Physics-Coupled Task Allocation for Collaborative Robotic Welding of Dissimilar Steel Joints Using an α-Potential Game and a Physics-Informed Neural Network Surrogate

Technische Samenvatting: Fysica-gekoppelde Taakallocatie voor Collaboratieve Robotische Lassen van Dissimilaire Staalverbindingen

Probleemstelling
Collaboratieve robotische verbinding van dissimilaire staalverbindingen (bijv. ferriet/laaggelegeerd naar austenitisch roestvast staal) vormt een complexe besluitvormingsuitdaging. In tegenstelling tot conventionele geometrische taakallocatie, die primair gericht is op het minimaliseren van reisafstand en tijd, zijn lasoperaties bij dissimilaire verbindingen fysiek gekoppeld. Naburige lasoperaties veranderen de thermische toestand, de mechanische respons en de metallurgische structuur van opeenvolgende operaties. Specifiek leidt niet-uniforme thermische expansie tot aanzienlijke restspanningen, terwijl blootstelling aan hoge temperaturen zorgt voor koolstofmigratie, wat resulteert in koolstofarme en koolstofrijke zones die de mechanische eigenschappen in gevaar brengen. Bestaande allocatiemethoden falen vaak omdat ze de thermo-mechanische en metallurgische interacties niet expliciet rekening houden, wat leidt tot suboptimale productieresultaten met betrekking tot kwaliteit, energieverbruik en vervorming.

Methodologie
De studie stelt een verenigd kader voor dat game-theoretische taakallocatie integreert met physics-informed machine learning. De methodologie bestaat uit drie kerncomponenten:

1. $\alpha$-Potential Game Formulering:
   Het multi-robot systeem wordt gemodelleerd als een $\alpha$-potential game. In dit kader worden collaboratieve robots behandeld als spelers met individuele strategieën (taaktoewijzing en uitvoeringsvolgorde). De globale doelfunctie ($J$) minimaliseert een gewogen som van de maaktijd (makespan), lasenergie, maximale restspanning en de breedte van de koolstofarme zone.

   • In tegenstelling tot exacte potential games, waarbij de individuele nutswijziging de globale potentiele verandering perfect weerspiegelt, gebruikt deze formulering een $\alpha$-potential om rekening te houden met de begrensde discrepantie ($\alpha$) veroorzaakt door niet-additieve thermische en metallurgische interacties.
   • Theoretische analyse stelt vast dat een globale maximizer van de potentiefunctie een $\alpha$-Nash-evenwicht vormt binnen een eindige haalbare strategieruimte.
   • Log-lineair leren wordt ingezet als een stochastisch strategie-update mechanisme om de oplossingsruimte te verkennen, waardoor robots kandidaat-afwijkingen kunnen samplen op basis van hun verbeteringen in nut.

2. Physics-Informed Neural Network (PINN) Surrogaat:
   Om de hoge computationele kosten van herhaalde thermo-mechanische evaluaties die vereist zijn door de optimalisatielus aan te pakken, wordt een PINN-surrogaat ontwikkeld.

   • De PINN benadert het transiënte temperatuurveld en het mechanisch evenwicht door de onderliggende partiële differentiaalvergelijkingen (warmtegeleiding en thermo-elastische constitutieve relaties) direct in de verliesfunctie op te nemen.
   • Deze aanpak biedt een goedkopere benadering van de fysieke respons, wat snelle evaluatie van kandidaat-taakallocaties mogelijk maakt zonder uitsluitend te vertrouwen op dure high-fidelity simulaties voor elke iteratie.

3. Computationeel Kader:
   Het algoritme genereert een initiële haalbare allocatie, selecteert iteratief robots om unilaterale afwijkingen te verkennen, evalueert kandidaten met behulp van de PINN, en werkt de allocatie bij op basis van log-lineaire waarschijnlijkheden. Periodieke validatie wordt uitgevoerd tegen een referentie fysiek model. De studie evalueert de schaalbaarheid over drie taak-schalen (50, 100 en 200 taken) met variërende aantal robots (2, 3 en 4).

Belangrijkste Bijdragen
Het artikel identificeert vijf hoofd bijdragen:

1. Formulering: De taakallocatie voor multi-robot lassen wordt geformuleerd als een $\alpha$-potential game, waarbij de koppeling tussen lokale robotbeslissingen en globale systeemdoelstellingen expliciet wordt gemodelleerd.
2. Interactie Modellering: Thermische, mechanische en metallurgische interacties (restspanning en koolstofherverdeling) worden gerepresenteerd via een begrensde $\alpha$-term, wat de niet-lineaire en historie-afhankelijke aard van lasfysica erkent.
3. Theoretisch Resultaat: Er wordt een bewijs geleverd dat vaststelt dat een globale maximizer van de $\alpha$-potentiefunctie een $\alpha$-Nash-evenwicht is onder eindige strategieruimtes.
4. Surrogaat Ontwikkeling: Een PINN wordt ontwikkeld om te dienen als een computationeel efficiënt surrogaat voor herhaalde thermo-mechanische evaluaties, waarbij fysische wetten in de leerdoelstelling worden geïntegreerd.
5. Vergelijkende Analyse: Het raamwerk wordt computationeel vergeleken met afstand-gestuurde genetische allocatie, genetische allocatie met iteratieve lokale zoektocht, en Gaussian-process-assisted multi-agent search.

Resultaten en Prestaties
In de computationele studie vertoonde het voorgestelde raamwerk verbeteringen ten opzichte van afstand-gestuurde baselines:

• Efficiëntie: De methode verminderde de genormaliseerde maaktijd en het lasenergieverbruik.
• Kwaliteit: Het raamwerk handhaafde simultaan een lagere voorspelde maximale restspanning en verminderde de breedte van de koolstofarme zones.
• Mechanisme van Verbetering: Deze winsten worden toegeschreven aan de game-formulering die robots in staat stelt om rekening te houden met de systemische impact van hun beslissingen, en de PINN die de computationele last van iteratieve evaluaties vermindert.
• Ablatie: De studie onderscheidt de bijdragen van de $\alpha$-potential correctie en de PINN-acceleratie, waarbij wordt aangetoond dat beide componenten noodzakelijk zijn voor de volledige prestatie van het raamwerk.

Betekenis en Beperkingen
Het artikel positioneert dit werk als een stap naar de integratie van procesniveau-fysica met gedistribueerde multi-robot besluitvorming. Door lasopdrachten te behandelen als fysiek gekoppeld in plaats van puur geometrisch, beoogt het raamwerk de kwaliteit van multi-robot lasbeslissingen te verbeteren.

De auteur hanteert echter een bescheiden houding ten aanzien van de praktische toepassing van deze resultaten:

• Computationeel Karakter: De gerapporteerde numerieke waarden zijn computationele voorspellingen. Het artikel stelt expliciet dat deze resultaten onafhankelijk experimenteel gevalideerd moeten worden voordat ze gegeneraliseerd kunnen worden naar industriële toepassingen.
• Model Afhankelijkheid: De geldigheid van het raamwerk hangt af van de nauwkeurigheid van het onderliggende fysieke model en de PINN-surrogaat. De $\alpha$-parameter wordt behandeld als een modelleringsbegrens die geschat is vanuit de formulering, en niet als een universele fysieke constante.
• Scope: De studie richt zich op de algoritmische en theoretische integratie van game theory en physics-informed learning, waarbij een onderscheid wordt gemaakt tussen theoretische evenwichtseigenschappen en numerieke prestatieobservaties.

Concluderend biedt de studie een theoretische en computationele basis voor fysica-gekoppelde taakallocatie, en biedt het een methode om de productie-efficiëntie in balans te brengen met de complexe fysieke beperkingen van het lassen van dissimilaire staal, waarbij de noodzaak voor toekomstige experimentele verificatie wordt benadrukt.