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

技術要約：射出成形における解釈可能なコントローラのチューニングのためのモデル誘導型局所ベイズ最適化

問題提起
射出成形（IM）は、キャビティ圧力が部品品質の主要な決定要因となる重要な工業プロセスである。高度なモデルベース制御手法はキャビティ圧力を効果的に制御できるが、その産業への導入は主に2つの課題によって阻まれている。

1. 解釈可能性： 精緻な制御則はしばしば「ブラックボックス」として振る舞い、機械オペレーターによる出力の検証を困難にし、不信感を招く。
2. 最適化の複雑性： 金型の形状や材料特性の多様性により、正確な第一原理モデルの取得が困難である。さらに、物理的な機械を用いた試行錯誤によるコントローラの最適化は、不良品の発生や装置の損傷を招くリスクがある。

Vanilla Bayesian Optimization (BO) などの既存のアプローチは、高次元の入力空間に対して苦戦し、チューニングプロセスにおける固有のリスク認識能力を欠いている。

手法
著者らは、製造プロセス中に解釈可能なコントローラのパラメータを自動的にチューニングするために設計されたフレームワークである、**モデル誘導型局所ベイズ最適化（MGLBO）**を提案している。この手法は、物理学に着想を得た動的モデルとデータ駆動型の補正項を組み合わせることで、データ効率とリスク認識のバランスをとっている。

• プロセスモデリング： 本手法の核となるのは、**物理学に着想を得たニューラル・ミクスチャー・オブ・ローカル・エキスパート（Neural Mixture-of-Local-Experts）**モデルである。

  • 駆動モデル： 残差ネットワーク（ResNet）が、明示的なオイラー積分を用いて駆動ダイナミクス（スクリュー速度および容積）を近似する。
  • 圧力モデル： 圧力ダイナミクスは、キャビティの充填レベルに基づき3つのフェーズ（環境圧、緩やかな上昇、急速な上昇）に分割される。これらは3つの独立した「ローカル・エキスパート」サブモデル（ResNet）によってモデル化され、ゲーティング層を介して滑らかに遷移する。これらのサブモデルは、物理的に整合した圧力上昇を保証するために、物理学に着想を得た方程式によって制約されている。
  • 学習： モデルは、直前の $n_C$ サイクルのデータを用い、時間変数への過学習を防ぐための正則化を適用した上で、レーベンバーグ・マーカート法を用いて学習される。

• 複合コスト関数： 最適化の目的関数は、以下の複合コスト関数 $J_{total}(\theta_C)$ である。
  $$J_{total}(\theta_C) = J_M(\theta_C) + \tilde{J}(\theta_C)$$

  • $J_M$: 動的モデルから導出されたシミュレーション上の閉ループコスト。
  • $\tilde{J}$: シミュレーションされたコストと実世界のプラント観測値との間の残差（ミスマッチ）を学習するガウス過程（GP）回帰モデル。

• 局所ベイズ最適化：

  • アルゴリズムは、グローバルな探索ではなく、**信頼領域（Trust-Region）**戦略（TurBO-1に基づく）を採用している。これは、現在の最良パラメータベクトル $\theta^*_C$ の周囲に信頼領域 $S$ を定義する。
  • 獲得関数は、予測性能と不確実性のバランスをとる：$\alpha(\theta_C) = E(J_{total}) + \kappa\sqrt{Var(J_{total})}$。パラメータ $\kappa$ により、リスクを考慮したチューニングが可能となる。$\kappa$ の値が高いほど、より慎重な最適化が行われる。
  • 新しいパラメータセットがより低いコストをもたらした場合、信頼領域は拡大し、性能が低下した場合には領域は縮小する。これにより、アルゴリズムは局所最適解に焦点を当て、高コストな逸脱を軽減する。

• テストされたコントローラ： 本手法は、パラメータ数（1から30まで）が異なる3つの解釈可能なコントローラに対して評価された。

  1. 比例（P）コントローラ。
  2. ゲインスケジューリング型比例積分（G-PI）コントローラ。
  3. ラジアル基底関数（RBF）コントローラ。

主な貢献

1. 新規な最適化フレームワーク： 本研究は、データ効率とリスク認識の両立を実現するために、動的プロセスモデルとプラント観測を組み合わせた、射出成形プロセス・コントローラ最適化への最初のアプローチを提示している。
2. ハイブリッドモデリング： 物理学に着想を得たニューラル・ミクスチャー・モデルとGP残差補正器の統合により、完全な第一原理モデルを必要とせずに正確なコスト予測を可能にしている。
3. リスクを考慮したチューニング： 局所的な信頼領域アプローチとリスク感受性のある獲得関数を利用することで、チューニング中の不良品発生や機械損傷の可能性を最小限に抑えている。

結果
MGLBOアルゴリズムは、20回の最適化イテレーションにわたる、コントローラタイプごとの50回の独立した実行を用いたシミュレーションにおいて、Vanilla BOと比較検証された。

• 性能： MGLBOは、Vanilla BOと同等またはそれ以下の最小コスト（$J_{min}$）をもたらすコントローラパラメータを特定した。
• 安全性： MGLBOは、安全性指標においてVanilla BOを大幅に上回った。MGLBOチューニング中に観察された最大コスト（$J_{max}$）は初期コストに近い値を維持したが、Vanilla BOは大幅な「累積的な悪化」（$J_W$）を示し、頻繁な性能低下と高いリスクを露呈した。
• 収束性： パラメータ数が多いコントローラ（例：RBF）の場合、Vanilla BOは20イテレーション以内に初期推定値よりも優れたパラメータを特定できなかったが、MGLBOは正常に収束した。
• 実行時間： 標準的なハードウェアにおけるRBFコントローラの最適化の平均実行時間は、1ステップあたり約9.4秒であり、これはIMサイクルの冷却フェーズ内に収まる。

意義と主張
本論文は、解釈可能な制御則を通じて「ブラックボックス」問題を解決し、局所的なモデル誘導型最適化を通じて「リスク」問題を解決することにより、MGLBOが射出成形における高度な制御の産業的採用に向けた実行可能な道筋を提供すると主張している。著者らは、不適切なパラメータ設定による機械損傷の可能性があるため、グローバルな最適化手法はこの特定の用途には不適切である可能性があり、MGLBOのような局所的でリスクを考慮したアプローチが特に適していると述べている。

本研究は、モデルの再学習による計算負荷はVanilla BOよりも高いものの、サイクル内の冷却フェーズ内で実行可能であると結論付けている。今後の課題として、アルゴリズムの実機でのテスト、およびローカルエキスパート間の動的な遷移点や油圧駆動を扱うためのモデルの拡張が挙げられている。