherente del riesgo durante el proceso de ajuste.

Metodología
Los autores proponen la Optimización Bayesiana Local Guiada por Modelos (MGLBO), un marco diseñado para ajustar automáticamente los parámetros de controladores interpretables durante el proceso de fabricación. El enfoque equilibra la eficiencia de datos con la conciencia del riesgo combinando un modelo dinámico inspirado en la física con un término de corrección basado en datos.

• Modelado del Proceso: El núcleo del método es un modelo de Red Neuronal de Mezcla de Expertos Locales Inspirado en la Física.

  • Modelo de Accionamiento: Una Red Residual (ResNet) aproxima la dinámica de accionamiento (velocidad del tornillo y volumen) utilizando la integración de Euler explícita.
  • Modelo de Presión: La dinámica de la presión se divide en tres fases basadas en el nivel de llenado de la cavidad (ambiente, aumento moderado, aumento rápido). Estas son modeladas por tres submodelos de "Expertos Locales" separados (ResNets) que transicionan suavemente mediante una capa de compuerta (gating layer). Los submodelos están restringidos por ecuaciones inspiradas en la física para asegurar una acumulación de presión físicamente conforme.
  • Entrenamiento: Los modelos se entrenan utilizando el algoritmo de Levenberg-Marquardt con datos de los $n_C$ ciclos anteriores, aplicando regularización para evitar el sobreajuste a las variables temporales.

• Función de Costo Compuesta: El objetivo de optimización es una función de costo compuesta $J_{total}(\theta_C)$:
  $$J_{total}(\theta_C) = J_M(\theta_C) + \tilde{J}(\theta_C)$$

  • $J_M$: El costo de lazo cerrado simulado derivado del modelo dinámico.
  • $\tilde{J}$: Un modelo de regresión de Proceso Gaussiano (GP) que aprende el residuo (desajuste) entre los costos simulados y las observaciones reales de la planta.

• Optimización Bayesiana Local:

  • El algoritmo emplea una estrategia de Región de Confianza (basada en TurBO-1) en lugar de una exploración global. Define una región de confianza $S$ alrededor del vector de parámetros óptimo actual $\theta^*_C$.
  • Una función de adquisición equilibra el rendimiento previsto frente a la incertidencia: $\alpha(\theta_C) = E(J_{total}) + \kappa\sqrt{Var(J_{total})}$. El parámetro $\kappa$ permite un ajuste consciente del riesgo; valores más altos resultan en una optimización más cautelosa.
  • Si un nuevo conjunto de parámetros arroja costos menores, la región de confianza se expande; si el rendimiento se degrada, la región se contrae. Esto asegura que el algoritmo se concentre en los óptimos locales y mitigue las excursiones de alto costo.

• Controladores Probados: El método fue evaluado en tres controladores interpretables con conteos de parámetros variables (de 1 a 30):

  1. Controlador Proporcional (P).
  2. Controlador Integral Proporcional con Ganancia Programada (G-PI).
  3. Controlador de Función de Base Radial (RBF).

Contribuciones Clave

1. Marco de Optimización Novedoso: Este trabajo presenta el primer enfoque de optimización de procesos-controladores de moldeo por inyección que aprovecha un modelo de proceso dinámico combinado con observaciones de la planta para lograr tanto eficiencia de datos como conciencia del riesgo.
2. Modelado Híbrido: La integración de un modelo de mezcla de expertos locales inspirado en la física con un corrector de residuo GP permite una predicción de costo precisa sin requerir modelos perfectos de primeros principios.
3. Ajuste Consciente del Riesgo: Al utilizar un enfoque de región de confianza local y una función de adquisición sensible al riesgo, el método minimiza la probabilidad de generar piezas defectuosas o dañar la maquinaria durante el proceso de ajuste.

Resultos
El algoritmo MGLBO fue comparado con la BO convencional en simulación utilizando 50 ejecuciones independientes por tipo de controlador durante 20 iteraciones de optimización.

• Desempeño: MGLBO identificó parámetros de controlador que producen costos mínimos ($J_{min}$) comparables o inferiores a los de la BO global convencional.
• Seguridad: MGLBO superó significativamente a la BO convencional en términos de métricas de seguridad. El costo máximo ($J_{max}$) observado durante el ajuste de MGLBO se mantuvo cerca de los costos iniciales, mientras que la BO convencional exhibió un "empeoramiento acumulativo" ($J_W$) sustancial, indicando un deterioro frecuente del desempeño y un mayor riesgo.
• Convergencia: Para controladores con mayores conteos de parámetros (ej. RBF), la BO convencional no logró identificar mejores parámetros que la estimación inicial dentro de 20 iteraciones, mientras que MGLBO convergió con éxito.
• Tiempo de Ejecución: El tiempo de ejecución medio para la optimización del controlador RBF fue de aproximadamente 9.4 segundos por paso en hardware estándar, lo cual se ajusta a la fase de enfriamiento del ciclo de moldeo por inyección.

Significancia y Reivindicaciones
El artículo sostiene que MGLBO ofrece un camino viable hacia la adopción industrial del control avanzado en el moldeo por inyección al abordar el problema de la "caja negra" mediante leyes de control interpretables y el problema del "riesgo" mediante una optimización local guiada por modelos. Los autores afirman que los métodos de optimización global pueden no ser adecuados para esta aplicación específica debido al potencial de daño a la máquina por una mala parametrización, lo que hace que el enfoque local y consciente del riesgo de MGLBO sea particularmente adecuado.

El trabajo concluye que, si bien el esfuerzo computacional es mayor que el de la BO convencional debido al reentrenamiento del modelo, es factible dentro de la fase de enfriamiento del ciclo. Se identifica como trabajo futuro la prueba del algoritmo en hardware real y la extensión del modelo para manejar accionamientos hidráulicos y puntos de transición dinámica entre expertos locales.