[論文レビュー] Transfer Learning as an Enabler of the Intelligent Digital Twin

Benjamin Maschler, Dominik Braun+2 more|arXiv (Cornell University)|Jan 1, 2020

Digital Transformation in Industry参考文献 25被引用数 3

ひとこと要約

本論文では、インダストリー4.0におけるインテリジェントなデジタルツインを活用した転移学習の手法を提案し、産業システムにおけるAIモデルの開発・導入を加速することを目的としている。物理的導入前にシミュレーションでモデルを事前学習し、実データで微調整することで、学習時間とデータ量の両方を削減し、サイバーフィジカル生産システムにおける効率的な故障予測および強化学習の実現を可能にする。

ABSTRACT

Digital Twins have been described as beneficial in many areas, such as virtual commissioning, fault prediction or reconfiguration planning. Equipping Digital Twins with artificial intelligence functionalities can greatly expand those beneficial applications or open up altogether new areas of application, among them cross-phase industrial transfer learning. In the context of machine learning, transfer learning represents a set of approaches that enhance learning new tasks based upon previously acquired knowledge. Here, knowledge is transferred from one lifecycle phase to another in order to reduce the amount of data or time needed to train a machine learning algorithm. Looking at common challenges in developing and deploying industrial machinery with deep learning functionalities, embracing this concept would offer several advantages: Using an intelligent Digital Twin, learning algorithms can be designed, configured and tested in the design phase before the physical system exists and real data can be collected. Once real data becomes available, the algorithms must merely be fine-tuned, significantly speeding up commissioning and reducing the probability of costly modifications. Furthermore, using the Digital Twin's simulation capabilities virtually injecting rare faults in order to train an algorithm's response or using reinforcement learning, e.g. to teach a robot, become practically feasible. This article presents several cross-phase industrial transfer learning use cases utilizing intelligent Digital Twins. A real cyber physical production system consisting of an automated welding machine and an automated guided vehicle equipped with a robot arm is used to illustrate the respective benefits.

研究の動機と目的

• 物理的システムへの導入段階における産業用AIモデルの学習に要するデータ量と時間の課題に対処すること。
• とくに希少な故障シナリオにおいて顕著な実世界データの不足という制約を、産業用機械学習応用において克服すること。
• 物理的システムが存在しない段階からもAIモデルの開発とテストを早期に可能にするために、シミュレーションベースのデジタルツインを活用すること。
• 設計フェーズのシミュレーションから得た知識を再利用することで、設計フェーズから運用フェーズへの横断的知識移転を促進すること。
• 故障検知やロボット制御といった複雑なAI機能を、物理的実装の前段階としてシミュレーションで訓練・実装可能であることを実証すること。

提案手法

• 自動溶接機とロボットアームを装備した自動搬送車を備えたサイバーフィジカル生産システムを実験台として用いる。
• 設計フェーズにおいて、物理的システムの挙動と運用状態を模倣するインテリジェントなデジタルツインを開発する。
• 合成データ（希少故障を意図的に挿入）を用いて、デジタルツイン環境で機械学習モデルを学習させる。
• 事前学習済みのシミュレーションベースのモデルから得た知識を、実世界の状況に転送する転移学習を適用する。
• 物理的システムの設置後、収集された限られた実世界データを用いて、事前学習済みモデルを微調整する。
• 物理ハードウェアに導入する前に、シミュレーション環境で強化学習を活用してロボット制御ポリシーを訓練する。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、物理的システムへの導入段階における産業用AIモデルの学習に要するデータ量と時間の両方をどの程度削減できるか？
• RQ2 デジタルツイン環境におけるシミュレーションベースの訓練は、希少故障検知のためのAIモデルの性能と頑健性をどの程度向上できるか？
• RQ3 インテリジェントなデジタルツインを活用して、物理的導入の前段階でAIモデルを事前訓練・検証することに実用的な利点はあるか？
• RQ4 設計フェーズのシミュレーションから得た知識を運用フェーズの実世界システムに横断的に転送するための転移学習は、どの程度有効であるか？
• RQ5 ロボットタスクのための強化学習は、物理的ハードウェアに導入する前段階として、デジタルツイン環境で効果的に訓練・検証可能か？

主な発見

• インテリジェントなデジタルツインを活用した転移学習により、産業用AIモデルの学習に必要な実世界データ量が顕著に削減された。
• シミュレーションでの事前学習により、物理的システムの可用性にかかわらず、AI機能の早期検証と設定が可能になった。
• シミュレーション内に希少故障を挿入することで、実際の故障データが極めて限られている状況下でも、故障予測モデルの頑健性が向上した。
• 設置後収集された最小限の実データを用いた微調整により、導入プロセスの迅速化と、高価な再作業のリスク低減が達成された。
• ロボットタスクのための強化学習ポリシーは、物理的ハードウェアに導入する前段階として、デジタルツイン環境で成功裏に訓練・検証された。
• 転移学習とデジタルツインの統合により、再構成計画立案や予知保全といった複雑なAI応用の実用的実装が可能になった。