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

Sintesi Tecnica: Ottimizzazione Bayesiana Locale Guidata dal Modello per la Sintonizzazione di Controllori Interpretabili nello Stampaggio a Iniezione

Problematica
Lo stampaggio a iniezione (IM) è un processo industriale critico in cui la pressione in cavità funge da determinante chiave per la qualità del componente. Sebbene i metodi di controllo basati su modelli avanzati possano regolare efficacemente la pressione in cavità, la loro adozione industriale è ostacolata da due sfide primarie:

1. Interpretabilità: Le leggi di controllo sofisticate spesso si comportano come "scatole nere", rendendo difficile per gli operatori di macchina verificare gli output e portando alla sfiducia.
2. Complessità di Ottimizzazione: La diversità delle geometrie degli stampi e delle proprietà dei materiali rende difficile l'ottenimento di modelli accurati basati sui primi principi. Inoltre, ottimizzare i controllori tramite tentativi ed errori su macchine fisiche è rischioso, poiché può produrre scarti o danneggiare le apparecchiature.

Gli approcci esistenti, come la Bayesian Optimization (BO) Vanilla, faticano con spazi di input ad alta dimensionalità e mancano di una consapevolezza intrinseca del rischio durante il processo di sintonizzazione.

Metodologia
Gli autori propongono la Model-Guided Local Bayesian Optimization (MGLBO), un framework progettato per sintonizzare automaticamente i parametri di controllori interpretabili durante il processo di produzione. L'approccio bilancia l'efficienza dei dati con la consapevolezza del rischio combinando un modello dinamico ispirato alla fisica con un termine di correzione guidato dai dati.

• Modellazione del Processo: Il nucleo del metodo è un modello di Neural Mixture-of-Local-Experts ispirato alla fisica.

  • Modello di Drive: Una rete residua (ResNet) approssima la dinamica di azionamento (velocità della vite e volume) utilizzando l'integrazione di Eulero esplicita.
  • Modello di Pressione: La dinamica della pressione è suddivisa in tre fasi basate sul livello di riempimento della cavità (ambiente, aumento moderato, aumento rapido). Queste sono modellate da tre sottomodelli separati ("Local Expert", ResNet) che transitano fluidamente tramite uno strato di gating. I sottomodelli sono vincolati da equazioni ispirate alla fisica per garantire un accumulo di pressione conforme alle leggi fisiche.
  • Addestramento: I modelli sono addestrati utilizzando l'algoritmo di Levenberg-Marquardt su dati provenienti dai precedenti $n_C$ cicli, con regolarizzazione applicata per prevenire l'overfitting sulle variabili temporali.

• Funzione di Costo Composta: L'obiettivo di ottimizzazione è una funzione di costo composta $J_{total}(\theta_C)$:
  $$J_{total}(\theta_C) = J_M(\theta_C) + \tilde{J}(\theta_C)$$

  • $J_M$: Il costo in loop chiuso simulato derivato dal modello dinamico.
  • $\tilde{J}$: Un modello di regressione Gaussian Process (GP) che apprende il residuo (discrepanza) tra i costi simulati e le osservazioni reali dell'impianto.

• Ottimizzazione Bayesiana Locale:

  • L'algoritmo impiega una strategia di Trust-Region (basata su TurBO-1) piuttosto che un'esplorazione globale. Definisce una regione di fiducia $S$ attorno al vettore di parametri attuale migliore $\theta^*_C$.
  • Una funzione di acquisizione bilancia le prestazioni previste rispetto all'incertezza: $\alpha(\theta_C) = E(J_{total}) + \kappa\sqrt{Var(J_{total})}$. Il parametro $\kappa$ permette una sintonizzazione consapevole del rischio; valori più elevati portano a un'ottimizzazione più cauta.
  • Se un nuovo insieme di parametri produce costi inferiori, la regione di fiducia si espande; se le prestazioni degradano, la regione si restringe. Ciò assicura che l'algoritmo si concentri sugli ottimi locali e mitighi le escursioni ad alto costo.

• Controllori Testati: Il metodo è stato valutato su tre controllori interpretabili con diversi conteggi di parametri (da 1 a 30):

  1. Controllore Proporzionale (P).
  2. Controllore Proporzionale Integrale con Gain-Scheduling (G-PI).
  3. Controllore a Funzione di Base Radiale (RBF).

Contributi Chiave

1. Nuovo Framework di Ottimizzazione: Questo lavoro presenta il primo approccio di ottimizzazione processo-controllore per lo stampaggio a iniezione che sfrutta un modello dinamico del processo combinato con osservazioni dell'impianto per ottenere sia efficienza dei dati che consapevolezza del rischio.
2. Modellazione Ibrida: L'integrazione di un modello neural mixture ispirato alla fisica con un correttore residuo GP consente una previsione accurata dei costi senza richiedere modelli perfetti basati sui primi principi.
3. Sintonizzazione Consapevole del Rischio: Utilizzando un approccio di trust-region locale e una funzione di acquisizione sensibile al rischio, il metodo minimizza la probabilità di generare scarti o danneggiare i macchinari durante il processo di sintonizzazione.

Risultati
L'algoritmo MGLBO è stato confrontato con la BO Vanilla in simulazione utilizzando 50 run indipendenti per tipo di controllore su 20 iterazioni di ottimizzazione.

• Prestazioni: MGLBO ha identificato parametri del controllore che producono costi minimi ($J_{min}$) comparabili o inferiori a quelli della BO Vanilla globale.
• Sicurezza: MGLBO ha superato significativamente la BO Vanilla in termini di metriche di sicurezza. Il costo massimo ($J_{max}$) osservato durante la sintonizzazione MGLB è rimasto vicino ai costi iniziali, mentre la BO Vanilla ha mostrato un "peggioramento cumulativo" ($J_W$) sostanziale, indicando frequenti deterioramenti delle prestazioni e un rischio più elevato.
• Convergenza: Per i controllori con un numero maggiore di parametri (es. RBF), la BO Vanilla non è riuscita a identificare parametri migliori rispetto alla stima iniziale entro 20 iterazioni, mentre MGLBO è riuscito a convergere.
• Tempo di Esecuzione: Il tempo medio di esecuzione per l'ottimizzazione del controllore RBF è stato di circa 9,4 secondi per step su hardware standard, il che rientra nella fase di raffreddamento del ciclo di IM.

Significatività e Rivendicazioni
Il documento afferma che MGLBO offre una via percorribile verso l'adozione industriale del controllo avanzato nello stampaggio a iniezione, affrontando il problema della "scatola nera" attraverso leggi di controllo interpretabili e il problema del "rischio" attraverso l'ottimizzazione locale guidata dal modello. Gli autori sostengono che i metodi di ottimizzazione globale possano non essere adatti per questa specifica applicazione a causa del potenziale danno alle macchine derivante da una cattiva parametrizzazione, rendendo l'approccio locale e consapevole del rischio di MGLBO particolarmente adatto.

Il lavoro conclude che, sebbene lo sforzo computazionale sia superiore alla BO Vanilla a causa del riaddestramento del modello, esso è fattibile entro la fase di raffreddamento del ciclo. Il lavoro futuro identifica il test dell'algoritmo su hardware reale e l'estensione del modello per gestire azionamenti idraulici e punti di transizione dinamica tra gli esperti locali.