論文の概要: Using Deep Reinforcement Learning for Zero Defect Smart Forging
- arxiv url: http://arxiv.org/abs/2201.10268v1
- Date: Tue, 25 Jan 2022 12:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 14:30:04.749025
- Title: Using Deep Reinforcement Learning for Zero Defect Smart Forging
- Title（参考訳）: 欠陥なしスマート鍛造におけるDeep Reinforcement Learningの利用
- Authors: Yunpeng Ma, Andreas Kassler, Bestoun S. Ahmed, Pavel Krakhmalev,
Andreas Thore, Arash Toyser, and Hans Lindback
- Abstract要約: 生産中の欠陥は、多くの企業にとって重要な課題である材料廃棄物につながる可能性がある。
我々は,鍛造ラインの加熱工程に対するディジタルツインベース最適化戦略を開発した。
鍛造ラインのディジタルツインを用いて2種類の異なる深部強化学習モデル(DRL)を加熱フェーズで訓練する。
- 参考スコア（独自算出の注目度）: 1.8850703648880445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Defects during production may lead to material waste, which is a significant
challenge for many companies as it reduces revenue and negatively impacts
sustainability and the environment. An essential reason for material waste is a
low degree of automation, especially in industries that currently have a low
degree of digitalization, such as steel forging. Those industries typically
rely on heavy and old machinery such as large induction ovens that are mostly
controlled manually or using well-known recipes created by experts. However,
standard recipes may fail when unforeseen events happen, such as an unplanned
stop in production, which may lead to overheating and thus material degradation
during the forging process. In this paper, we develop a digital twin-based
optimization strategy for the heating process for a forging line to automate
the development of an optimal control policy that adjusts the power for the
heating coils in an induction oven based on temperature data observed from
pyrometers. We design a digital twin-based deep reinforcement learning (DTRL)
framework and train two different deep reinforcement learning (DRL) models for
the heating phase using a digital twin of the forging line. The twin is based
on a simulator that contains a heating transfer and movement model, which is
used as an environment for the DRL training. Our evaluation shows that both
models significantly reduce the temperature unevenness and can help to automate
the traditional heating process.
- Abstract（参考訳）: 生産中の欠陥は、多くの企業にとって重要な課題であり、収益を減らし、持続可能性や環境に悪影響を及ぼす。
材料廃棄物の本質的な理由は、特に鉄鋼鍛造のようなデジタル化の低い産業において、自動化の度合いが低いことである。
これらの産業は、主に手動で制御される大きな誘導オーブンや、専門家が作り出した有名なレシピなど、重くて古い機械に依存している。
しかしながら、標準的なレシピは、計画外の生産停止のような予期せぬ事象が発生した場合に失敗する可能性があるため、鍛造プロセス中に過熱し、物質劣化を引き起こす可能性がある。
本稿では, ピロメーターから観測された温度データに基づいて, 誘導オーブン内の加熱コイルの電力を調節する最適制御ポリシの開発を自動化するために, 鍛造ラインの加熱工程をディジタルツインベースで最適化する手法を開発する。
我々は,デジタル双対型深部強化学習(DTRL)フレームワークを設計し,鍛造ラインのディジタル双対を用いて加熱相のための2種類の異なる深部強化学習(DRL)モデルを訓練する。
この双子は、DRLトレーニングの環境として使用される熱伝達と運動モデルを含むシミュレーターに基づいている。
両モデルとも温度ムラを大幅に低減し,従来の加熱プロセスの自動化に有効であることを示す。
関連論文リスト
- Coverage Path Planning for Thermal Interface Materials [0.847088146310243]
パワーエレクトロニクスと電子制御ユニットの熱管理は、電力密度の増加と限られた組立スペースの時において不可欠である。
完全に自動化された最適化手法を提案するが、これは現在の手動経路計画よりも明らかに優れている。
本報告では, 自動車シリーズ生産における実製品について, 実車シリーズ製造装置の実験的検証を含む, 複数の実製品について結果を示す。
論文 参考訳（メタデータ） (2024-05-22T10:14:47Z) - Application of Zone Method based Physics-Informed Neural Networks in
Reheating Furnaces [25.031487600209346]
ファウンデーション・インダストリーズ(FIs)はガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などを構成する。
FIの製造チェーン内の再加熱炉はエネルギー集約的である。
再加熱炉の地下温度の正確なリアルタイム予測は、全体の加熱時間を短縮する可能性がある。
本稿では,新しいエネルギーベース正規化器を用いた物理知識を取り入れた物理インフォームドニューラルネットワーク(PINN)を提案する。
論文 参考訳（メタデータ） (2023-08-30T15:26:35Z) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T20:30:55Z) - Computational Discovery of Energy-Efficient Heat Treatment for
Microstructure Design using Deep Reinforcement Learning [0.0]
Deep Reinforcement Learning (DRL) は、自律的に最適化され、カスタマイズされた熱処理プロセスを開発するために使用される。
DRLはデータのみからの静的ニューラルネットワークトレーニングに頼るのではなく、学習エージェントが自律的に最適なソリューションを開発する。
論文 参考訳（メタデータ） (2022-09-22T18:07:16Z) - Physics-based Digital Twins for Autonomous Thermal Food Processing:
Efficient, Non-intrusive Reduced-order Modeling [0.0]
本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。
ROM試験におけるトレーニングデータの表面温度の標準偏差と低根平均二乗誤差との相関は、トレーニングデータの効率的な選択を可能にする。
論文 参考訳（メタデータ） (2022-09-07T10:58:38Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Towards Optimal District Heating Temperature Control in China with Deep
Reinforcement Learning [0.0]
室内温度を予測するために,シミュレーションデータに基づくリカレントニューラルネットワークを構築した。
このモデルは、供給水温の最適制御のために、2つのDRLエージェントを専門家の指導なしに訓練するために使用される。
論文 参考訳（メタデータ） (2020-12-17T11:16:08Z) - Controlling Rayleigh-B\'enard convection via Reinforcement Learning [62.997667081978825]
固定外熱勾配下での対流熱交換を抑制または促進するための効果的な制御戦略の同定は、重要な基本的かつ技術的問題である。
本研究では,最先端の強化学習(RL)アルゴリズムに基づく新しい手法を提案する。
我々のRL制御は導電系を安定させ、対流の開始をレイリー数にすることができることを示す。
論文 参考訳（メタデータ） (2020-03-31T16:39:25Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。