Versterking leeralgoritme voor automatische optimalisatie van fabrieksoperaties
Yokogawa en Nara Institute of Advanced Science and Technology (NAIST) kondigden de gezamenlijke ontwikkeling aan van een verbeterd learning * -algoritme voor geautomatiseerde optimalisatie van fabrieksoperaties. Reinforcement learning is een basistechnologie op het gebied van kunstmatige intelligentie (AI). De gezamenlijke ontwikkeling van dit algoritme biedt een praktische oplossing om de productiekwaliteit en de output van de fabriek te verbeteren.
Kunstmatige intelligentie en machine learning (ML) zijn een subset van kunstmatige intelligentie. Onlangs wordt verwacht dat het op verschillende gebieden doorbraken in technologische verandering tot stand zal brengen, wat wijdverspreide bezorgdheid heeft gewekt. AI wordt in het echte leven gebruikt, bijvoorbeeld autonome voertuigen en boten. Hoewel ML is opgenomen in de analyse van installatiegegevens, moet het verder worden bestudeerd door bedrijven en academische instellingen voordat het kan worden toegepast op automatiseringscontrole.
In de loop der jaren heeft Yokogawa besturingssystemen voor verschillende industrieën zoals olie, aardgas, chemicaliën, staal, pulp en papier, medicijnen en voedsel geleverd en een grote hoeveelheid technologie en expertise met betrekking tot fabrieksoperaties verworven. NAIST heeft op ML-gebaseerde technologieën onderzocht en ontwikkeld, zoals probabilistisch redeneren en systeemtechnieken, optimalisatiecontrole en versterking van het leren, evenals het ontwikkelen van intelligente robots en systemen die specifieke functies uitvoeren in een dynamische omgeving.
Yokogawa en NAIST hebben met succes een nieuw algoritme ontwikkeld dat Yokogawa's fabrieksbesturingstechnologie en Yokogawa's kennis en expertise van onderlinge afhankelijkheid tussen regelkringen gebruikt om kerndynamische strategieprogrammering (KDPP) en NIST-versterkingsleren te verbeteren. technologie. Traditionele leeralgoritmen voor versterking vereisen een grote hoeveelheid zoekverwerking om een goede controle te garanderen, wat een uitdaging is voor praktische toepassingen. Het nieuw ontwikkelde algoritme vermindert aanzienlijk de hoeveelheid training die moet worden gedaan en is daarom zeer praktisch. Yokogawa en NAIST hebben op de installatiesimulator bevestigd dat door een nieuw algoritme te gebruiken om gelijktijdig vier verschillende kleppen te regelen tijdens het destillatieproces in de vinylacetaatproductiefaciliteit, de optimaliseringsbewerking veel groter is dan mogelijk is met conventionele besturingsalgoritmen of handmatige bewerkingen.
Yokogawa en NAIST zullen een (POC) concepttest uitvoeren in een up-to-date fabrieksomgeving om de betrouwbaarheid van het werkelijke gebruik te bevestigen. Het nieuw ontwikkelde algoritme werd vrijgegeven op de IEEE International Conference on Automation Science and Engineering, gehouden in Duitsland van 20 tot 24 augustus.
Als u een motor voor de voedselverwerkingsprocessor wilt kopen, let dan op de koolborstelmotor.
