Algoritma pembelajaran penguatan untuk optimasi otomatis operasi pabrik
Yokogawa dan Nara Institute of Advanced Science and Technology (NAIST) mengumumkan pengembangan bersama dari algoritma pembelajaran * yang disempurnakan untuk optimalisasi operasi pabrik secara otomatis. Pembelajaran penguatan adalah teknologi dasar di bidang kecerdasan buatan (AI). Pengembangan bersama dari algoritma ini memberikan solusi praktis untuk meningkatkan kualitas produksi dan output pabrik.
Kecerdasan buatan dan pembelajaran mesin (ML) adalah bagian dari kecerdasan buatan. Baru-baru ini, diharapkan untuk mencapai terobosan dalam perubahan teknologi di berbagai bidang, yang telah menimbulkan kekhawatiran luas. AI digunakan dalam kehidupan nyata, misalnya, kendaraan dan perahu otonom. Meskipun ML telah dimasukkan ke dalam analisis data pabrik, itu harus dipelajari lebih lanjut oleh perusahaan dan lembaga akademik sebelum dapat diterapkan pada kontrol otomatisasi.
Selama bertahun-tahun, Yokogawa telah menyediakan sistem kontrol untuk berbagai industri seperti minyak, gas alam, bahan kimia, baja, pulp dan kertas, obat-obatan dan makanan, dan telah memperoleh sejumlah besar teknologi dan keahlian yang terkait dengan operasi pabrik. NAIST telah meneliti dan mengembangkan teknologi berbasis ML seperti penalaran probabilistik dan teknik rekayasa sistem, kontrol optimasi dan pembelajaran penguatan, serta mengembangkan robot cerdas dan sistem yang melakukan fungsi tertentu dalam lingkungan yang dinamis.
Yokogawa dan NAIST telah berhasil mengembangkan algoritma baru yang menggunakan teknologi kontrol pabrik Yokogawa dan pengetahuan dan keahlian Yokogawa tentang saling ketergantungan antara loop kontrol untuk meningkatkan pemrograman strategi kernel inti (KDPP) dan pembelajaran penguatan NIST. teknologi. Algoritma pembelajaran penguatan tradisional membutuhkan sejumlah besar pemrosesan pencarian untuk memastikan kontrol yang tepat, yang merupakan tantangan untuk aplikasi praktis. Algoritma yang baru dikembangkan secara signifikan mengurangi jumlah pelatihan yang harus dilakukan dan karenanya sangat praktis. Yokogawa dan NAIST telah mengkonfirmasi pada simulator pabrik bahwa dengan menggunakan algoritma baru untuk secara bersamaan mengontrol empat katup yang berbeda selama proses distilasi di pabrik produksi vinil asetat, operasi optimasi jauh melebihi apa yang mungkin dengan algoritma kontrol konvensional atau operasi manual.
Yokogawa dan NAIST akan melakukan uji konsep (POC) di lingkungan pabrik terbaru untuk mengkonfirmasi keandalan penggunaan aktual. Algoritma yang baru dikembangkan dirilis pada Konferensi Internasional IEEE tentang Ilmu dan Teknik Otomasi yang diadakan di Jerman dari 20 hingga 24 Agustus.
Jika Anda ingin membeli motor pengolah makanan, harap perhatikan motor sikat karbon.
