Fugu-MT 論文翻訳(概要): Deep Koopman-based Control of Quality Variation in Multistage Manufacturing Systems

論文の概要: Deep Koopman-based Control of Quality Variation in Multistage Manufacturing Systems

arxiv url: http://arxiv.org/abs/2407.16933v1
Date: Wed, 24 Jul 2024 01:54:30 GMT
ステータス: 処理完了
システム内更新日: 2024-07-25 15:02:58.650309
Title: Deep Koopman-based Control of Quality Variation in Multistage Manufacturing Systems
Title（参考訳）: 深層クープマンによる多段製造システムの品質変動制御
Authors: Zhiyi Chen, Harshal Maske, Devesh Upadhyay, Huanyi Shui, Xun Huan, Jun Ni,
Abstract要約: 本稿では,多段階製造システム(MMS)の品質管理問題に対処するモデリング制御合成を提案する。 MMSのプロセス障害による品質変動を最小限に抑えるために,新しいフィードフォワード制御方式を開発した。
参考スコア（独自算出の注目度）: 1.29097349731393
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper presents a modeling-control synthesis to address the quality control challenges in multistage manufacturing systems (MMSs). A new feedforward control scheme is developed to minimize the quality variations caused by process disturbances in MMSs. Notably, the control framework leverages a stochastic deep Koopman (SDK) model to capture the quality propagation mechanism in the MMSs, highlighted by its ability to transform the nonlinear propagation dynamics into a linear one. Two roll-to-roll case studies are presented to validate the proposed method and demonstrate its effectiveness. The overall method is suitable for nonlinear MMSs and does not require extensive expert knowledge.
Abstract（参考訳）: 本稿では,多段階製造システム(MMS)の品質管理問題に対処するためのモデリング制御合成を提案する。 MMSのプロセス障害による品質変動を最小限に抑えるために,新しいフィードフォワード制御方式を開発した。特に、制御フレームワークは確率的な深いクープマン(SDK)モデルを利用して、MMSの品質伝搬機構を捉える。 2つのロール・ツー・ロールケーススタディを提案し,提案手法の有効性を実証した。全体的な手法は非線形MMSに適しており、豊富な専門知識を必要としない。

関連論文リスト

Efficient model predictive control for nonlinear systems modelled by deep neural networks [6.5268245109828005]
本稿では、非線形性と不確実性が深層ニューラルネットワーク(NN)によってモデル化された動的システムのためのモデル予測制御(MPC)を提案する。 NN出力はシステム状態と制御入力の高次複素非線形性を含むため、MPC問題は非線形であり、リアルタイム制御では解決が難しい。
論文参考訳（メタデータ） (2024-05-16T18:05:18Z)
Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文参考訳（メタデータ） (2024-04-08T20:02:19Z)
Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文参考訳（メタデータ） (2024-02-17T12:27:30Z)
Tensor-based process control and monitoring for semiconductor manufacturing with unstable disturbances [13.114681056884832]
本稿では,高次元画像ベースオーバーレイ誤差の複雑な構造に対するプロセス制御とモニタリング手法を提案する。提案手法は,制限された制御レシピを用いてオーバーレイ誤差を低減することを目的としている。
論文参考訳（メタデータ） (2024-01-31T03:35:08Z)
Stochastic Deep Koopman Model for Quality Propagation Analysis in Multistage Manufacturing Systems [1.178566843877027]
本研究では、MMSの複雑な振る舞いをモデル化するための深いクープマン(SDK)フレームワークを紹介する。本稿では,変分オートエンコーダから抽出した臨界品質情報を伝搬するクープマン演算子の新たな応用法を提案する。
論文参考訳（メタデータ） (2023-09-18T22:53:17Z)
MFRL-BI: Design of a Model-free Reinforcement Learning Process Control Scheme by Using Bayesian Inference [5.375049126954924]
プロセス制御方式の設計は、製造システムのばらつきを低減するために品質保証に不可欠である。本稿では,モデルフリー強化学習(MFRL)手法を提案する。
論文参考訳（メタデータ） (2023-09-17T08:18:55Z)
Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。最適制御には無関係な状態変数を特徴付ける。
論文参考訳（メタデータ） (2021-10-12T16:41:47Z)
Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文参考訳（メタデータ） (2021-05-17T08:36:18Z)
Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文参考訳（メタデータ） (2020-11-15T22:36:59Z)
Heteroscedastic Bayesian Optimisation for Stochastic Model Predictive Control [23.180330602334223]
モデル予測制御(MPC)は、複雑な物理システムの制御を含むアプリケーションで成功している。制御器の動作のランダム性に起因した余分な課題を提示する,MPC のコンテキストにおける微調整 MPC 手法について検討する。
論文参考訳（メタデータ） (2020-10-01T05:31:41Z)
Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文参考訳（メタデータ） (2020-03-12T19:56:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。