Armering læring algoritme for automatisk optimalisering av anlegget operasjoner
Yokogawa og Nara Institutt for avansert vitenskap og teknologi (NAIST) kunngjorde felles utviklingen av et forbedret læring * algoritme for automatisert optimalisering av anlegget operasjoner. Forsterkende læring er en grunnleggende teknologi innen kunstig intelligens (AI). Felles utvikling av denne algoritmen gir en praktisk løsning for å forbedre produksjonskvalitet og produksjon av fabrikken.
Kunstig intelligens og maskinen læring (ML) er et delsett av kunstig intelligens. Nylig er det forventet å oppnå gjennombrudd i teknologisk endring i ulike felt, som har vekket bekymringen. AI brukes i virkeligheten, for eksempel autonome biler og båter. Selv om ML er satt i anlegget dataanalyse, må videre vi av selskaper og akademiske institusjoner før det kan brukes til automatisk administrere.
Gjennom årene, Yokogawa har gitt kontrollsystemer for ulike bransjer som olje, naturgass, kjemikalier, stål, cellulose og papir, medisin og mat, og har fått en stor mengde teknologi og kompetanse knyttet til plante operasjoner. NAIST har vært forsker og utvikle ML-baserte teknologier som sannsynlig resonnement og systemutvikling teknikker, optimalisering kontroll og Armering læring, samt utvikle intelligent roboter og systemer som utfører bestemte funksjoner i et dynamisk miljø.
Yokogawa og NAIST har utviklet en ny algoritme som bruker Yokogawas anlegget kontroll teknologi og Yokogawas kunnskap og kompetanse av avhengighet mellom sløyfer å forbedre kjernen dynamisk strategi programmering (KDPP) og NIST Forsterkende læring. teknologi. Tradisjonelle forsterkende læring algoritmer krever mye søke behandling for å sikre riktig kontroll, som er en utfordring for praktiske anvendelser. Nyutviklet algoritmen betydelig reduserer mengden av trening som må gjøres og er derfor meget praktisk. Yokogawa og NAIST har bekreftet på anlegget simulator at ved hjelp av en ny algoritme samtidig kontrollere fire ulike ventiler under destillasjon prosessen på vinyl acetate fabrikken, optimalisering operasjonen overstiger langt hva som er mulig med konvensjonelle kontroll algoritmer eller manuell operasjoner.
Yokogawa og NAIST vil gjennomføre en (POC) konseptet test i en oppdatert fabrikkmiljø å bekrefte påliteligheten av faktisk bruk. Nyutviklet algoritmen ble utgitt på IEEE International Conference on automatisering vitenskap og Engineering i Tyskland fra 20 August til 24.
Hvis du ønsker å kjøpe en matfag prosessor motor, vennligst ta hensyn til karbon pensel motor.
