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

Dit artikel presenteert een LLM-ondersteund multi-agent framework dat de ontwerp- en aanpassingsprocessen van roll-to-roll productiesystemen automatiseert door middel van vijf fasen, waaronder systeemidentificatie en veiligheidsverificatie, wat leidt tot efficiëntere spanningsregeling en minder handmatig instelwerk.

De kern

Stel je voor dat je een gigantische, onophoudelijke rol van dun papier of plastic hebt, die met hoge snelheid door een fabriekslus wordt getrokken. Dit noemen we Roll-to-Roll productie. Het is als het printen van kranten, maar dan op een rol die kilometers lang is.

Het grootste probleem in zo'n fabriek? Spanning.

Als de rol te strak staat, scheurt het materiaal. Is het te slap, dan krijg je kreukels en misplaatste printen. En omdat de rol steeds kleiner wordt naarmate er materiaal afrolt, verandert de fysica continu. Vroeger moest een ervaren technicus urenlang zitten te "tweaken" (aanpassen) van de machines, trial-and-error, tot het perfect liep. Dat kost tijd, geld en veel zenuwen.

Deze paper introduceert een slimme oplossing: een AI-assistentie-systeem dat werkt als een team van digitale experts, geholpen door een Grote Taalmodel (LLM) – denk aan een superintelligente robot die alles over techniek weet, maar dan met een veiligheidsriem om.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het Team van Digitale Experts (Multi-Agenten)

In plaats van één grote, onvoorspelbare AI, hebben de auteurs een team van vijf gespecialiseerde "agents" (hulpjes) bedacht. Stel je dit voor als een medisch team in een ziekenhuis:

• De Diagnose-arts (SysID Agent): Kijkt naar de data van de machine en zegt: "Oké, dit is hoe de machine zich gedraagt, hier zijn de parameters."
• De Ontwerper (Initial Control Agent): Pakt de diagnose en bedenkt het beste plan. "Laten we een PID-regelaar proberen, of misschien een LQR? Welke past het beste?"
• De Proefpersoon (Adaptation Agent): Dit is de belangrijkste. Hij neemt het plan en past het aan voor de echte machine.
• De Waakhond (Safety Filter): Dit is geen agent, maar een strenge bouncer. Niets mag de echte machine bereiken zonder dat deze eerst door de Waakhond is getest.
• De Wachter (Monitoring Agent): Kijkt 24/7 mee en zegt: "Hé, de machine begint te haperen, is het de motor of is het de spanning?"

2. De "Virtuele Zandbak" (Sim-to-Real)

Dit is het slimste stukje. Normaal gesproken zou een AI zeggen: "Ik denk dat we de spanning met 10% moeten verhogen." Als de AI zich vergist, scheurt de machine.

In dit systeem werkt het zo:

1. De AI (de Ontwerper) bedenkt een idee.
2. Het idee gaat niet direct naar de echte machine.
3. Het gaat eerst naar een virtuele zandbak (een simulatie). Hier wordt het idee getest in een digitale wereld.
4. De Waakhond kijkt: "Is dit veilig? Zal dit de machine beschadigen? Werkt het beter dan nu?"
5. Alleen als het antwoord "JA" is, mag het idee naar de echte machine.

Het is alsof je een nieuwe auto-remontwerp eerst miljoenen kilometers laat rijden in een computerspel voordat je het op een echte auto installeert.

3. De "RAG" Bibliotheek (Geen hallucinaties)

Grote taalmodellen (zoals de AI in deze paper) kunnen soms dingen verzinnen die klinken als waarheid, maar fout zijn (hallucinaties). In de techniek is dat gevaarlijk.

Om dit op te lossen, gebruiken ze RAG (Retrieval-Augmented Generation).
Stel je voor dat de AI een student is die een examen doet. In plaats van alleen te vertrouwen op wat hij in zijn hoofd heeft, mag hij open boek doen. Hij heeft toegang tot een enorme digitale bibliotheek met echte technische handboeken, fabrieksprocedures en veiligheidsregels.
Wanneer hij een beslissing moet nemen, zoekt hij eerst in die bibliotheek op: "Hoe regelen we spanning bij een rol van 50 meter?" en baseert hij zijn antwoord daarop. Zo blijft hij gefocust op de feiten.

4. Het Resultaat: Van "Goochelwerk" naar "Precisie"

De auteurs hebben dit getest in een laboratorium.

• Zonder hulp: De machine liep niet perfect; de spanning schommelde.
• Met de AI: De AI keek naar de fouten, dacht na, testte een oplossing in de "zandbak", en paste de machine aan.
• Het resultaat: De fouten in de spanning werden met 55% tot 82% verminderd. De machine liep veel soepeler en sneller dan met de oude, handmatige methoden.

Waarom is dit belangrijk?

Vroeger moest je wachten tot een ervaren technicus op de fabrieksvloer kwam om de machine af te stellen. Dat duurde lang en was afhankelijk van die ene persoon.

Met dit systeem:

• Het is sneller: De AI stelt de machine in minuten in, niet in uren.
• Het is veiliger: De "Waakhond" zorgt dat er nooit gevaarlijke instellingen worden gedaan.
• Het is transparant: De AI vertelt je waarom hij iets aanpaste (bijvoorbeeld: "Ik heb de spanning verhoogd omdat de rol kleiner werd"), zodat mensen het nog steeds begrijpen.

Kortom: Dit is een systeem dat de ervaring van een veteranen-technicus combineert met de snelheid en onuitputtelijkheid van een computer, maar dan met een onmiskenbare "veiligheidsriem" om ervoor te zorgen dat er niets kapot gaat. Het maakt slimme productie toegankelijk voor iedereen, niet alleen voor de allerbeste experts.

Technische samenvatting

Titel: Een door LLM ondersteund multi-agent besturingskader voor Roll-to-Roll productiesystemen

Auteurs: Jiachen Li, Shihao Li, Christopher Martin, Zijun Chen, Dongmei Chen, Wei Li (Universiteit van Texas at Austin)

---

1. Het Probleem

Roll-to-Roll (R2R) productie, essentieel voor flexibele elektronica en gedrukte sensoren, vereist uiterst nauwkeurige spannings- en snelheidsregeling om productkwaliteit te waarborgen. Variaties in spanning leiden direct tot defecten zoals rimpels, misalignement en materiaalschade.
De huidige uitdagingen zijn:

• Sterke Koppeling: De dynamiek tussen spanning en snelheid is sterk gekoppeld en niet-lineair.
• Variabele Parameters: Rollen veranderen van radius tijdens het proces, en materiaaleigenschappen en omgevingsomstandigheden variëren.
• Afhankelijkheid van Expertise: Het inregelen (commissioning) en aanpassen van regelaars is een tijdrovend proces dat afhankelijk is van ervaren operators en ingenieurs. Dit is vooral problematisch bij productwisselingen of het opstarten van nieuwe productielijnen.
• Beperkingen van Bestaande AI: Hoewel Large Language Models (LLM's) belovend zijn, ontbreekt het vaak aan operationele veiligheid, transparantie en de brug tussen simulatiemodellen en fysieke systemen (sim-to-real gap).

2. Methodologie

De auteurs stellen een LLM-ondersteund multi-agent kader voor dat de volledige cyclus van besturingsontwerp tot aanpassing automatiseert, terwijl de veiligheid gewaarborgd blijft. Het kader werkt via vijf fasen en maakt gebruik van Retrieval-Augmented Generation (RAG) om de redenering van de LLM te verankeren in domeinspecifieke kennis (regelingstheorie en R2R-expertise).

De Vijf Fasen van het Kader:

1. Fase 0: Systeemidentificatie (SysID Agent):

   • Gebruikt operationele data en fysische principes om een simulatiemodel te construeren.
   • Combineert datagedreven schatting met fysisch geïnformeerde structuren (bijv. recursieve minste-kwadraten) om parameters te identificeren.
   • Het model dient als basis voor offline ontwerp en veiligheidsvalidatie.

2. Fase 1: Regelaar Ontwerp en Selectie (Initial Control Agent):

   • Analyseert systeemeigenschappen en selecteert de beste regelaararchitectuur uit drie opties: PID, MPC (Model Predictive Control) en LQR (Linear Quadratic Regulator).
   • Voert iteratieve tuning uit op hyperparameters binnen de simulatie om de prestaties (nauwkeurigheid, insteltijd, overshoot) te optimaliseren.

3. Fase 2: Sim-to-Real Adaptatie (Adaptation Agent):

   • Dit is de kern van de "beperkte autonomie". De LLM stelt aanpassingen voor op basis van het verschil tussen simulatie en de echte machine.
   • Veiligheidsfilter: Elke voorgestelde wijziging moet eerst een strikte validatie in de simulatie doorstaan voordat deze naar de hardware wordt gedeployeerd.
   • Criteria voor goedkeuring:
     • Constraint Satisfaction: Blijven alle operationele limieten (bijv. toerental, koppel) binnen de veilige grenzen?
     • Prestatieverbetering: Verbeteren de aanpassingen daadwerkelijk de tracking?
     • Stabiliteitsmarges: Is het systeem robuust tegen parameteronzekerheid?

4. Fase 3: Intelligente Monitoring (Monitoring Agent):

   • Voert continue, dubbel-laags analyse uit tijdens de productie.
   • Laag 1: Detecteert degradatie in prestaties (afwijking van de basislijn).
   • Laag 2: Diagnose van de oorzaak (bijv. slijtage, sensorproblemen, materiaalschommelingen) en onderscheidt tussen problemen die via regeling opgelost kunnen worden versus die fysiek onderhoud vereisen.

5. Fase 4: Continue Modelverfijning:

   • Tijdens stilstand worden nieuwe operationele data gebruikt om het simulatiemodel te herkalibreren, zodat het de evolutie van het fysieke systeem blijft volgen.

Architectuur: Het systeem bestaat uit gespecialiseerde agents (SysID, Control, Adaptation, Monitoring, Code) die samenwerken via een RAG-kennisbank. Menselijke toezicht blijft behouden; de LLM stelt strategieën voor, maar simulatie en veiligheid filters valideren deze.

3. Belangrijkste Bijdragen

• Geïntegreerd Kader: Eerste toepassing van een multi-agent LLM-systeem dat specifiek is ontworpen voor het volledige levenscyclusbeheer van R2R-regelingsystemen (van identificatie tot onderhoud).
• Veiligheid door Validatie: Implementatie van een "safety filter" die elke LLM-voorstel in simulatie test voordat het op de echte machine wordt toegepast, waardoor het risico van onveilige acties wordt geminimaliseerd.
• RAG voor Domeinkennis: Het gebruik van Retrieval-Augmented Generation om de LLM te voorzien van specifieke R2R-kennis en regelingstheorie, wat hallucinaties van gevaarlijke strategieën voorkomt.
• Transparantie: Het systeem levert niet alleen regelaars op, maar ook diagnostische informatie en logboeken van de redeneerprocessen, wat essentieel is voor onderhoudsplanning en compliance.

4. Resultaten

Het kader werd gevalideerd op een lab-schaal R2R-systeem met significante modelonzekerheid (mismatch tussen het geïdentificeerde model en de "echte" simulatie van 8,3% tot 50%).

• Spanningsregeling:
  • Het aangepaste systeem (na iteraties) behaalde een 55,7% reductie in de Root Mean Square Error (RMSE) vergeleken met de initiële regelaar.
  • Het presteerde 35,4% beter dan een traditionele MPC-baseline onder identieke omstandigheden.
• Snelheidsvolging:
  • Bij een snelheidssprong (10x versnelling) behaalde het systeem een 82,4% reductie in RMSE.
  • Het presteerde 70,9% beter dan de MPC-baseline.
• Convergentie: Het systeem slaagde erin om door iteratieve aanpassing (Adapt1, Adapt2, Adapt3) de prestaties te verbeteren en stabiliteit te bereiken, zelfs bij grote modelverschillen.

5. Betekenis en Toekomstperspectief

Deze studie toont aan dat LLM's, wanneer ze correct worden ingebed in een veiligheidsgerichte, multi-agent architectuur, het potentieel hebben om de inregeltijd van complexe industriële systemen drastisch te verkorten en de afhankelijkheid van menselijke experts te verminderen.

• Praktische Toepassing: Het biedt een haalbare route voor het integreren van AI-gestuurde automatisering in kritieke productiesturingen zonder in te boeten aan betrouwbaarheid.
• Toekomstig Werk: De auteurs plannen hardware-validatie op fysieke testbanken, uitbreiding naar andere productiemethoden en het hergebruiken van aangeleerde regelaarsconfiguraties voor nieuwe productielijnen om de opstarttijd verder te verkorten.

Kortom, dit werk vormt een brug tussen de theoretische mogelijkheden van generatieve AI en de strenge eisen van industriële regeltechniek.