Probe-Conditioned Memory for Actuator-Deadband-Aware Koopman MPC in Industrial Sealing

Technische Samenvatting: Probe-Conditioned Memory voor Actuator-Deadband-Aware Koopman MPC in Industriële Afdichting

Probleemstelling
Industriële afdichtings- en doseerprocessen hergebruiken vaak hardware (drukketens, spuiten, visuele interfaces) voor verschillende productrecepten. Hoewel statische druk-naar-breedte kalibratie doorgaans accuraat is voor nominale recepten, legt de smalle breedte van bepaalde recepten een kritieke niet-lineariteit bloot: de actuator-deadband (dode zone). In proportionele pneumatische kleppen bestaat een "dead zone" waarbij commando-posities weinig tot geen doorstroom genereren. Bijgevolg kan een gekalibreerde statische druk-setpoint theoretisch correct blijven, maar worden kleine corrigerende bewegingen geabsorbeerd door de deadband, waardoor de werkelijke geleverde druk niet verandert totdat een geschiedenis-afhankelijke drempelwaarde wordt overschreden.

De kernuitdaging is de commissie-fase (commissioning): de opstelling en herkalibratie-interval direct na een receptwijziging. Tijdens deze fase is de beschikbare doelwitdata schaars, en de statische bead-map is onvoldoende omdat deze de leveringsstatus van de actuator (hysteresis, deadband en drukverlies) negeert. Bestaande methoden—zoals statische inverse controle, adaptieve PI, of online recursive-least-squares (RLS) identificatie—negeren ofwel het geleverde drukverlies, of vereisen uitgebreide doelwitdata om actuatorgedrag te herontdekken dat mogelijk al aanwezig is in historische gegevens. Het artikel identificeert een ontbrekende capaciteit: een mechanisme om statische kalibratie te combineren met een korte actuator-probe om relevante historische context op te halen voordat de feedbackcontrole begint.

Methodologie
De voorgestelde oplossing is de Actuator-Deadband-Aware Koopman Model Predictive Controller (AK-MPC), geïnitialiseerd vanuit Probe-Conditioned Memory (PCM).

1. Probe-Conditioned Memory (PCM):

   • PCM fungeert als een opslagplaats voor historische operationele gevallen. Elk record ($C_i$) slaat een tuple op, inclusief het productrecept, de kwaliteitsreferentie, de statische druk-root, materiaalspecificaties en cruciaal een actuator-descriptor ($z_a$).
   • De actuator-descriptor wordt afgeleid van een vaste sequentie van 16 acties (een probe) die aan het begin van een nieuwe commissie-ronde wordt uitgevoerd. Deze probe schat de deadband ($d$), de geleverde druk-gain ($g$), de lag ($\ell$) en de hysteresis ($h$).
   • Bij een nieuwe receptwijziging voert het systeem een retrieval-query uit met behulp van een gewogen afstandmetriek tussen de nieuwe statische en dynamische descriptors en de opgeslagen bibliotheek. De dichtstbijzijnde historische context biedt een "warm start" voor de predictor en de controller.

2. Actuator-Deadband-Aware Koopman MPC:

   • Predictie: De controller maakt gebruik van een Koopman lifting-framework met een eindige dictionary om een compacte niet-lineaire predictor te creëren. De predictor wordt geïnitialiseerd met de opgehaalde context ($\Theta_K, S, \pi$).
   • Lokale Correctie: Tijdens de korte commissie-ronde past de controller een low-rank, online correctie toe op de opgehaalde predictor op basis van de transitie-buffer, waarbij wordt aangepast aan specifieke doelwit-drifts zonder de gehele modelstructuur te herschrijven.
   • Feasibility Filtering: Een harde constraint-laag zorgt ervoor dat druk- en input-grenswaarden worden gerespecteerd. Een "tube"-filter beheert de fouten in de breedte-voorspelling; als de voorspelde fout een drempelwaarde overschrijdt, schakelt het systeem terug naar een bounded pressure-root of een statische inverse adaptive-PI strategie.
   • Workflow: Het proces omvat het uitvoeren van de probe, het ophalen van de best passende historische context, het initialiseren van de MPC, en het draaien van een receding-horizon control loop die lokale correcties bijwerkt terwijl de opgehaalde actuator-termen behouden blijven.

Belangrijkste Bijdragen

• Definitie van PCM: Het artikel formaliseert Probe-Conditioned Memory als een record dat druk-setpoints koppelt aan probe-geïnferred actuele gedragingen, wat het hergebruik van historische actuator-toestanden (deadband, gain, hysteresis) mogelijk maakt in plaats van enkel model-checkpoints.
• Theoretische Analyse: De auteurs bieden proposities en stellingen die aantonen dat:
  • Een statische druk-root onvoldoende is in deadband-regimes (Propositie 1).
  • Fouten in de probe-estimatie begrensd zijn onder specifieke excitatie-condities (Lemma 1).
  • De opgehaalde PCM de initiële predictor-mismatch begrenst (Theorem 1).
  • De degradatie van de finite-horizon tracking cost begrensd is door de prediction tube error (Theorem 2).
• Control Architectuur: De integratie van een constrained Koopman-predictor met online low-rank correctie en een feasibility filter, specifiek afgestemd op actuator-deadband.

Resultaten
De methode werd geëvalueerd op een gekalibreerde digitale tweeling van een fysieke lijmcel, met de focus op een 1.00 mm smalle breedte benchmark, waar het geleverde drukverlies aanzienlijk is. De studie vergeleek AK-MPC met verschillende baselines: statische inverse pressure MPC, statische inverse adaptive PI, online RLS-ARX-MPC, en een probe-fitted ARX-MPC (die de probe gebruikt maar geen geheugen).

• Tracking Nauwkeurigheid: AK-MPC bereikte een Mean Absolute Error (MAE) van 0.0487 mm over 60 gekoppelde gevallen.
  • Dit presteerde significant beter dan de beste dynamische baseline (Online RLS-ARX-MPC met 0.2492 mm) en de statische baselines (ca. 0.25–0.27 mm).
  • De probe-fitted ARX-MPC, die geen geheugen-retrieval heeft, presteerde het slechtst (0.3956 mm).
• Ablatie-studies:
  • Het verwijderen van PCM (AK-MPC zonder PCM) verhoogde de fout naar 0.0655 mm, waarmee de specifieke bijdrage van geheugen-retrieval werd geïsoleerd.
  • Het bevriezen van online updates (Frozen-PCM) resulteerde in een fout van 0.1158 mm, wat de noodzaak van online adaptatie benadrukt.
• Veiligheid en Efficiëntie: AK-MPC handhaafde nul druk- of input-schendingen en vertoonde een lagere totale variatie in actuator-acties vergeleken met de baselines. De 95e percentiel runtime was 13.7 ms op een standaard werkstation.

Significantie en Claims
Het artikel claimt dat de primaire waarde van deze aanpak ligt in de snelle inbedrijfstelling (fast commissioning) voor recepten met een lage breedte waarbij de actuator-deadband actief is. De significantie is geen algemene claim over transfer learning, maar een specifiek mechanisme: historische runs zijn het meest nuttig wanneer zij druk-leveringsinformatie (deadband, gain, hysteresis) dragen die een korte target-probe kan verifiëren en verfijnen.

De auteurs benadrukken dat de grote prestatiekloof tussen AK-MPC en klassieke baselines het resultaat is van de volledige workflow (constrained prediction + online correction + feasibility filtering), terwijl de geïsoleerde winst van PCM (ca. 0.0168 mm verbetering ten opzichte van de no-memory variant) aantoont dat het ophalen van actuator-specifieke toestanden cruciale informatie biedt voordat voldoende doelwitdata beschikbaar is. De resultaten worden gevalideerd op een gekalibreerde digitale tweeling, waarbij een enkele fysieke cel-trace wordt geleverd als een deployment sanity check in plaats van een statistische benchmark.