Learning Actionable World Models for Industrial Process Control

要約

（パッシブ）プロセスモニタリングからアクティブプロセス制御に移行するには、効果的なAIシステムは、非常に限られたトレーニングデータから複雑なシステムの動作について学習し、プロセスの世界でのアクションの結果をキャプチャするプロセス入力と出力に関してアドホックデジタルツインを形成する必要があります。
学習した潜在表現でパラメーターを処理し、細粒の制御を可能にする世界モデルの学習に基づいた新しい方法論を提案します。
表現学習は、共同埋め込み予測アーキテクチャ内の対照学習を通じてプロセスに影響を与える潜在的要因によって駆動されます。
これにより、入力の変化から予測可能な表現の変更が可能になり、その逆も同様であり、プロセスのバリエーションの原因となる重要な要因の解釈可能性を促進し、プロセスを運用範囲内に保つための効果的な制御アクションの方法を開きます。
私たちの方法の有効性は、プラスチックの射出成形の例で検証されており、悪名高い不安定なプロセスのために特定の制御アクションを提案する際の実用的な関連性を示しています。

要約(オリジナル)

To go from (passive) process monitoring to active process control, an effective AI system must learn about the behavior of the complex system from very limited training data, forming an ad-hoc digital twin with respect to process inputs and outputs that captures the consequences of actions on the process’s world. We propose a novel methodology based on learning world models that disentangles process parameters in the learned latent representation, allowing for fine-grained control. Representation learning is driven by the latent factors influencing the processes through contrastive learning within a joint embedding predictive architecture. This makes changes in representations predictable from changes in inputs and vice versa, facilitating interpretability of key factors responsible for process variations, paving the way for effective control actions to keep the process within operational bounds. The effectiveness of our method is validated on the example of plastic injection molding, demonstrating practical relevance in proposing specific control actions for a notoriously unstable process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google