Riassunto analitico
Al giorno d’oggi, in ambito industriale, la maggior parte dei controlli sulle macchine in produzione e la gestione di correzioni che porterebbero a problematiche varie, avviene in modo automatizzato attraverso quello che prende il nome di controllo di processo. Il controllo di processo studia come variare certi parametri in funzione di un obiettivo specifico. Questa tesi si concentra sull'applicazione di tecniche avanzate di controllo di processo per ottimizzare le prestazioni di una macchina riempitrice. L'obiettivo principale è mantenere stabili e controllati specifici parametri critici durante il processo di riempimento di un tubo. In particolare, si esamina l'efficacia del controllo PID nel mantenere la stabilità dei parametri operativi. Successivamente, viene introdotto il concetto di Reinforcement Learning e la sua applicazione attraverso un simulatore in co-simulazione con il sistema reale. Questo approccio consente di addestrare il sistema di controllo utilizzando dati simulati prima di implementarlo sul sistema fisico, riducendo così il rischio di interruzioni del processo e migliorando l'efficienza complessiva. Attraverso l'integrazione di PID e Reinforcement Learning, la tesi dimostra varie problematiche incontrate e una possibile idea di come superarle. I risultati ottenuti su due diversi algoritmi di Reinforcement Learning vengono spiegati nel dettaglio insieme alle diverse scelte implementative creando un blueprint per qualsiasi altra applicazione di intelligenza artificiale legata al campo della simulazione.
|
Abstract
Al giorno d’oggi, in ambito industriale, la maggior parte dei controlli sulle macchine in produzione e la gestione di correzioni che porterebbero a problematiche varie, avviene in modo automatizzato attraverso quello che prende il nome di controllo di processo. Il controllo di processo studia come variare certi parametri in funzione di un obiettivo specifico. Questa tesi si concentra sull'applicazione di tecniche avanzate di controllo di processo per ottimizzare le prestazioni di una macchina riempitrice. L'obiettivo principale è mantenere stabili e controllati specifici parametri critici durante il processo di riempimento di un tubo. In particolare, si esamina l'efficacia del controllo PID nel mantenere la stabilità dei parametri operativi. Successivamente, viene introdotto il concetto di Reinforcement Learning e la sua applicazione attraverso un simulatore in co-simulazione con il sistema reale. Questo approccio consente di addestrare il sistema di controllo utilizzando dati simulati prima di implementarlo sul sistema fisico, riducendo così il rischio di interruzioni del processo e migliorando l'efficienza complessiva. Attraverso l'integrazione di PID e Reinforcement Learning, la tesi dimostra varie problematiche incontrate e una possibile idea di come superarle. I risultati ottenuti su due diversi algoritmi di Reinforcement Learning vengono spiegati nel dettaglio insieme alle diverse scelte implementative creando un blueprint per qualsiasi altra applicazione di intelligenza artificiale legata al campo della simulazione.
|
