How to design soft sensors through machine learning algorithms?

機械学習アルゴリズムの機能を理解することで、エンジニアはアプリケーションに効果的なソフト センサーを生成できます。

#ソフト センサーは仮想センサーとも呼ばれ、数百の測定データを統合的に処理できるソフトウェアです。ソフト センサーの追加を検討している工場管理者は、ソフト センサーで機能する機械学習の範囲に混乱する可能性があります。しかし、この問題を深く掘り下げると、ほとんどのソフト センサー設計の基礎となるいくつかのコア アルゴリズムがあることが明らかになります。

これらのモデルの選択、トレーニング、実装はデータ サイエンティストの仕事であることが多いですが、工場管理者やその他の運用専門家もその機能をよく理解しておく必要があります。

ソフト センサーについて

ソフト センサーはソフトウェア環境で作成されますが、現実世界のセンサーと同じ利点を提供できます。場合によっては、実際のセンサーよりもソフト センサーの方が優先される場合があります。

運用専門家とデータ サイエンティストが協力してセンサーを設計する必要がある理由はたくさんあります。理由の 1 つは、特定の結果に必要な主要パラメータをリアルタイムまたはほぼリアルタイムで測定したいという要望です。これらの測定は、全体的なパフォーマンスを向上させるために重要です。

ソフト センサーのその他の使用例は次のとおりです。

工場のスタッフ不足。一部のプロセスでは、実験室職員が特定の物理的または化学的特性のパラメーターをサンプリングまたは分析する必要があります。これらには、粘度、分子量、組成が含まれる場合があります。測定を行うのに十分な人数がいない場合は、ソフト センサーを使用してこれらの値を推定できます。
• 冗長センサー。過酷な環境では、センサーの汚染が発生する可能性があります。ソフト センサーは、プロセスを継続するためにデジタル センサーが交換されるまで、デジタル センサーからの読み取り値を提供できます。
• 追加のセンサー。場合によっては、さらに多くのセンサーが必要になる場合や、プロセスに独自のセンサーが不足している場合があります。このような場合、ソフト センサーは、すべての適切なセンサーを備えた同一の資産を模倣できます。

機械学習モデルの主なタイプ

機械学習の実践では、多くの場合、周期的なパターンに従います。まず、データが準備され、クリーニングされます。次に、データ サイエンティストは、モデルのベースとなるアルゴリズムを選択します。データ サイエンティストは、未処理または前処理された時系列データとコンテキスト データを使用してモデルのトレーニングを開始します。最後に、モデルがテストされ、デプロイされます。次に、モデルを改善するために再度サイクルします。

一般的に、選択できるモデルには主に 2 つのタイプがあります:

教師ありモデル。ラベル付きデータセットを他の変数と比較する必要があります。
• 教師なしモデルは、主に複数の変数間の関係を記述するために使用されます。

これらのモデルの中でも、教師ありモデルは、ソフト センサーの開発や予測ラベルの作成に適しています。教師あり機械学習モデルは何百も存在しますが、ソフト センサーの作成に役立つのは、回帰アルゴリズムと呼ばれるクラスのごく一部だけです。各モデルの説明は次のとおりです。

線形回帰

これは、ソフト センサーを作成する最も便利で簡単な方法の 1 つです。ただし、ポリマーの粘度の測定など、一部の手順は線形回帰するには複雑すぎます。このアルゴリズムは、ターゲット変数の値を予測する関数を生成します。これは、1 つ以上の変数のセットの線形結合である関数です。 1 つの変数が使用される場合、それは一変量線形回帰と呼ばれます。複数の変数があるため、多重線形回帰という名前が付けられます。このモデルを使用する利点は、その明瞭さです。どの変数が目標に最も大きな影響を与えるかを判断するのは簡単です。これを特徴量の重要性と呼びます。

デシジョン ツリー

理論的には、デシジョン ツリーには、データに適合するために必要な数のルールと分岐を含めることができます。これらのルールは、特徴セットと呼ばれる独立変数から使用されます。結果は、ターゲット値の区分的定数推定です。多くのルールと分岐を持つことができるため、非常に柔軟になります。

一方で、データを過剰適合させるリスクもあります。モデルのトレーニングが長時間すぎると、過学習が発生します。これにより、モデルはデータセット内のノイズに適応し始め、通常どおりに扱い始めることができます。データの過小適合も発生する可能性があります。この場合、アルゴリズムのトレーニング期間が十分ではなかったため、独立変数がターゲット変数にどのように関係するか、または独立変数がターゲット変数にどのような影響を与えるかを判断するのに十分なデータがありませんでした。

Both overfitting and underfitting data will cause the model to fail. The model can no longer handle new data, nor can it be used with soft sensors. The concept of overfitting and underfitting data is not unique to decision tree models.

Random Forest

This is essentially a combination of multiple decision tree models in one model. It provides more flexibility, allows for more features, and gives greater predictive power. However, it also carries a high risk of overfitting the data.

Gradient Boosting

In machine learning, gradient boosting is often called an ensemble model. Like Random Forest, Gradient Boosting combines multiple decision trees. But what makes it different is that it optimizes each tree to minimize the last calculated loss function. These models can be very effective, but over time they become more difficult to interpret.

Neural Network

The so-called deep learning is the concept of a neural network regression model. This model accepts input variables and, when applied to a regression problem, produces a value for the target variable. The most basic neural network is the multilayer perceptron. In these models, only a single arrangement of neurons is used. More commonly, a neural network will have an input layer, one or more hidden layers (each with many neurons), and an output layer to obtain values.

The weighted input values within each neuron in the hidden layer are summed and passed through an activation function (such as the Sigmoid function). This function makes the model nonlinear. Once the function passes through the model, it reaches the output layer, which contains a single neuron. When training a model, determine the weights and biases that best fit the features and target values.

Collaborative Design

For those new to collaborative design, a common misconception is that there is one right model that will fit all specific needs. But in fact, it's not. Choosing one model over another is a complex decision based in part on the experience of the data scientist.

Also, these supervised regression models will not produce the same results every time. Therefore, there is no "best" model, but some models may be more suitable for certain situations.

Collaboration between data scientists and operations experts in any machine learning exercise begins with a mutual understanding of the parameters involved, target usage, development and deployment methods.