Stabilization of industrial processes with time series machine learning

आधुनिक उद्योग की विशाल, गूँजती दुनिया में, स्टील मिलों के पिघले हुए प्रवाह से लेकर बिजली संयंत्रों के सूक्ष्म तापीय संतुलन तक, स्थिरता ही सब कुछ है। कारखाने टाइम सीरीज़ डेटा (time series data) पर चलते हैं, जो वास्तव में यह रिकॉर्ड है कि चीजें समय के साथ कैसे बदलती हैं: जैसे भट्टी का तापमान, पाइप में दबाव, या किसी मोटर की गति। इन मूल्यों को स्थिर रखना अराजकता के विरुद्ध एक निरंतर संघर्ष है। यदि तापमान बहुत अधिक बढ़ जाता है, तो उपकरण टूट सकते हैं; यदि यह बहुत कम हो जाता है, तो उत्पाद विफल हो जाता है। दशकों से, इंजीनियर इस समस्या को हल करने के लिए शास्त्रीय गणितीय विधियों पर भरोसा करते आए हैं, जो इस समस्या को अलग-अलग चरणों की एक श्रृंखला के रूप में देखते हैं। वे वर्तमान स्थिति को देखते थे, अगले क्षण के लिए आदर्श समायोजन की गणना करते थे, वह परिवर्तन करते थे, और फिर प्रक्रिया को दोहराते थे। हालांकि यह काम करता है, लेकिन यह अक्सर धीमा और गणनात्मक रूप से भारी होता है, जैसे कि हर एक कदम के लिए नक्शा देखकर एक जटिल शहर में रास्ता खोजने की कोशिश करना।

चुनौती हमेशा इन प्रक्रियाओं को बिना सटीकता से समझौता किए, तेजी से और कम प्रयास के साथ स्थिर करने का तरीका खोजने की रही है। यहीं पर औद्योगिक इंजीनियरिंग और मशीन लर्निंग का मिलन एक नया मार्ग प्रदान करता है। हर एक क्षण के लिए सटीक चाल की गणना करने के बजाय, शोधकर्ता यह पता लगाने की कोशिश कर रहे हैं कि क्या एक कंप्यूटर सिस्टम के सामान्य "अहसास" (feel) को सीख सकता है। विभिन्न चरों के बीच संबंधों को समझने के लिए एक मशीन को प्रशिक्षित करके—जैसे कि हीटर की वर्तमान धारा (current) को बदलने से घंटों बाद कमरे के तापमान पर क्या प्रभाव पड़ेगा—एक लंबे समय के लिए सबसे अच्छी कार्रवाई का पूर्वानुमान लगाना संभव हो सकता है। व्यक्तिगत चरणों की गणना करने से लेकर एक निरंतर रणनीति सीखने की ओर यह बदलाव औद्योगिक नियंत्रण को अधिक कुशल बनाने का वादा करता है, जिससे प्रणालियाँ उस सहजता के साथ स्वयं को ठीक कर सकेंगी जिसे पारंपरिक विधियाँ प्राप्त करने में संघर्ष करती हैं।

हाल ही में एक अध्ययन में, मॉस्को इंस्टीट्यूट ऑफ फिजिक्स एंड टेक्नोलॉजी के शोधकर्ताओं ने इस समस्या से निपटने के लिए एक नया तरीका प्रस्तावित किया, जो विशेष रूप से औद्योगिक प्रक्रियाओं के स्थिरीकरण पर केंद्रित है। उन्होंने एक दो-भाग वाली प्रणाली बनाने के दृष्टिकोण के साथ कार्य को संभाला, जिसे एक भौतिक प्रक्रिया के व्यवहार की नकल करने और फिर उसे नियंत्रित करने के लिए डिज़ाइन किया गया था। उनके सिस्टम का पहला भाग एक भविष्यवक्ता (predictor) के रूप में कार्य करता है, जो एक डिजिटल ट्विन है जो पिछले डेटा के आधार पर यह अनुमान लगाने के लिए सीखता है कि आगे क्या होगा। दूसरा भाग एक ऑप्टिमाइज़र (optimizer) है, जो एक न्यूरल नेटवर्क है जो प्रक्रिया को स्थिर रखने के लिए नियंत्रणों को समायोजित करने के सबसे अच्छे तरीके को सीखता है। मूल विचार एक चतुर प्रतिस्थापन है: हर एक क्षण के लिए सटीक मान खोजने के लिए भारी मात्रा में कंप्यूटर शक्ति खर्च करने के बजाय, सिस्टम अपना समय न्यूरल नेटवर्क को उन आदर्श आंतरिक सेटिंग्स, या 'वेट्स' (weights) को खोजने के लिए खर्च करता है जो लंबी अवधि में सर्वोत्तम परिणाम देते हैं।

इस विचार का परीक्षण करने के लिए, टीम ने कमरे के तापमान नियंत्रण की समस्या का एक यथार्थवादी सिमुलेशन बनाया। उन्होंने एक ऐसे कमरे का मॉडल तैयार किया जहाँ तापमान हीटर से प्रभावित होता है, लेकिन हवा में नमी और बाहर के तापमान जैसे बाहरी कारकों से भी प्रभावित होता है। लक्ष्य कमरे को तेईस डिग्री सेल्सियस पर स्थिर रखना था। उन्होंने इस बात पर डेटा एकत्र किया कि हीटर की करंट के बदलावों के प्रति कमरा कैसे प्रतिक्रिया देता है, जिसमें पर्यावरण के प्राकृतिक उतार-चढ़ाव भी शामिल थे। इस डेटा का उपयोग करके, उन्होंने अपने प्रेडिक्टर मॉडल को कमरे के भौतिकी को समझने के लिए प्रशिक्षित किया, यह सीखते हुए कि विशिष्ट परिस्थितियों में तापमान कैसे बढ़ेगा या घटेगा। यह मॉडल अत्यधिक सटीक साबित हुआ, जो वास्तविक समय में जटिल भौतिक समीकरणों को हल किए बिना, गर्मी और हवा के जटिल नृत्य को प्रभावी ढंग से पकड़ते हुए, भविष्य के तापमान की बहुत कम त्रुटि मार्जिन के साथ भविष्यवाणी करने में सक्षम था।

एक बार प्रेडिक्टर प्रशिक्षित हो जाने के बाद, शोधकर्ताओं ने ऑप्टिमाइज़र की ओर रुख किया। इस दूसरे न्यूरल नेटवर्क को कमरे की वर्तमान स्थिति और भविष्य के पूर्वानुमान को देखने, और फिर तापमान को लक्ष्य पर रखने के लिए हीटर करंट को ठीक से समायोजित करने का निर्णय लेने का कार्य सौंपा गया था। एक समय में एक समाधान खोजने के बजाय, ऑप्टिमाइज़र ने एक ऐसी नीति (policy) सीखी जो समय के एक अंतराल (window) में काम करती है। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण उस डेटा पर किया जिसे सिस्टम ने पहले कभी नहीं देखा था, इसे एक ऐसे मोड में चलने दिया जहाँ यह लगातार कमरे का दृश्य अपडेट करता है और हीटर को तदनुसार समायोजित करता है। परिणाम आश्चर्यजनक थे। मशीन लर्निंग सिस्टम ने कमरे के तापमान को उल्लेखनीय रूप से स्थिर रखा, जो लक्ष्य के आसपास केवल एक डिग्री से थोड़े से विचलन के साथ बना रहा।

पारंपरिक विधियों की तुलना में, नए दृष्टिकोण ने सटीकता में स्पष्ट लाभ दिखाया, हालांकि इसके लिए अधिक गणना समय की आवश्यकता थी। शोधकर्ताओं ने अपने सिस्टम का परीक्षण एक मानक औद्योगिक नियंत्रक के विरुद्ध किया जिसे PID कहा जाता है, जो एक व्यापक रूप से उपयोग किया जाने वाला एल्गोरिदम है जो वर्तमान मान और लक्ष्य के बीच के अंतर के आधार पर नियंत्रणों को समायोजित करता है। उन्होंने इसका परीक्षण एक अधिक जटिल गणितीय सॉल्वर के विरुद्ध भी किया जो एक-एक करके कई संभावनाओं की जाँच करके सर्वोत्तम उत्तर खोजने का प्रयास करता है। मशीन लर्निंग सिस्टम ने मानक PID नियंत्रक की तुलना में थोड़ा बेहतर प्रदर्शन किया, जिसने तापमान को लगभग 10% अधिक सुसंगत बनाए रखा। हालांकि, यह इसकी गति की कीमत पर आया; PID नियंत्रक 0.05 सेकंड में निर्णय लेकर काफी तेज़ था, जबकि मशीन लर्निंग सिस्टम को 1.46 सेकंड लगे। इसके विपरीत, पारंपरिक सॉल्वर बहुत धीमा था, जिसे एक छोटे अंतराल के लिए समाधान की गणना करने में सैकड़ों सेकंड लगे, और यह मशीन लर्निंग दृष्टिकोण की तुलना में स्थिरीकरण में लगभग तीन गुना कम सटीक था।

अध्ययन सुझाव देता है कि व्यक्तिगत मानों के अनुकूलन (optimization) को एक न्यूरल नेटवर्क के प्रशिक्षण के साथ बदलने का यह तरीका औद्योगिक नियंत्रण के लिए एक शक्तिशाली विकल्प प्रदान करता है। एक प्रक्रिया के अंतर्निहित पैटर्न को सीखकर, सिस्टम परिवर्तनों का पूर्वानुमान लगा सकता है और प्रतिक्रियात्मक होने के बजाय सक्रिय रूप से नियंत्रणों को समायोजित कर सकता है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण अच्छी तरह से स्केल (scale) करता है, जिसका अर्थ है कि यह संभावित रूप से बहुत अधिक चरों वाले अधिक जटिल सिस्टम को आवश्यक गणना की मात्रा से घबराए बिना संभाल सकता है। हालांकि यह कार्य वास्तविक दुनिया की भौतिकी पर आधारित एक सिम्युलेटेड डेटासेट पर किया गया था, लेकिन परिणाम संकेत देते हैं कि यह तकनीक उन उद्योगों के लिए एक महत्वपूर्ण कदम हो सकती है जो अपनी प्रक्रियाओं की स्थिरता और दक्षता में सुधार करना चाहते हैं। साधारण सॉल्वरों की तुलना में तीन गुना बेहतर सिस्टम को स्थिर करने की क्षमता, जबकि उन सॉल्वरों की तुलना में काफी कम समय का उपयोग करती है, एक ऐसे भविष्य की ओर इशारा करती है जहाँ औद्योगिक प्रक्रियाओं को साधारण गणना से परे एक स्तर की बुद्धिमत्ता के साथ प्रबंधित किया जाएगा।