Optimierendes Lernen: Anlagenoptimierung

Die Steuerung komplexer, dynamischer Industriemaschinen war schon immer eine schwierige und arbeitsintensive Aufgabe. PSIORI hat es sich zur Aufgabe gemacht selbstlernende Reinforcement Learning Steuerungsgeräte zu entwickeln, welche bei allen Problemen der klassischen Entwicklungslenkung unterstützen sollen, um verschiedene industrielle Prozesse zu lösen. Einschließlich der Zellstoffbleichung, sowie der Eindickung und Sortierung von Erz.

PSIORI entwickelt derzeit Algorithmen, welche die neusten Entwicklungen im Bereich Deep Reinforcement Learning nutzen, um diese dynamischen, industriellen Steuerungsprobleme zu lösen. Beim Einsatz von Reinforcement Learning kann der Betrieb dieser Anlagen sowohl aus Echtzeitdaten als auch aus Simulationsdaten gelernt werden. Das Endergebnis ist eine KI, die die Anlagen mit einer effizienten Kontrollsteuerung ohne Bedienerinteraktion steuern kann.

Eine effiziente Steuerung bringt einen erhöhten Gewinn mit sich und verringert oder eliminiert sogar Ausfallzeiten. Durch die Fähigkeit der KI aus Daten zu lernen, fällt der hohe Arbeitsaufwand weg, den es benötigt, um Regelsätze und Bedingungen für die Steuerung zu entwickeln. Auch Änderungen, wegen veränderter Rahmenbedingungen oder der Übertragung auf eine andere Anlage, sind ohne nennenswerten Aufwand möglich.