論文の概要: Soft Sensors and Process Control using AI and Dynamic Simulation
- arxiv url: http://arxiv.org/abs/2208.04373v1
- Date: Mon, 8 Aug 2022 19:14:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 13:09:49.240852
- Title: Soft Sensors and Process Control using AI and Dynamic Simulation
- Title（参考訳）: AIと動的シミュレーションを用いたソフトセンサとプロセス制御
- Authors: Shumpei Kubosawa, Takashi Onishi, Yoshimasa Tsuruoka
- Abstract要約: 容易に測定可能な変数からリアルタイムで取得できないプロセス変数を推定するためのソフトセンサが提案されている。
本研究では, 植物の内部状態変数を動的シミュレーターを用いて推定し, 記録されていない状況でも予測できることを示した。
- 参考スコア（独自算出の注目度）: 14.986031916712106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the operation of a chemical plant, product quality must be
consistently maintained, and the production of off-specification products
should be minimized. Accordingly, process variables related to the product
quality, such as the temperature and composition of materials at various parts
of the plant must be measured, and appropriate operations (that is, control)
must be performed based on the measurements. Some process variables, such as
temperature and flow rate, can be measured continuously and instantaneously.
However, other variables, such as composition and viscosity, can only be
obtained through time-consuming analysis after sampling substances from the
plant. Soft sensors have been proposed for estimating process variables that
cannot be obtained in real time from easily measurable variables. However, the
estimation accuracy of conventional statistical soft sensors, which are
constructed from recorded measurements, can be very poor in unrecorded
situations (extrapolation). In this study, we estimate the internal state
variables of a plant by using a dynamic simulator that can estimate and predict
even unrecorded situations on the basis of chemical engineering knowledge and
an artificial intelligence (AI) technology called reinforcement learning, and
propose to use the estimated internal state variables of a plant as soft
sensors. In addition, we describe the prospects for plant operation and control
using such soft sensors and the methodology to obtain the necessary prediction
models (i.e., simulators) for the proposed system.
- Abstract（参考訳）: 化学プラントの運転中は、製品の品質を継続的に維持し、非特定製品の生産を最小化する必要がある。
したがって、プラントの各部分における材料の温度や組成などの製品品質に関連するプロセス変数を計測し、その測定に基づいて適切な操作(すなわち制御)を行う必要がある。
温度や流量などのプロセス変数のいくつかは連続的かつ瞬時に測定できる。
しかし、組成や粘度などの他の変数は、植物から物質をサンプリングした後の時間消費分析によってのみ得られる。
容易に測定可能な変数からリアルタイムで取得できないプロセス変数を推定するためのソフトセンサが提案されている。
しかし、記録された測定から構築された従来の統計ソフトセンサの推定精度は、記録されていない状況では極めて低い(外挿)。
本研究では,化学工学的知識と強化学習と呼ばれる人工知能(ai)技術に基づいて,記録されていない状況でも推定・予測可能な動的シミュレータを用いてプラントの内部状態変数を推定し,植物の内部状態変数をソフトセンサとして利用することを提案する。
さらに,このようなソフトセンサを用いたプラント操作・制御の展望と,提案システムに必要な予測モデル(シミュレータ)を得るための方法論について述べる。
関連論文リスト
- ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Soft Sensing Regression Model: from Sensor to Wafer Metrology
Forecasting [2.8992789044888436]
本研究は,入射検査測定の予測にセンサデータを用いるソフトセンシング回帰の課題に焦点を当てた。
我々はLSTMベースの回帰器を提案し、モデルトレーニングのための2つの損失関数を設計した。
実験により, 複雑な製造工程における各種検査の精度と早期予測が得られた。
論文 参考訳（メタデータ） (2023-01-21T16:54:05Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳（メタデータ） (2022-03-19T07:27:19Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳（メタデータ） (2022-02-23T13:38:31Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Machine Learning-Based Soft Sensors for Vacuum Distillation Unit [5.728037880354686]
製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。
この問題に対処する戦略の1つはソフトセンサーである。
ソフトセンサー(Soft Sensor)は、頻繁な測定特性の予測と予測に使用できるモデルの集合である。
論文 参考訳（メタデータ） (2021-11-19T15:30:43Z) - A Priori Calibration of Transient Kinetics Data via Machine Learning [0.8208704543835964]
生成物反応器の時間解析は、大量の過渡的な運動情報を提供する。
ここでは,物理制約と組み合わされた機械学習技術を用いて,生楽器の信号を化学情報に変換する。
論文 参考訳（メタデータ） (2021-09-27T20:15:28Z) - Incremental learning of LSTM framework for sensor fusion in attitude
estimation [2.064612766965483]
本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。
慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。
提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
論文 参考訳（メタデータ） (2021-08-04T09:03:53Z) - Comprehensive process-molten pool relations modeling using CNN for
wire-feed laser additive manufacturing [14.092644790436635]
ワイヤーフィードレーザー添加剤製造(WLAM)は、高い自動化レベル、高い蒸着率、および印刷部品の高品質のために幅広い関心を集めています。
材料の品質の不確実性を減少させるプロセス内監視とフィードバックコントロールは、開発の初期段階にある。
本稿では,wlamシステム内の一連の制御過程パラメータの下,溶融プールから収集したin situセンシングデータを解析する。
論文 参考訳（メタデータ） (2021-03-22T05:27:20Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
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。