課題
プロセス最適化
組織に蓄積される情報の量、種類、スピードは著しく増加しています。 それに伴い、機械学習の適用分野もますます広範囲に広がってきています。 このような状況下で、Neural Designerは、エンジニアリングや産業の分野で数々の成功を収めています。 それらの分野での機械学習の適用例は無数にあり、ますます多くの情報がシステムやプロセスからリアルタイムで収集されています。 ここでは、Neural Designerがプロセス最適化にどのように役立つかをご紹介します。
システムの挙動を追跡することで、その挙動を予測しパフォーマンスを向上させることができます。 しかし、プロセスのパフォーマンスは多くの変数/要因に依存する場合があります。 そのため、これらすべての要因を効率的に解明するためには、Neural Designerのような洗練された手法やツールが必要になります。
データセット
データセットは、システムやプロセスから得た測定値です。
- 状態変数
- 制御変数
- 性能変数
状態変数
状態変数とは、システムの性能を決定する入力であり、人が設定できるものではありません。 例としては
- 複合発電所周囲の温度
- 海水脱塩プラントの水の塩分濃度
制御変数
制御変数とは、システムの性能を決定する入力であり、人が設定できるものです。
- 航空機の速度
- 炉内の空気の流れ度
性能変数
性能変数は、システムの出力であり、状態変数と制御変数に依存します。 性能の最適化では、
- プロセス効率
- エネルギー消費量
- ガス排出量
- 騒音レベル
モデル
プロセス最適化におけるモデルとは、予想されるすべての入力に対する物理システムの応答を適切に予測する数学的表現です。 具体的には、性能変数:zと状態変数:x、制御変数:yとの関係を指します。
ニューラルネットワークは、データセットから多次元の非線形関数を近似するアルゴリズムです。
ニューラルネットワークへの入力には、状態変数と制御変数が含まれています。
ニューラルネットワークからの出力は、その入力に対するシステムの性能変数の予測値です。
最適化
最適化アルゴリズムの目的は、数理モデルを活用して最適な動作条件を探すことです。 実際，予測モデルを用いてさまざまな動作をシミュレートし、制御変数を調整して効率を向上させることができます。 具体的には、プロセス最適化は次のように定式化できます。
与えられた状態変数に対して、
性能変数を最小または最大にする
制御変数を決定する
次の図は、最適化プロセスを示しています。
このように、ある状態sに対して、制御値c*は性能を最小化することがわかります。
例えば、航空機の速度を所望の値に維持しながら、燃料消費量を最小にするという問題があります。
まとめ
機械学習は、システムの性能を予測するための強力な手法です。 それにより、さまざまな動作をシミュレーションし、制御変数を調整してプロセス効率を向上させることができます。
Neural Designerは、ニューラルネットワークを使用してシステムの動作をモデル化します。 また、制御変数を微調整して性能を最適化するための最適化アルゴリズムも含まれています。 Neural Designerによるプロセス最適化の例としては、プロセス効率の向上やエネルギー消費量の削減などがあります。