DOI: https://doi.org/10.1016/j.jmsy.2026.04.004
تاريخ النشر: 2026-04-09
المؤلف: Yi-Ping Chen وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث إطار عمل مبتكر للتوأم الرقمي (DT) يهدف إلى تعزيز تطبيق تقنيات التوأم الرقمي في عمليات تشكيل المعادن القائمة على التشوه، لا سيما في سياق تقنية العجلة الإنجليزية. يعالج هذا الإطار التعقيدات المرتبطة بالعلاقات غير الخطية بين مسار الأداة واستجابة المادة من خلال دمج التحليل المتعامد المناسب (POD) لتقليل الأبعاد ومشغل كوبمان لتمثيل النظام غير الخطي في فضاء خطي مرتفع. يسهل هذا الدمج اتخاذ القرارات في الوقت الحقيقي من خلال التحكم التنبؤي بالنموذج (MPC).
لضمان بقاء نموذج التوأم الرقمي مستجيبًا لتغيرات ظروف العملية أو حالات المادة، يقدم البحث خوارزمية المربعات الصغرى التكرارية (RLS) عبر الإنترنت التي تقوم بتحديث معاملات المشغل في الوقت الحقيقي مع الحصول على بيانات التشوه الجديدة. توضح التحقق التجريبي على نظام العجلة الإنجليزية الروبوتية قدرة الإطار على التحكم بفعالية في عملية التشكيل، وتحقيق الأشكال المستهدفة مع التقاط السلوكيات غير الثابتة. تشير النتائج إلى أن هذا الإطار التكيفي للتوأم الرقمي لا يوفر فقط حلاً عمليًا للحالة المحددة لتشكيل المعادن الورقية، ولكنه يقدم أيضًا نهجًا قابلًا للتعميم للتحكم التكيفي والفعال في أنظمة التصنيع غير الخطية، مما يدمج الفيزياء ذات الأبعاد المنخفضة مع المنهجيات المعتمدة على البيانات لتحسين العمليات بشكل مستقل.
مقدمة
تناقش مقدمة ورقة البحث الإمكانات التحويلية لتقنية التوأم الرقمي (DT) عبر مختلف الصناعات، لا سيما في المراقبة واتخاذ القرارات في الوقت الحقيقي. من خلال إنشاء نسخة افتراضية من الأنظمة الفيزيائية، تسهل التوائم الرقمية المحاكاة في السيليكو وتحسين استراتيجيات التحكم من خلال طرق مثل التحكم التنبؤي بالنموذج (MPC) والتعلم المعزز (RL). تؤكد الورقة على التحديات التي تواجه تطبيق التعلم الآلي (ML) على عمليات التصنيع المعقدة، مثل تشكيل المعادن الورقية، حيث تكون تكلفة الحصول على البيانات مرتفعة، وديناميات النظام مرتبطة بشدة وغير خطية.
يبرز المؤلفون أهمية تقنية تشكيل العجلة الإنجليزية، التي تعتمد تقليديًا على الحرفيين المهرة لإجراء التعديلات اليدوية. مع زيادة الطلب على التصنيع المرن، هناك حاجة ملحة لرقمنة هذه العملية. تقترح الورقة إطار عمل جديد للتوأم الرقمي يدمج التحليل المتعامد المناسب (POD) ومشغل كوبمان العميق لالتقاط الديناميات المكانية الزمنية لتشوه المعادن الورقية. يهدف هذا الإطار إلى تمكين توليد مسار الأداة في الوقت الحقيقي من خلال مزيج من النمذجة الخطية وMPC المقيد، مدعومًا بآلية تحديث النموذج عبر الإنترنت للتكيف مع تباين المواد. يتم التحقق من النهج المقترح من خلال تجارب مع نظام العجلة الإنجليزية الروبوتية، مما يظهر فعاليته في تحقيق الأشكال المرغوبة بشكل مستقل.
طرق
يستخدم البحث نظام العجلة الإنجليزية الروبوتية المتكامل لتصنيع شريط رقيق منحني من قطع الفولاذ المقاوم للصدأ 316L، بأبعاد 30.48 مم × 7.62 مم × 0.06 مم. تتضمن عملية التصنيع روبوت UR يقوم بتحريك الورقة في مستوى $y-z$ عبر مقبض مرن يطبق القوة عند نقطتي اتصال بالقرب من حواف الورقة. يتم تعريف مسار الأداة من خلال الإزاحات المحددة لـ $y$ و$z$ لأداة الروبوت النهائية. يتكون كل دورة تشكيل من حركة كاملة للأمام والعودة للمقبض، مع التقاط بيانات التشوه باستخدام نظام تتبع Vicon بعد كل دورة لضمان تمثيل دقيق لاستعادة مرونة الورقة.
تشمل الإعدادات التجريبية ثمانية أجهزة تتبع Vicon مثبتة على الورقة لمراقبة التشوه، مع علامات إضافية على المقبض والروبوت لتتبع حركة الأداة. يمثل متجه حالة النظام، $x_k \in \mathbb{R}^{n_x \times 1}$، الإزاحات المقاسة خارج المستوى للورقة بعد الدورة $k$-th للتشكيل، بينما يعرف مدخل التحكم، $u_k \in \mathbb{R}^{n_u \times 1}$، المسار المطلوب للمقبض. يجد البحث أن الحد الأقصى لخطأ النسخ عند الطرف الحر للقطعة هو ضمن ±1.5 مم، مما يشير إلى درجة عالية من تكرار العملية. سيتم مناقشة مزيد من التفاصيل حول أخذ العينات والنمذجة وتصميم التحكم في الأقسام التالية.
مناقشة
تتناول قسم المناقشة في ورقة البحث تطبيق نظرية مشغل كوبمان ودمجها مع التحكم التنبؤي بالنموذج (MPC) للأنظمة الديناميكية غير الخطية، لا سيما في سياق عمليات تشكيل المعادن الورقية. يسمح مشغل كوبمان بتمثيل الديناميات غير الخطية في إطار خطي من خلال رفع حالات النظام إلى فضاء غير محدود الأبعاد من الدوال القابلة للملاحظة. يسهل هذا التحويل استخدام أدوات التحليل الخطية، مما يمكّن استراتيجيات التحكم الفعالة من خلال تحديد الملاحظات المناسبة. يوسع دمج مدخلات التحكم في إطار كوبمان من قابليته للتطبيق، مما يسمح بصياغة نماذج خطية في فضاء الحالة يمكن تحليلها والتحكم فيها باستخدام تقنيات التحكم الخطية المعروفة.
بالإضافة إلى ذلك، يناقش القسم أهمية طرق تقليل الأبعاد، مثل التحليل المتعامد المناسب (POD) وتحليل متعددات الحدود تشيبيشيف، في تعزيز كفاءة تحديد النظام والنمذجة. يساعد POD في استخراج الميزات المكانية السائدة من البيانات عالية الأبعاد، بينما تضمن متعددات الحدود تشيبيشيف سلاسة في المسارات المعاد بناؤها، وهو أمر حاسم للتطبيقات التي تتطلب حركة مستمرة. يستفيد إطار مشغل كوبمان العميق القائم على POD من هذه التقنيات لتعلم الديناميات الأساسية للنظام، مما يسهل اتخاذ القرارات في الوقت الحقيقي من خلال MPC. تظهر نتائج التحقق من النموذج فعالية النهج، مع دقة تنبؤية قوية واستقرار عبر دورات تشكيل متعددة، مما يبرز إمكاناته للتطبيقات العملية في الأنظمة الديناميكية.
DOI: https://doi.org/10.1016/j.jmsy.2026.04.004
Publication Date: 2026-04-09
Author(s): Yi-Ping Chen et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research presents an innovative adaptive Digital Twin (DT) framework aimed at enhancing the application of DT technologies in deformation-based metal forming processes, particularly in the context of the English wheel technique. This framework addresses the complexities associated with the nonlinear relationships between toolpath and material response by integrating Proper Orthogonal Decomposition (POD) for dimensionality reduction and a Koopman operator to represent the nonlinear system in a linear lifted space. This integration facilitates real-time decision-making through model predictive control (MPC).
To ensure the DT model remains responsive to changing process conditions or material states, the study introduces an online Recursive Least Squares (RLS) algorithm that updates the operator coefficients in real time as new deformation data is acquired. Experimental validation on a robotic English Wheel system demonstrates the framework’s capability to effectively control the forming process, achieving target shapes while capturing non-stationary behaviors. The findings suggest that this adaptive DT framework not only provides a practical solution for the specific case of sheet metal forming but also offers a generalizable approach for the adaptive and efficient control of nonlinear manufacturing systems, merging reduced-order physics with data-driven methodologies for autonomous process optimization.
Introduction
The introduction of the research paper discusses the transformative potential of Digital Twin (DT) technology across various industries, particularly in real-time monitoring and decision-making. By creating a virtual replica of physical systems, DTs facilitate in silico simulations and the optimization of control strategies through methods like model predictive control (MPC) and reinforcement learning (RL). The paper emphasizes the challenges faced in applying machine learning (ML) to complex manufacturing processes, such as sheet metal forming, where data acquisition is costly, and system dynamics are highly coupled and nonlinear.
The authors highlight the significance of the English wheel forming technique, which is traditionally reliant on skilled artisans for manual adjustments. As the demand for flexible manufacturing increases, there is a pressing need to digitalize this process. The paper proposes a novel DT framework that integrates Proper Orthogonal Decomposition (POD) and a deep Koopman operator to capture the spatial-temporal dynamics of sheet metal deformation. This framework aims to enable real-time toolpath generation through a combination of linear modeling and constrained MPC, supplemented by an online model updating mechanism to adapt to material variability. The proposed approach is validated through experiments with a robotic English wheel system, showcasing its effectiveness in achieving desired geometries autonomously.
Methods
The research employs an integrated robotic English wheel system to manufacture a curved thin strip from 316L stainless steel blanks, measuring 30.48 mm × 7.62 mm × 0.06 mm. The manufacturing process involves a UR robot actuating the sheet in the $y-z$ plane via a compliant gripper that applies force at two contact points near the edges of the sheet. The toolpath is defined by the prescribed $y$ and $z$ displacements of the robot’s end-effector. Each forming cycle consists of a complete forward and return motion of the gripper, with deformation data captured using a Vicon tracking system after each cycle to ensure accurate representation of the sheet’s elastic recovery.
The experimental setup includes eight Vicon trackers affixed to the sheet to monitor deformation, with additional markers on the gripper and robot to track tool motion. The system state vector, $x_k \in \mathbb{R}^{n_x \times 1}$, represents the measured out-of-plane displacements of the sheet after the $k$-th forming cycle, while the control input, $u_k \in \mathbb{R}^{n_u \times 1}$, defines the commanded trajectory for the gripper. The study finds that the maximum replication error at the free end of the coupon is within ±1.5 mm, indicating a high degree of process repeatability. Further details on sampling, modeling, and control design will be discussed in subsequent sections.
Discussion
The discussion section of the research paper elaborates on the application of the Koopman operator theory and its integration with Model Predictive Control (MPC) for nonlinear dynamical systems, particularly in the context of sheet metal forming processes. The Koopman operator allows for the representation of nonlinear dynamics in a linear framework by lifting system states into an infinite-dimensional space of observable functions. This transformation facilitates the use of linear analysis tools, enabling effective control strategies through the identification of appropriate observables. The incorporation of control inputs into the Koopman framework extends its applicability, allowing for the formulation of linear state-space models that can be analyzed and controlled using established linear control techniques.
Additionally, the section discusses the significance of dimensionality reduction methods, such as Proper Orthogonal Decomposition (POD) and Chebyshev polynomial decomposition, in enhancing the efficiency of system identification and modeling. POD aids in extracting dominant spatial features from high-dimensional data, while Chebyshev polynomials ensure smoothness in reconstructed trajectories, which is crucial for applications requiring continuous motion. The proposed POD-based deep Koopman operator framework leverages these techniques to learn the underlying dynamics of the system, facilitating real-time decision-making through MPC. The model validation results demonstrate the effectiveness of the approach, with strong predictive accuracy and stability across multiple forming cycles, underscoring its potential for practical applications in dynamic systems.