Die Forschung zeigt, wie Physics-Guided Neural Networks (PGNNs) physikalisches Grundlagenwissen mit maschinellem Lernen kombinieren können, um eine hochgenaue Vorsteuerung zu erreichen und gleichzeitig die für anspruchsvolle industrielle Anwendungen erforderliche Stabilität und Vorhersagbarkeit zu gewährleisten.
IBS Precision Engineering war von Beginn an an der Forschung beteiligt, mit einem starken Fokus auf die praktische Anwendung. Ziel war es nicht nur, die Regelungstheorie weiterzuentwickeln, sondern sicherzustellen, dass der Ansatz letztendlich in realen Maschinen eingesetzt werden kann, um deren Bewegungsperformance zu verbessern.
Um die Lücke zwischen Theorie und Praxis zu schließen, wurden verschiedene Versuchsaufbauten entwickelt und umfassend getestet, einschließlich der Validierung an realer Maschinenhardware. Diese praktische Arbeit half dabei, den Regelungsansatz unter realistischen Betriebsbedingungen zu bewerten und weiter zu optimieren.
Für ultrapräzise Bewegungssysteme ist dies besonders relevant. Maschinelles Lernen kann komplexes Verhalten erfassen, das sich mit konventionellen physikalischen Modellen nur schwer präzise abbilden lässt. Der Einsatz in industriellen Regelungssystemen erfordert jedoch Vertrauen in das Verhalten des Systems. Durch die Integration physikalischen Wissens in den Lernansatz und die Gewährleistung von Stabilität leistet die Forschung einen wichtigen Beitrag dazu, maschinelles Lernen mit Vertrauen in der ultrapräzisen Bewegungsregelung einzusetzen.
Die Forschungsarbeit vereint die Expertise von IBS Precision Engineering, ASML, Canon Production Printing und der Technischen Universität Eindhoven.
Die Autoren der ausgezeichneten Forschungsarbeit sind:
• Max Bolderman, IBS Precision Engineering
• Hans Butler, ASML
• Sjirk Koekebakker, Canon Production Printing
• Eelco van Horssen, ASML
• Ramidin Kamidi, ASML
• Theresa Burke, IBS Precision Engineering
• Nard Strijbosch, IBS Precision Engineering
• Mircea Lazar, Eindhoven University of Technology
Wir danken der International Federation of Automatic Control (IFAC), Elsevier und dem Redaktionsteam von Control Engineering Practice für diese Auszeichnung. Der Preis bestärkt uns darin, fortschrittliche Forschung im Bereich der Regelungstechnik weiterhin in praktische Technologien für die nächste Generation ultrapräziser Bewegungssysteme zu überführen.
Ausgezeichnete Forschungsarbeit lesen (online)
Physics-guided neural networks for feedforward control with input-to-state-stability guarantees
Mehr über unsere PGNN-Forschung erfahren (PDF)
Physics-Guided Neural Networks for Feedforward Control: with application to an industrial linear motor