人工神经孪生——分布式过程链中的过程优化与持续学习
机器学习
2024-08-28 v1
摘要
工业过程优化与控制对于提高经济效益和生态效率至关重要。然而，数据主权、目标差异或实施所需的专家知识阻碍了整体化实施。此外，在过程模型和工业传感器中越来越多地使用数据驱动的 AI 方法，通常需要定期微调以适应分布漂移。我们提出了人工神经孪生，它结合了模型预测控制、深度学习和传感器网络的概念来解决这些问题。我们的方法引入了可微数据融合来估计分布式过程步骤的状态及其对输入数据的依赖关系。通过将相互连接的过程步骤视为一个准神经网络，我们可以将用于过程优化或模型微调的损失梯度分别反向传播到过程参数或 AI 模型。该概念在 Unity 模拟的虚拟机群上进行了演示，该机群由塑料回收中的散装物料过程组成。
引用
@article{arxiv.2403.18343,
title = {The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains},
author = {Johannes Emmert and Ronald Mendez and Houman Mirzaalian Dastjerdi and Christopher Syben and Andreas Maier},
journal= {arXiv preprint arXiv:2403.18343},
year = {2024}
}
备注
20 pages, 11 figures