⚡ electrical engineering

Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control

本文提出了一种用于机器人板金成型的自适应数字孪生框架，该框架集成了本征正交分解、库普曼算子以及在线递推最小二乘法，旨在实现复杂非线性变形过程的实时数据驱动模型预测控制。

原作者： Yi-Ping Chen, Derick Suarez, Ying-Kuan Tsai, Vispi Karkaria, Guanzhong Hu, Zihan Chen, Ping Guo, Jian Cao, Wei Chen

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yi-Ping Chen, Derick Suarez, Ying-Kuan Tsai, Vispi Karkaria, Guanzhong Hu, Zihan Chen, Ping Guo, Jian Cao, Wei Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图将一块金属塑造成完美的曲线，就像复古汽车那光滑的引擎盖一样。在旧时代，一位大师级工匠会站在那里，通过锤击和滚动金属，用双手和眼睛去感受形状，随着每一次推动来调整力度。那是人类技艺与顽固金属之间的一场舞蹈。但如果你想让机器人跳起这支舞呢？问题在于，金属是非常难以捉摸的。它会弯曲，会回弹，而且随着加工程度的增加，它会变得越来越硬。如果你只告诉机器人一次该如何移动，金属在第二次或第三次时可能并不听话。

这就是西北大学的研究人员引入“数字孪生”（Digital Twin）的地方。请不要将其仅仅视为一个简单的3D模型，而要把它想象成一个存在于计算机内部的超级智能、充满魔力的镜像。这个镜像不仅看起来像那块金属，它还像金属一样进行“思考”。它能在机器人触碰金属之前，精准地预测金属会如何反应。

问题所在：金属就像变色龙

研究团队使用的是一种叫做**英式轮（English wheel）**的工具，这是一种通过两个轮子在中间滚动金属来拉伸和塑形机器。挑战在于？金属的行为在不断变化。如果你推得太重，它会变硬（这是一个被称为“应变硬化”的过程）；如果你推得太轻，它又弯曲得不够。

以往尝试用机器人控制这种工艺的方法往往以失败告终，因为它们要么试图使用简单的规则（比如“在这里推，然后在那里推”），要么使用计算时间过长的复杂模拟。论文指出，仅仅使用标准的机器学习也是不够的；那些模型通常是“黑箱”，它们只是在猜测而没有理解物理规律，并且当金属在加工过程中改变其特性时，它们会感到困惑。

解决方案：为非线性世界打造线性映射

研究人员利用三种思想的巧妙结合，构建了一种新型数字孪生体：

“挤压式”压缩（POD）： 想象你拥有一堆巨大的、杂乱无章的数据，展示了金属在每一个点上的弯曲情况。这太难处理了。团队使用了名为本征正交分解（Proper Orthogonal Decomposition, POD）的技术，将这堆庞大的数据“挤压”成仅有的几个关键数字。这就像是将一张高清的风暴照片压缩成一份简单的天气报告，而这份报告依然能准确告诉你哪里在下雨。他们发现，仅需4个这样的“关键数字”就能捕捉到金属**99.5%**的行为特征。
“魔法翻译官”（Koopman 算子）： 金属弯曲是混沌且非线性的（它不遵循直线规律）。但研究人员使用了一个名为 Koopman 算子 的数学技巧，将这种混沌转化为一种简单的、直线的语言。想象你在描述一次过山车之旅。过程是狂野且扭曲的。但如果你能将这次旅程转化为一份简单的“上、下、左、右”指令清单，让计算机可以瞬间求解，这就是 Koopman 算子所做的事情。它将混乱的现实提升到一个“提升空间”（lifted space），在那里，数学变得简单且可预测。
“自我修正”的大脑（RLS 与 MPC）： 即便是最好的地图，如果地形发生变化也会失效。金属在加工过程中会变硬，而初始地图并不知道这一点。为了解决这个问题，团队加入了一个 递推最小二乘法（Recursive Least Squares, RLS） 算法。你可以把这看作是数字孪生体拥有了一个“学习环路”。每当机器人做出一次动作，金属产生一次反应，数字孪生体会检查：“我预测得对吗？”如果金属弯曲得比预期少，数字孪体会立即更新其内部的“控制旋钮”（具体来说是矩阵 B），以便为下一次移动提供更准确的预测。

最后，他们使用了模型预测控制（Model Predictive Control, MPC）。这就像是一位走一步看六步的棋手。它不仅仅是对当前的形状做出反应，而是会规划接下来的 6 个循环 的滚动，以确保金属最终达到预期的形状，同时遵守诸如“不要过度弯曲”或“起点和终点保持一致”等规则。

结果：魔法奏效了吗？

团队在一个真实的机器人系统上进行了测试，使用的是 316L 不锈钢 板材，尺寸为 30.48 mm × 7.62 mm × 0.06 mm。他们不只是在模拟，而是亲手搭建并运行了它。

如果没有自我修正更新： 机器人尝试弯曲金属，但由于金属比预期更硬，机器人一直处于弯曲不足的状态。经过 6 个循环 后，边缘处的最终形状偏差达到了惊人的 12.64 mm。机器人陷入了一个重复同样错误并不断失败的死循环。
有了自我修正更新： 数字孪生体注意到金属弯曲不足。它调整了内部的“增益”（具体是第一个切比雪夫多项式 T1 的系数），并命令机器人加大力度。结果如何？最终形状的偏差仅为 2.79 mm。在另一种较小的目标曲线案例中，误差降至仅 1.09 mm，且机器人仅用了 5 个循环 就完成了工作（而非之前的 6 个）。

该系统在高性能计算机上处理涉及 1,590 个设计变量 的复杂数学问题仅用了约 0.8067 秒，这意味着它能够做出足够快的决策，以跟上机器人的动作节奏。

这意味着什么（以及不意味着什么）

论文表明，这种自适应数字孪生体是控制复杂金属成型的强大手段。它证明了你可以将一个混乱、非线性的过程转化为一个计算机可以实时求解的可控线性问题。

然而，作者也谨慎地指出，这并不是针对所有可能金属形状的“已解决问题”。他们目前的模型是一个“聚合近似”（aggregate approximation），这意味着它在测试的具体条件下表现良好，但在面对从未见过的全新材料或形状时可能会遇到困难。他们建议，未来的工作需要收集更多数据，并可能需要将此与人类知识相结合，从而使系统实现真正的自主化。

但就目前而言，他们成功地构建了一个能够通过数字孪生体来“感知”金属、从错误中学习并在实时过程中调整策略以创造平滑完美曲线的机器人。这是迈向未来工厂的一步——未来的工厂将不再仅仅是执行指令，而是能像大师级工匠一样进行适应与学习。

技术摘要：基于 POD-Koopman 算子与 MPC 的板材成形自适应数字孪生

问题陈述

数字孪生（DT）技术为制造过程的实时监测与控制提供了巨大潜力。然而，将数字孪生应用于基于变形的金属成形（特别是英国轮成形工艺）仍面临挑战，因为板材变形具有强耦合的时空特性，且工具路径与材料响应之间存在非线性关系。传统方法面临明显的局限性：

基于物理的仿真（如有限元分析）计算成本过高，无法满足实时优化的需求。
纯数据驱动模型通常缺乏物理可解释性，在训练领域之外的泛化能力较差，且需要昂贵的数据采集。
现有的控制策略（如 PID）通常局限于单输入单输出系统，无法有效处理板材成形中固有的高维、空间相关场。
强化学习通常是数据密集型的，这使得在数据采集成本高昂的场景下并不实用。

核心挑战在于开发一种既能准确捕捉非线性时空变形动力学，又能保持计算效率以实现通过模型预测控制（MPC）进行实时决策的模型。

方法论

作者提出了一种自适应数字孪生框架，该框架集成了本征正交分解（POD）、深度 Koopman 算子以及用于在线模型更新的递归最小二乘法（RLS）与模型预测控制（MPC）。该系统在 316L 不锈钢材质的机器人英国轮装置上进行了验证。

1. 降维与特征提取：
为了管理高维数据，该框架采用了两种不同的分解策略：

状态降维（POD/PCA）： 使用本征正交分解（主成分分析）对板材变形场进行降维。保留了前四个主成分模态，捕获了超过 99.5% 的总方差，将状态维度从 8 个空间点减少到 4 个系数。
输入降维（切比雪夫多项式）： 使用切比雪夫多项式进行分解表示工具路径。这确保了重建的轨迹本质上是平滑且可微的，满足制造约束。使用五个基函数来表示工具路径。

2. 通过深度 Koopman 算子进行代理建模：
通过具有残差连接的编码器-解码器架构训练深度 Koopman 算子，以在提升的线性空间中学习系统动力学。

架构： 编码器将降维后的状态（PCA 系数）映射到更高维的提升空间（ $z$ ）。线性演化模块（矩阵 $A$ 和 $B$ ）控制动力学过程（ $z_{k+1} = Az_k + B\tilde{u}_k$ ）。解码器将提升后的状态投影回降维空间。
训练策略： 模型使用复合损失函数进行训练，包括重建损失、单步和多步预测损失、稳定性损失（惩罚大于 1 的特征值）以及前向线性损失。利用残差连接和 Dropout（仅应用于非线性层）来增强稳定性和防止过拟合。
关键设计选择： 控制输入（切比雪夫系数）不通过非线性编码器进行映射；它们保留在线性子空间中，以保持高效 MPC 所需的线性结构。

3. 控制策略（MPC）：
学习到的线性化模型被集成到一个受约束的 MPC 框架中，以生成最优工具路径。

公式化： 将问题转化为凸二次规划（QP）问题，在 6 个周期的预测时界内最小化与目标几何形状的偏差及控制量消耗。
约束： 公式包含了基于切比雪夫多项式属性的控制幅度和几何平滑度约束（例如，确保工具路径从 $z=0$ 开始）。
收缩时界： 仅应用优化序列中的第一个工具路径。在每个周期结束后，系统状态会根据新的测量值进行更新，并重新求解优化问题。

4. 在线模型自适应（RLS）：
为了应对材料变异性（如应变硬化）和模型失配，采用递归最小二乘法（RLS）算法实时更新控制矩阵 $B$ 。

机制： 保持状态动力学矩阵 $A$ 固定以保证全局稳定性，而根据预测误差更新 $B$ 。
触发条件： 仅当测量几何与预测几何之间的偏差超过 3 mm 或板材变形停滞（周期间变化 < 3 mm）时，才会触发更新。这可以防止对有限反馈数据的过拟合。

核心贡献

自适应数字孪生框架： 集成 POD 和深度 Koopman 算子，以降维、可线性表示的形式捕捉板材成形的时空动力学。
实时决策能力： 一个结合了基于 Koopman 的线性建模与受约束 MPC 的控制框架，能够实时生成最优且平滑的工具路径（平均求解时间约为 0.8 秒）。
在线自适应： 一种利用 RLS 在运行过程中自适应精炼控制矩阵 $B$ 的机制，能够在不重新训练整个深度网络的情况下，针对材料变异性和不确定性保持精度。
实验验证： 在全自动机器人英国轮系统上演示了该框架，验证了其在不同条件下实现目标几何形状的能力。

结果

该框架通过 80 件实验件进行了验证（75 件用于训练，5 件用于验证/测试）。

模型精度： 学习到的 Koopman 算子与测量数据表现出高度一致性。大部分预测误差保持在板材末端 $\pm 5$ mm 以内，变形和工具路径的重建误差分别通常在 $\pm 0.5$ mm 和 $\pm 0.25$ mm 以内。
控制性能（大变形情况）：
- 无模型更新： 由于模型高估了工具路径的有效性，系统从第 3 个周期开始出现“弯曲不足”和停滞现象。最终与目标的偏差为 12.64 mm。
- 有模型更新： RLS 修正了控制增益，生成了更陡峭的工具路径以驱动板材进入塑性阶段。最终偏差降低至 2.79 mm。
控制性能（中等变形情况）：
- 无模型更新： 最终偏差为 7.34 mm。
- 有模型更新： 在 5 个周期内达到目标，最终偏差为 1.09 mm。
可解释性： 对更新后的矩阵 $B$ 进行分析显示了控制增益的具体调整（例如，减小了一阶切比雪夫系数的影响），证明了模型适应物理过程变化的能力。

意义与主张

本文声称这项工作建立了一种可推广的方法，用于为输入和输出均为向量场的非线性制造系统创建具有可解释性、自适应性和计算高效性的数字孪生。

桥接物理与数据： 该框架成功地将降维物理表示（通过 POD）与数据驱动的自适应性（通过 Koopman 和 RLS）结合在一起。
自主控制： 它展示了自主、反馈驱动成形的可能性，实现了从依赖工匠经验的过程向能够规划并适应策略的系统的转变。
可扩展性： 虽然是在英国轮上进行的演示，但作者指出该流水线可扩展到其他涉及时空动力学的工艺，如增量成形、锻造和增材制造。
局限性说明： 作者承认当前模型是对材料行为（弹性到塑性）的一种聚合近似，并可能受到联合状态-输入空间中数据稀疏性的限制。他们指出，虽然在线更新可能无法在所有材料状态下实现全局精度，但对于引导控制律趋向预期结果仍然非常有效。未来的工作建议解决全 3D 成形问题，并整合多模态数据（模拟、人类演示）以进一步增强模型精炼。