Surrogate Model–Aided Digital Twins for Multi-Coupling Control Process Parameter Optimization

Xiaohan Wei

doi:10.1016/j.asoc.2026.116422

Surrogate Model–Aided Digital Twins for Multi-Coupling Control Process Parameter Optimization

2026-09-12

0

PRE

AI

DOI：10.1016/j.asoc.2026.116422

原文链接

原文求助

摘要

En 中文

在工业控制中，参数优化涉及多个耦合的系统属性，对于提升生产效率和质量至关重要。传统方法通常依赖物理模型进行参数优化，但这往往成本高昂、存在安全风险且计算复杂度大。为解决这些挑战，我们提出了一种基于代理模型的数字孪生（SMADT）框架，该框架包含基于有限元方法的物理模型和Transformer-卷积神经网络（Transformer-CNN）代理模型，以精确逼近物理模型的逆映射。其关键创新在于，该逆代理模型支持单次优化，可直接输出目标条件下的最优控制参数，无需迭代模拟。此外，通过比较有限元仿真输出与实际数据，可实时识别物理模型参数。我们将在电子制造中的回流焊工艺作为多耦合参数优化的代表性案例，实现了SMADT。实验结果表明，代理模型在两阶段逆映射学习中表现出高保真度：从工艺指标预测完整温度曲线时，平均相对误差（MRE）为1.10%；从曲线形状解码控制参数时，MRE为0.64%。集成流程在有限数据下实现平均控制参数MRE为1.73%。这种代理模型驱动的策略为多耦合工业控制系统的实时优化提供了高效可靠的解决方案。

Surrogate Model–Aided Digital Twins for Multi-Coupling Control Process Parameter Optimization

摘要

期刊

机构

引用论文