Algorithme d'apprentissage par renforcement pour l'optimisation automatique des opérations de l'installation
Yokogawa et l'Institut des sciences et technologies avancées de Nara (NAIST) ont annoncé le développement conjoint d'un algorithme d'apprentissage amélioré * destiné à l'optimisation automatisée des opérations de l'usine. L'apprentissage par renforcement est une technologie de base dans le domaine de l'intelligence artificielle (IA). Le développement conjoint de cet algorithme fournit une solution pratique pour améliorer la qualité et le rendement de la production de l'usine.
L'intelligence artificielle et l'apprentissage automatique (ML) sont un sous-ensemble de l'intelligence artificielle. Récemment, il est prévu de réaliser des avancées technologiques dans divers domaines, ce qui suscite de nombreuses inquiétudes. L'intelligence artificielle est utilisée dans la vie réelle, par exemple dans les véhicules autonomes et les bateaux. Bien que le ML ait été intégré à l'analyse des données d'usine, il doit être étudié de manière plus approfondie par les entreprises et les établissements universitaires avant de pouvoir être appliqué au contrôle d'automatisation.
Au fil des ans, Yokogawa a fourni des systèmes de contrôle pour diverses industries telles que le pétrole, le gaz naturel, les produits chimiques, l’acier, les pâtes et papiers, la médecine et l’alimentation, et a acquis une grande quantité de technologie et d’expertise en matière d’exploitation. NAIST a étudié et développé des technologies basées sur le ML telles que le raisonnement probabiliste et les techniques d'ingénierie des systèmes, le contrôle de l'optimisation et l'apprentissage par renforcement, ainsi que mis au point des robots et des systèmes intelligents remplissant des fonctions spécifiques dans un environnement dynamique.
Yokogawa et NAIST ont développé avec succès un nouvel algorithme utilisant la technologie de contrôle des installations de Yokogawa ainsi que les connaissances et l'expertise de Yokogawa en matière d'interdépendance entre les boucles de contrôle afin d'améliorer la programmation par stratégie dynamique du noyau (KDPP) et l'apprentissage par renforcement NIST. La technologie. Les algorithmes traditionnels d’apprentissage par renforcement nécessitent un grand nombre de traitements de recherche pour assurer un contrôle adéquat, ce qui est un défi pour les applications pratiques. Le nouvel algorithme réduit considérablement la formation nécessaire et est donc extrêmement pratique. Yokogawa et NAIST ont confirmé sur le simulateur d’usine qu’en utilisant un nouvel algorithme pour contrôler simultanément quatre vannes différentes pendant le processus de distillation dans l’usine de production d’acétate de vinyle, l’opération d’optimisation dépasse de loin ce qui est possible avec les algorithmes de contrôle conventionnels ou les opérations manuelles.
Yokogawa et NAIST réaliseront un test de concept (POC) dans un environnement d’usine à jour pour confirmer la fiabilité de l’utilisation réelle. L'algorithme récemment mis au point a été publié à la Conférence internationale IEEE sur les sciences et l'ingénierie de l'automatisation, tenue en Allemagne du 20 au 24 août.
Si vous souhaitez acheter un moteur de processeur de traitement des aliments, veuillez faire attention au moteur à balai de charbon.
