論文の概要: Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control
- arxiv url: http://arxiv.org/abs/2511.10852v1
- Date: Thu, 13 Nov 2025 23:24:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.36365
- Title: Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control
- Title（参考訳）: モデル予測制御による適切な直交分解型クープマン演算子による板金成形の適応的ディジタルツイン
- Authors: Yi-Ping Chen, Derick Suarez, Ying-Kuan Tsai, Vispi Karkaria, Guanzhong Hu, Zihan Chen, Ping Guo, Jian Cao, Wei Chen,
- Abstract要約: デジタルツイン(DT)技術は、複雑なプロセスのリアルタイム予測、監視、制御を可能にすることで製造を変革している。
本研究では,物理認識次元減少のための適切な直交分解(POD)を統合する適応DTフレームワークを提案する。
リアルタイムに演算子係数を更新するために、オンライン再帰最小平方法(RLS)アルゴリズムを導入し、DTモデルの連続的な適応を可能にする。
- 参考スコア（独自算出の注目度）: 14.54038067557375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital Twin (DT) technologies are transforming manufacturing by enabling real-time prediction, monitoring, and control of complex processes. Yet, applying DT to deformation-based metal forming remains challenging because of the strongly coupled spatial-temporal behavior and the nonlinear relationship between toolpath and material response. For instance, sheet-metal forming by the English wheel, a highly flexible but artisan-dependent process, still lacks digital counterparts that can autonomously plan and adapt forming strategies. This study presents an adaptive DT framework that integrates Proper Orthogonal Decomposition (POD) for physics-aware dimensionality reduction with a Koopman operator for representing nonlinear system in a linear lifted space for the real-time decision-making via model predictive control (MPC). To accommodate evolving process conditions or material states, an online Recursive Least Squares (RLS) algorithm is introduced to update the operator coefficients in real time, enabling continuous adaptation of the DT model as new deformation data become available. The proposed framework is experimentally demonstrated on a robotic English Wheel sheet metal forming system, where deformation fields are measured and modeled under varying toolpaths. Results show that the adaptive DT is capable of controlling the forming process to achieve the given target shape by effectively capturing non-stationary process behaviors. Beyond this case study, the proposed framework establishes a generalizable approach for interpretable, adaptive, and computationally-efficient DT of nonlinear manufacturing systems, bridging reduced-order physics representations with data-driven adaptability to support autonomous process control and optimization.
- Abstract（参考訳）: デジタルツイン(DT)技術は、複雑なプロセスのリアルタイム予測、監視、制御を可能にすることで製造を変革している。
しかし, 時空間挙動と工具パスと材料応答の非線形関係が強く結合しているため, 変形型金属成形へのDTの適用は依然として困難である。
例えば、非常に柔軟だが職人依存のプロセスであるイングリッシュ・ホイールによるシート・メタル・フォーミングでは、フォーメーション戦略を自律的に計画し適応できるデジタル・メタルが不足している。
本研究では,モデル予測制御(MPC)を用いた実時間決定のための線形昇降空間における非線形系を表現するためのクープマン演算子と物理認識次元減少のための固有直交分解(POD)を統合した適応DTフレームワークを提案する。
進化するプロセス条件や物質状態に対応するため、オンライン再帰最小平方(RLS)アルゴリズムを導入し、演算子係数をリアルタイムで更新し、新しい変形データが利用可能になるとDTモデルの連続的な適応を可能にする。
提案手法は, 変形場を計測し, 各種ツールパスでモデル化するロボットイングリッシュシート金属成形システムにおいて実験的に実証された。
その結果, 適応DTは, 非定常プロセスの挙動を効果的に捉え, 所定の目標形状を達成するための成形過程を制御することができることがわかった。
このケーススタディの他に、非線形製造システムの解釈、適応、計算効率のDTに対する一般化可能なアプローチを確立し、データ駆動適応性を備えた低次物理表現をブリッジして、自律的なプロセス制御と最適化をサポートする。
関連論文リスト
- Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning [8.45003507603975]
Control Co-Design (CCD)は、物理的および制御システム設計を統合し、動的および自律的なシステムの性能を改善する。
本稿では,Deep Reinforcement Learning(DRL)を統合したDT対応CCDフレームワークについて述べる。
論文 参考訳（メタデータ） (2025-10-12T16:46:05Z) - Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。
本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。
本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
論文 参考訳（メタデータ） (2025-06-16T08:42:16Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework [0.43127334486935653]
デジタルツイン(DT)技術は、物理システムのリアルタイムシミュレーション、予測、最適化を可能にする。
この記事では、動的データ駆動型アプリケーションシステムパラダイムに基づく動的データ駆動型ディジタルツインフレームワークであるDDD-GenDTを紹介します。
生成AIを活用することにより、DDD-GenDTは、広範な履歴データセットへの依存を低減し、データスカース設定でのDT構築を可能にする。
論文 参考訳（メタデータ） (2024-12-28T01:13:30Z) - A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。
オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。
高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
論文 参考訳（メタデータ） (2024-09-25T11:13:50Z) - Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳（メタデータ） (2024-04-02T05:34:33Z) - MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot
Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。
既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。
本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文 参考訳（メタデータ） (2024-01-06T21:04:31Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - Data efficient reinforcement learning and adaptive optimal perimeter
control of network traffic dynamics [0.0]
本研究は、適応最適周波制御のためのマクロトラフィックダイナミクスの学習のための積分強化学習(IRL)に基づくアプローチを提案する。
サンプリングの複雑さを低減し、利用可能なデータをより効率的に利用するために、IRLアルゴリズムに経験再生(ER)技術を導入している。
IRLに基づくアルゴリズムの収束と制御された交通力学の安定性は、リャプノフ理論によって証明される。
論文 参考訳（メタデータ） (2022-09-13T04:28:49Z) - Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。
ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。
本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
論文 参考訳（メタデータ） (2022-07-19T09:21:21Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。