Машинне навчання для; промислова енергоефективність

Машинне навчання, глибоке навчання, штучний інтелект, великі дані, нейронні мережі, генетичні алгоритми ... технологія використовується щодня в маркетинговому дискурсі, і часто грубо. Давайте подивимось на машинне навчання та його інтерес до промислової енергоефективності.

Визначення (и): Машинне навчання

Машинне навчання, або статистичне навчання, є однією з дисциплін штучного інтелекту. Він використовує набір методів та алгоритмів для розробки самостійного програмного забезпечення, здатного навчитися розпізнавати стани складної системи з історії даних спостережуваної системи.

Можна поєднати кілька типів алгоритмів (дерева рішень, лінійний дискримінантний аналіз, кластеризація тощо), включаючи нейронні мережі, відомі своїми початковими амбіціями відтворити функціонування людського мозку. Щодо глибокого навчання, то це "просте" (sic!) Застосування нейронних мереж.

Застосування: широкий спектр

З функціональної точки зору, машинне навчання має два етапи:

1- Початкове навчання: зроблено з набору вхідних даних і, звичайно, відповідних вихідних даних. Візьмемо приклад з харчової промисловості: як закваска, температура свіжоспеченого печива, вологість та температура навколишнього середовища лабораторії, розміри ласощі та фото; на виході, його відповідність чи ні, а також причини можливої відмови (приготування, розмір, аспект…). Ця відповідність була оцінена "вручну".

2- Операція: алгоритм зможе запропонувати вихідне значення на основі наданих йому вхідних даних. Для нашого прикладу: на основі даних, зібраних датчиками, додаток повідомляє машині, які файли cookie відмовитись, і відправляє ваучери лише в упаковці. Примітка: операційна фаза може також включати навчальні функції для вдосконалення навичок алгоритму.

| Багато програм стосуються сприйняття складного та різноманітного середовища та/або масиву даних:

Розпізнавання об’єктів на зображенні, індексація зображення, розпізнавання голосу ...
Автономний автомобіль.
Виявлення шахрайства.
Медичний діагноз.
Фінансовий аналіз.
Профілактичне/прогнозне промислове обслуговування.

Статистика проти фізики

Машинне навчання базується на статистичних підходах. Тому він відрізняється від фізичних моделей, побудованих від фізико-хімічного (термодинамічна або механіка рідин, наприклад) або математичного (економіка, фінанси тощо) розуміння спостережуваних явищ.

Треба враховувати три наслідки:

1- Машинне навчання не вказує причин свого "рішення": встановлюється його статистичний підхід кореляції між кількома вимірами, не цікавлячись їх причинність.

2- Його здатність розпізнавання залишається чинною на "постійний" обсяг і умови, або принаймні відомий алгоритму: будь-яка зміна характеру або типу вхідних даних вимагає нового етапу навчання. Конкретно, модифікація спостережуваного промислового процесу (зміна машини, температурного режиму тощо), засобів спостереження (датчики тощо) або навіть зовнішніх умов (клімат, модифікація будівлі тощо). ), повинні призводити до оцінки наслідків для алгоритму машинного навчання.

3- Початкове навчання та його еволюція вимагають повний набір історичних даних : всі сценарії повинні бути присутніми, що, як правило, вимагає спостереження принаймні одного повного циклу (сезонності). Іноді можна створити "віртуальні" дані з часткового фізичного моделювання (це називається гібридним алгоритмом).

Які інструменти для енергетичного сектору ?

Інженер-технолог та менеджер з енергетики знайдуть у машинному навчанні потужного союзника для:

Прогнозуйте споживання: з прогнозу погоди, графіка навантаження, якості вводів ... стає можливим точно оцінити енергоємність, необхідну для наступних годин, і, таким чином, адаптувати умови роботи до фази (накопичення енергії,/вимкнене обладнання тощо).
Організуйте постачання: чи це паливо, чи вхідні матеріали, якість яких впливає на енергетичні потреби, машинне навчання дає можливість вибрати оптимальне джерело постачання відповідно до погоди, графіка навантаження, якості вхідного матеріалу та продуктивності обладнання в момент часу t.

Приклад заявки на установку з виробництва біомаси

Ефективність котла на біомасі сильно залежить від вологості спалених зелених відходів, які надходять з декількох муніципалітетів регіону (радіус 80 км). Оскільки ємність буферних накопичувачів обмежена сусідством з обладнанням, тому необхідно максимально точно адаптувати подачу палива до реальних потреб котла, щоб задовольнити потребу в теплі. І продуктивність цього виробництва залежить від якості палива. Таким чином, алгоритм машинного навчання працює за таким принципом:

Загалом, рекомендується перевірити умови роботи алгоритму машинного навчання принаймні щокварталу.

На закінчення, машинне навчання є цікавим інструментом для промислової енергоефективності як для розуміння явищ, так і для управління діяльністю. Ви заспокоюєтесь: машинне навчання для вас більше (повністю) не є чорною скринькою !