論文の概要: Generative Model Predictive Control in Manufacturing Processes: A Review

• arxiv url: http://arxiv.org/abs/2511.17865v1
• Date: Sat, 22 Nov 2025 01:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.484127
• Title: Generative Model Predictive Control in Manufacturing Processes: A Review
• Title（参考訳）: 製造プロセスにおける生成モデル予測制御
• Authors: Suk Ki Lee, Ronnie F. P. Stone, Max Gao, Wenlong Zhang, Zhenghui Sha, Hyunwoong Ko,
• Abstract要約: 製造プロセスは本質的に動的で不確実であり、品質と信頼性を維持するために堅牢な制御が不可欠である。 モデル予測制御(MPC)は、将来の状態を予測し、制御アクションを最適化するためにプロセスモデルを活用する、より高度なフレームワークとして登場した。 MPCは複雑な力学を捉えるのにしばしば失敗する単純化されたモデルに依存しており、製造環境における正確な状態推定と不確実性の伝播に苦慮している。 機械学習(ML)は、非線形ダイナミクスをモデリングし、予測モデリング、状態推定、最適化をサポートする潜在表現を学習することで、MPCを強化するために導入された。
• 参考スコア（独自算出の注目度）: 8.74817326880579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manufacturing processes are inherently dynamic and uncertain, with varying parameters and nonlinear behaviors, making robust control essential for maintaining quality and reliability. Traditional control methods often fail under these conditions due to their reactive nature. Model Predictive Control (MPC) has emerged as a more advanced framework, leveraging process models to predict future states and optimize control actions. However, MPC relies on simplified models that often fail to capture complex dynamics, and it struggles with accurate state estimation and handling the propagation of uncertainty in manufacturing environments. Machine learning (ML) has been introduced to enhance MPC by modeling nonlinear dynamics and learning latent representations that support predictive modeling, state estimation, and optimization. Yet existing ML-driven MPC approaches remain deterministic and correlation-focused, motivating the exploration of generative. Generative ML offers new opportunities by learning data distributions, capturing hidden patterns, and inherently managing uncertainty, thereby complementing MPC. This review highlights five representative methods and examines how each has been integrated into MPC components, including predictive modeling, state estimation, and optimization. By synthesizing these cases, we outline the common ways generative ML can systematically enhance MPC and provide a framework for understanding its potential in diverse manufacturing processes. We identify key research gaps, propose future directions, and use a representative case to illustrate how generative ML-driven MPC can extend broadly across manufacturing. Taken together, this review positions generative ML not as an incremental add-on but as a transformative approach to reshape predictive control for next-generation manufacturing systems.
• Abstract（参考訳）: 製造プロセスは本質的に動的で不確実であり、パラメータや非線形な振る舞いも様々であり、品質と信頼性を維持するためには堅牢な制御が不可欠である。 従来の制御方法は、その反応性のため、これらの条件下で失敗することが多い。 モデル予測制御(MPC)は、将来の状態を予測し、制御アクションを最適化するためにプロセスモデルを活用する、より高度なフレームワークとして登場した。 しかし、MPCは複雑な力学を捉えるのにしばしば失敗する単純化されたモデルに依存しており、製造環境における不確実性の正確な状態推定と処理に苦慮している。 機械学習(ML)は、非線形ダイナミクスをモデリングし、予測モデリング、状態推定、最適化をサポートする潜在表現を学習することで、MPCを強化するために導入された。 しかし、既存のML駆動型MPCアプローチは決定論的かつ相関性に重点を置いており、生成の探索を動機付けている。 Generative MLは、データ分散を学習し、隠れたパターンをキャプチャし、本質的に不確実性を管理し、MPCを補完することで、新たな機会を提供する。 このレビューでは、予測モデリング、状態推定、最適化を含む5つの代表的な手法を取り上げ、それぞれがMPCコンポーネントにどのように統合されているかを検討する。 これらのケースを合成することにより、生成型MLがMPCを体系的に強化する共通の方法を概説し、多種多様な製造プロセスにおけるその可能性を理解するための枠組みを提供する。 我々は、重要な研究ギャップを特定し、今後の方向性を提案し、ML駆動型MPCが製造全体にわたってどのように拡張できるかを示す代表例を用いる。 本稿では, 次世代製造システムにおける予測制御の転換的アプローチとして, 世代別MLをインクリメンタルアドオンとしてではなく, トランスフォーメーションアプローチとして位置づける。

関連論文リスト

• Generative Machine Learning in Adaptive Control of Dynamic Manufacturing Processes: A Review [0.5060993654070836]
  本稿では、意思決定アプリケーション、プロセスガイダンス、シミュレーション、デジタルツインを通じて、生産制御のための生成機械学習の可能性を示す。 本稿では,生産システムの動的複雑さに対処するために,ジェネレーティブMLと制御技術を組み合わせた統合フレームワークの開発を目的とした今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2025-04-30T22:48:04Z)
• The Lessons of Developing Process Reward Models in Mathematical Reasoning [62.165534879284735]
  Process Reward Models (PRM) は、推論プロセスにおける中間エラーを特定し、緩和することを目的としている。 我々は,モンテカルロ (MC) 推定とLarge Language Models (LLM) を効果的に統合するコンセンサスフィルタリング機構を開発した。 私たちは、既存のオープンソース代替品よりも優れた、最先端のPRMを新たにリリースしています。
  論文  参考訳（メタデータ） (2025-01-13T13:10:16Z)
• Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics [0.615155791092452]
  本稿では,Remaining Useful Life (RUL) 間隔予測のための改良されたガウスプロセス回帰(GPR)モデルを提案する。 修正されたGPRは、過去のデータから学習することで信頼区間を予測し、より構造化された方法で不確実性モデリングに対処する。 現代の製造システムに固有の複雑な時系列パターンや動的挙動を効果的に捉えている。
  論文  参考訳（メタデータ） (2024-11-19T03:00:02Z)
• 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)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)

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。