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

Resumo Técnico: Otimização Bayesiana Local Guiada por Modelo para Ajuste de Controladores Interpretáveis em Moldagem por Injeção

Definição do Problema
A moldagem por injeção (IM) é um processo industrial crítico onde a pressão da cavidade serve como um determinante fundamental da qualidade da peça. Embora métodos de controle avançados baseados em modelos possam regular efetivamente a pressão da cavidade, sua adoção industrial é dificultada por dois desafios primários:

1. Interpretabilidade: Leis de controle sofisticadas frequentemente comportam-se como "caixas pretas", tornando difícil para os operadores de máquinas verificar os resultados e levando à desconfiança.
2. Complexidade de Otimização: A diversidade de geometrias de moldes e propriedades de materiais torna difícil a obtenção de modelos precisos baseados em princípios físicos (first-principles). Além disso, otimizar controladores via tentativa e erro em máquinas físicas é arriscado, pois pode produzir peças de sucata ou danificar equipamentos.

Abordagens existentes, como a Otimização Bayesiana (BO) Vanilla, têm dificuldades com espaços de entrada de alta dimensão e carecem de uma consciência inerente de risco durante o processo de ajuste.

Metodologia
Os autores propõem a Otimização Bayesiana Local Guiada por Modelo (MGLBO), um framework projetado para ajustar automaticamente os parâmetros de controladores interpretáveis durante o processo de manufatura. A abordagem equilibra eficiência de dados com consciência de risco, combinando um modelo dinâmico inspirado na física com um termo de correção baseado em dados.

• Modelagem do Processo: O núcleo do método é um modelo de Rede Neural de Mistura de Especialistas Locais Inspirada na Física.

  • Modelo de Acionamento (Drive Model): Uma Rede Residual (ResNet) aproxima a dinâmica de acionamento (velocidade do parafuso e volume) usando integração de Euler explícita.
  • Modelo de Pressão: A dinâmica de pressão é dividida em três fases baseadas no nível de preenchimento da cavidade (ambiente, aumento moderado, aumento rápido). Estas são modeladas por três submodelos de "Especialista Local" distintos (ResNets) que transitam suavemente via uma camada de portão (gating layer). Os submodelos são restringidos por equações inspiradas na física para garantir um aumento de pressão fisicamente conforme.
  • Treinamento: Os modelos são treinados usando o algoritmo de Levenberg-Marquardt com dados dos últimos $n_C$ ciclos, aplicando-se regularização para evitar o sobreajuste (overfitting) a variáveis temporais.

• Função de Custo Composta: O objetivo de otimização é uma função de custo composta $J_{total}(\theta_C)$:
  $$J_{total}(\theta_C) = J_M(\theta_C) + \tilde{J}(\theta_C)$$

  • $J_M$: O custo de malha fechada simulado derivado do modelo dinâmico.
  • $\tilde{J}$: Um modelo de regressão de Processo Gaussiano (GP) que aprende o resíduo (desvio) entre os custos simulados e as observações reais da planta.

• Otimização Bayesiana Local:

  • O algoritmo emprega uma estratégia de Região de Confiança (baseada em TurBO-1) em vez de exploração global. Ele define uma região de confiança $S$ ao redor do vetor de parâmetros atual $\theta^*_C$.
  • Uma função de aquisição equilibra o desempenho previsto com a incerteza: $\alpha(\theta_C) = E(J_{total}) + \kappa\sqrt{Var(J_{total})}$. O parâmetro $\kappa$ permite um ajuste consciente do risco; valores mais altos resultam em uma otimização mais cautelosa.
  • Se um novo conjunto de parâmetros resultar em custos menores, a região de confiança se expande; se o desempenho degradar, a região encolhe. Isso garante que o algoritmo foque em ótimos locais e mitigue excursões de alto custo.

• Controladores Testados: O método foi avaliado em três controladores interpretáveis com contagens de parâmetros variadas (1 a 30):

  1. Controlador Proporcional (P).
  2. Controlador Proporcional-Integral com Ganho Programável (G-PI).
  3. Controlador de Função de Base Radial (RBF).

Principais Contribuições

1. Novo Framework de Otimização: Este trabalho apresenta a primeira abordagem de otimização de processo-controlador-injeção que utiliza um modelo de processo dinâmico combinado com observações da planta para alcançar tanto eficiência de dados quanto consciência de risco.
2. Modelagem Híbrida: A integração de um modelo de mistura neural inspirado na física com um corretor de resíduo GP permite a previsão precisa de custos sem exigir modelos de princípios físicos perfeitos.
3. Ajuste Consciente do Risco: Ao utilizar uma abordagem de região de confiança local e uma função de aquisição sensível ao risco, o método minimiza a probabilidade de gerar peças de sucata ou danificar o maquinário durante o processo de ajuste.

Resultados
O algoritmo MGLBO foi testado contra o BO Vanilla em simulação, utilizando 50 execuções independentes por tipo de controlador ao longo de 20 iterações de otimização.

• Desempenho: O MGLBO identificou parâmetros de controlador que geraram custos mínimos ($J_{min}$) comparáveis ou inferiores aos do Vanilla BO global.
• Segurança: O MGLBO superou significativamente o Vanilla BO em termos de métricas de segurança. O custo máximo ($J_{max}$) observado durante o ajuste do MGLBO permaneceu próximo aos custos iniciais, enquanto o Vanilla BO exibiu um "piora cumulativa" ($J_W$) substancial, indicando frequente deterioração de desempenho e maior risco.
• Convergência: Para controladores com contagens de parâmetros mais altas (ex: RBF), o Vanilla BO falhou em identificar parâmetros melhores que a estimativa inicial dentro de 20 iterações, enquanto o MGLBO convergiu com sucesso.
• Tempo de Execução: O tempo médio de execução para a otimização do controlador RBF foi de aproximadamente 9,4 segundos por etapa em hardware padrão, o que se enquadra na fase de resfriamento do ciclo de IM.

Significância e Alegações
O artigo afirma que o MGLBO oferece um caminho viável para a adoção industrial de controle avançado na moldagem por injeção, abordando o problema da "caixa preta" através de leis de controle interpretáveis e o problema do "risco" através de otimização local guiada por modelo. Os autores sustentam que métodos de otimização global podem não ser adequados para esta aplicação específica devido ao potencial de danos à máquina por uma parametrização ruim, tornando a abordagem local e consciente do risco do MGLBO particularmente bem adequada.

O trabalho conclui que, embora o esforço computacional seja maior do que o do Vanilla BO devido ao retreinamento do modelo, ele é viável dentro da fase de resfriamento do ciclo. O trabalho futuro identifica o teste do algoritmo em hardware real e a extensão do modelo para lidar com acionamentos hidráulicos e pontos de transição dinâmica entre especialistas locais.