機械学習アルゴリズムを通じてソフト センサーを設計するにはどうすればよいですか?

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。

データの過学習と過小学習の両方がモデルの失敗の原因となります。このモデルは新しいデータを処理できなくなり、ソフト センサーでも使用できなくなります。データの過学習と過小学習の概念は、デシジョン ツリー モデルに特有のものではありません。

ランダム フォレスト

これは基本的に、複数のデシジョン ツリー モデルを 1 つのモデルに組み合わせたものです。これにより、柔軟性が向上し、より多くの機能が利用できるようになり、予測力が向上します。ただし、データを過剰適合させる高いリスクも伴います。

勾配ブースティング

機械学習では、勾配ブースティングはアンサンブル モデルと呼ばれることがよくあります。ランダム フォレストと同様に、勾配ブースティングは複数のデシジョン ツリーを組み合わせます。しかし、それが異なるのは、最後に計算された損失関数を最小化するように各ツリーを最適化することです。これらのモデルは非常に効果的ですが、時間の経過とともに解釈が難しくなります。

ニューラル ネットワーク

いわゆるディープ ラーニングは、ニューラル ネットワーク回帰モデルの概念です。このモデルは入力変​​数を受け入れ、回帰問題に適用するとターゲット変数の値を生成します。最も基本的なニューラル ネットワークは多層パーセプトロンです。これらのモデルでは、ニューロンの単一の配置のみが使用されます。より一般的には、ニューラル ネットワークには、入力層、1 つまたは複数の隠れ層 (それぞれに多くのニューロンがある)、および値を取得するための出力層があります。

隠れ層の各ニューロン内の重み付けされた入力値が合計され、活性化関数 (シグモイド関数など) に渡されます。この関数はモデルを非線形にします。関数がモデルを通過すると、単一のニューロンを含む出力層に到達します。モデルをトレーニングするときは、特徴とターゲット値に最適な重みとバイアスを決定します。

コラボレーティブ デザイン

コラボレーティブ デザインを初めて使用する人にとってよくある誤解は、すべての特定のニーズを満たす適切なモデルが 1 つあるということです。しかし実際にはそうではありません。あるモデルを別のモデルより選択することは、データ サイエンティストの経験に部分的に基づいた複雑な決定です。

また、これらの教師あり回帰モデルは、毎回同じ結果を生成するわけではありません。したがって、「最適な」モデルはありませんが、特定の状況により適したモデルもあるかもしれません。

機械学習の演習におけるデータ サイエンティストと運用専門家のコラボレーションは、関係するパラメータ、ターゲットの使用法、開発および展開方法を相互に理解することから始まります。

以上が機械学習アルゴリズムを通じてソフト センサーを設計するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。