基于强化学习与对抗学习整合物理模型与数据驱动模型的智能制造方法

《Engineering》:Integrating Physics-Based and Data-Driven Models Using Reinforcement Learning and Adversarial Learning for Intelligent Manufacturing

【字体: 大 中 小 】 时间:2026年02月12日 来源:Engineering 12.2

编辑推荐:

  混合模型(Hybrid Model)整合了基于物理的(Physics-Based, PB)和数据驱动的(Data-Driven, DD)方法,在智能制造领域受到越来越多的关注。为应对静态混合模型动态适应性有限以及传统残差学习难以处理未建模动力学(Unmodel

  
混合模型(Hybrid Model)整合了基于物理的(Physics-Based, PB)和数据驱动的(Data-Driven, DD)方法,在智能制造领域受到越来越多的关注。为应对静态混合模型动态适应性有限以及传统残差学习难以处理未建模动力学(Unmodeled Dynamics)的双重挑战,研究人员提出了一种基于强化学习(Reinforcement Learning, RL)和对抗学习(Adversarial Learning, AL)的PB-DD混合模型,即RA-PBDD。该模型不同于以DD为中心的混合方法(常受限于训练数据代表性不足)以及以PB为中心的混合方法(因模型不完整性而面临挑战)。RL被用于PB模型的一次性参数辨识,克服了传统逐步技术的局限性。研究人员还提出了一种基于AL的神经网络残差价值模型,通过迭代优化实现了比标准学习方法更高的精度。此外,研究人员从状态空间(State-Space)视角分析了PB、DD及混合PB-DD模型的工作原理,这一独特视角有助于系统性地审视和对比这些模型类型的特征。通过一个机床进给系统的案例验证了RA-PBDD的有效性。结果表明,RA-PBDD在预测精度和泛化精度上均优于单独的PB、DD模型以及其他两种混合模型。具体而言,其预测精度从15.4 μm提升至4.2 μm,提高了73%;加工精度从15.2 μm提升至8.1 μm,提高了46.7%。
**论文解读:基于强化学习与对抗学习的物理-数据混合模型在智能制造中的应用**

**研究背景与问题**
在智能制造中,建模是实现系统优化(涵盖设计、制造和服务全生命周期)的核心技术。物理模型(PB模型)基于物理定律构建,具有强泛化能力,但因高非线性和复杂影响因素,存在模型结构不完整和参数辨识不准的问题,导致建模误差。数据驱动模型(DD模型)依赖人工智能算法,能通过数据学习不确定性,但需要大量高质量数据,且泛化能力受限于训练数据覆盖范围。纯PB和DD模型各自存在瓶颈,而混合模型(Hybrid PB-DD)旨在融合两者的优势:一方面利用PB模型的物理知识和泛化能力,另一方面借助DD模型的自适应学习能力弥补未建模动态。然而,现有混合模型面临双重挑战:静态混合模型的动态适应性不足,以及传统残差学习难以有效处理未建模动态。为此,研究人员提出了基于强化学习(RL)和对抗学习(AL)的PB-DD混合模型RA-PBDD,以提升预测精度和泛化能力,论文发表在《Engineering》。

**研究内容与结论**
研究人员通过机床进给系统案例验证了RA-PBDD的有效性。结果表明,该模型在预测精度和泛化精度上均优于单独的PB模型、DD模型及两种现有混合模型(NAR-LSTM和DDM)。具体而言,预测精度从15.4 μm提升至4.2 μm(提高73%),加工精度从15.2 μm提升至8.1 μm(提高46.7%)。该研究为智能制造中的动态误差预测、补偿和模型适应性提供了新范式,具有广泛的应用前景,如工艺参数优化、热误差补偿和预测性维护。

**关键方法**
研究人员采用了以下主要技术方法:
1. **基于强化学习(RL)的参数辨识混合模型**:将RL与PB模型结合,实现一次性参数辨识。通过定义状态空间(待辨识参数向量)和动作空间(参数调整量),设计奖励函数(基于PB模型仿真误差的倒数),并采用近端策略优化(PPO)算法优化策略,高效完成参数辨识。
2. **基于对抗学习(AL)的残差混合模型**:在PB模型输出基础上,构建残差神经网络模型(六层全连接网络,输入为98维特征,包括命令信号和PB模型仿真信号),以实际响应与PB模型预测的差值作为训练标签。通过AL中的不确定性采样策略迭代优化残差模型,提升局部精度。
3. **状态空间分析**:从状态空间视角对比PB、DD及混合模型,揭示混合模型通过融合PB模型的结构约束和DD模型的局部拟合能力,在数据采集区域及其邻域内实现更优的拟合与泛化。
实验样本来自华中科技大学HMC-200i智能高速数控机床,配备二维平面光栅采集工作台位移数据。

**研究结果**
**1. 参数辨识方法对比**
通过对比传统逐步辨识法与RL一次性辨识法,发现RL方法显著缩短建模时间(从65分钟降至20分钟),且预测精度更高(RL优化的PB模型位移预测误差PEmax为15.73 μm,优于PSO方法的19.03 μm)。
**2. 对抗学习有效性验证**
在单轴预测中,应用递归误差注入机制后,RA-PBDD的预测误差从2.8–4.1 μm降至2.1–3.9 μm,证明AL可有效减小预测偏差。
**3. PB、DD与RA-PBDD模型对比**
- **预测精度**:RA-PBDD模型在正弦波测试集上PEmax为7.40 μm,PEmean为2.62 μm,远优于PB(26.47 μm, 15.98 μm)和DD(22.78 μm, 9.40 μm)。
- **建模效率**:RA-PBDD仅需280,086个样本点,而DD模型需560,377个;PB模型样本量最小(6,800个),但精度最低。
- **泛化精度**:在泛化集上,RA-PBDD的PEmax为12.62 μm,PEmean为3.59 μm,优于PB(31.40 μm, 21.44 μm)和DD(62.36 μm, 23.02 μm)。
**4. 混合模型对比**
与NAR-LSTM和DDM两种混合模型相比,RA-PBDD在不同进给速率下的轮廓误差预测范围更窄(2.1–3.9 μm),优于DDM(4.6–6.0 μm)和NAR-LSTM(2.9–4.7 μm)。
**5. RA-PBDD模型应用效果**
- 基于RL参数辨识的PB模型预测轮廓误差为15.4 μm,效率提升。
- 加入残差模型后,RA-PBDD预测误差降至4.2 μm(RMSE从14.5 μm降至3.4 μm,R2从0.55升至0.95)。
- 实际补偿后,圆轮廓误差从15.2 μm降至8.1 μm(RMSE从19.5 μm降至6.4 μm,R2从0.25升至0.84),加工精度提升46.7%。

**总结与讨论**
研究结论部分总结了RA-PBDD模型的核心贡献:提出了一种结合RL参数辨识和AL残差建模的混合范式,在机床进给系统上验证了其预测和泛化性能的优越性,实现了73%的预测精度提升和46.7%的加工精度提升。该模型通过在线自适应机制确保长期适用性,并借助数字孪生实现闭环优化,增强制造韧性、提高资源效率,推动可持续智能制造转型。研究同时指出当前局限性:当物理系统状态变化或工况大幅改变时,预测和泛化精度会下降。未来工作将开发动态在线适应机制,使模型能持续自我更新以应对环境变化,保持高性能和鲁棒性。RA-PBDD作为一种基本范式,可推广至机器人控制、流程工业等领域,覆盖智能制造全生命周期(设计、运行、维护)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号