Väitös automaation, systeemien ja säätötekniikan alalta, M.Sc. Jifei Deng

Väitöskirjan nimi: Reinforcement Learning Methods for Setpoint Optimization and Control Method Design in Process Industry with Case Studies in Steel Strip Rolling and District Heating

Väittelijä: Jifei Deng
Vastaväittäjä: Prof. Thilo Sauter, Danube-University Krems, Itävalta
Kustos: Prof. Valeriy Vyatkin, Aalto-yliopiston sähkötekniikan korkeakoulu, sähkötekniikan ja automaation laitos

Tämä tutkimus tarkastelee vahvistusoppimisen (RL) sovelluksia prosessiteollisuudessa, pyrkien parantamaan tuotteen laatua ja energiatehokkuutta kehittämällä älykkäitä RL-pohjaisia menetelmiä tarkkaan asetusarvojen optimointiin ja mukautuviin ohjausratkaisuihin. 

Asetusarvojen optimoinnissa laitteiston parametrien tarkka laskeminen laatumääritysten täyttämiseksi on ratkaisevan tärkeää. Prosessiohjauksessa reaaliaikaisten ohjausmenetelmien käyttöönotto vaikuttaa suoraan tuotteen laatuun. Perinteiset lähestymistavat, kuten periaatemallit, empiiriset mallit ja kokeilu-erehdys -menetelmät, sisältävät usein yksinkertaistuksia ja linearisointeja teollisten prosessien monimutkaisuuden ja dynaamisuuden käsittelemiseksi. Tuotteen laadun ja energiatehokkuuden parantamiseksi tarvitaan yhä enemmän älykkäitä ja mukautuvia menetelmiä, jotka laskevat optimaaliset ratkaisut teollisiin prosesseihin. 

Tunnistaen RL:n potentiaalin oppia vuorovaikutuksista, RL-tekniikoita on otettu käyttöön menetelmien kehittämiseksi sekä asetusarvojen optimointiin että prosessiohjaukseen. Asetusarvojen optimoinnin yhteydessä nauhavalssauksessa ja polttoainekustannusten vähentämisessä kaukolämmössä on tutkittu RL-menetelmiä järjestelmän asetusarvojen laskemiseksi ja optimoimiseksi. Hyödyntämällä prosessien ympäristömalleja RL-agentit tuottavat optimaalisia ratkaisuja konekapasiteetin perusteella asiakasvaatimusten täyttämiseksi. Lisäksi RL-pohjaisia mukautuvia ohjausmenetelmiä on kehitetty teräsnauhan valssausprosessiin, mikä mahdollistaa dynaamiset vastaukset muuttuviin olosuhteisiin. Tapaustutkimusten tulokset osoittavat, että ehdotetut RL-pohjaiset menetelmät ylittävät perinteiset lähestymistavat. Tämä tutkimus osoittaa RL:n tehokkuuden optimoinnissa ja ohjauksessa, mikä viittaa merkittäviin parannuksiin automaatiossa, tehokkuudessa ja tuotteen laadussa prosessiteollisuudessa, ja sillä on potentiaalia laajempaan teolliseen soveltamiseen.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/

Yhteystiedot:

Sähkötekniikan korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/53