More Related Content
More from harmonylab (20)
修論発表
- 2. 一般的なロードヒーティング
• ガス(実験で使用)
– 定期的な機器の交換とメンテナンスが必要
• 電気
– ガスに比べて出力が弱い
– メンテナンスが比較的容易
2
・降雪センサー
- センサーに付着した雪の
水分を検出
- 赤外線を当てたときの反
射から降雪を検出
・路面温度センサー
・タイマー
降雪センサーが降雪なしと判断し
てからも稼働し続ける条件を設定
センサー
タイマー
目標:
路面の雪をなくす
ロード
ヒーティング
路面
路面の
積雪状態
on/offの決定
雪・雨
問題点
降雪と降雨を区別することができない
稼働時間に
無駄が生じる路面の状態ではなく、降雪状態から制御するため、
雪を融かしきるために必要な稼働時間が分からない
- 11. シミュレーションの概要
11
降水量(F)
気温(𝜃 𝑜)
雲量(c)
絶対湿度(𝑋 𝑜)
夜間放射量(R)
気温(𝜃 𝑜)
降水量(F)
降水量のうち
氷(雪)の量(𝐹𝑠)
水(雨)の量(𝐹𝑟)
降雪の密度(𝜌 𝑓)
積雪の深さ(𝑑 𝑠, 初期値0)
気温(𝜃 𝑜), 熱対流伝達率(𝛼 𝑐)
放射熱伝達率𝛼 𝑟
夜間放射量(R)
𝛼 𝑐 = 5.0 + 3.4V(V :風速)
雪の日射吸収率(a)
表面温度(𝜃𝑒)
水分の路面からの
浸透高さ(𝑑 𝑤)
積雪量(S, 初期値0)
水分量(W, 初期値0)
気温, 降水量, 風速
日射量, 水蒸気圧, 雲量 前ステップの積雪深や水分量, 路盤温度等を入力
積雪量
路盤温度
水分量
- 14. シミュレーションを用いたQ学習
• 積雪量と路盤温度が分かっている場合により少ない稼働時間で融雪する制
御方法を学習
• 行動間隔:3分
• 状態s -積雪量と路盤温度を離散状態に近似
– 積雪量[kg/m^2]
0.0~0.1, 0.1~0.2, 0.2~0.3, 0.3~0.4, 0.4~0.5, 0.5~1.2, 1.2~3.0, 3.0~
– 路盤温度[℃]
~0, 0~10, 10~20, 20~30, 30~40, 40~50, 50~60, 60~70
• 行動a
– ON / OFF
– 5%の確率でランダムに行動
• 報酬R(複数試した結果最も良い結果が出たもの)
• 更新
14
行動がONのとき -0.3
積もった状態から積雪を0.2[kg/m^2]未満まで融かしたとき +100
積雪が1.2[kg/m^2]以上のとき -0.03
積雪が0.2[kg/m^2]未満の状態のとき +0.003
- 16. まとめ
従来のロードヒーティング制御が、雪と雨を区別できず、制御対象の路面
状態を認識しないフィードフォワード制御のため、正しく制御できない可能
性がある
路面画像を認識することで正しくフィードバック制御を行えるようにした
昨年の実証実験で、従来の降雪センサーを用いた制御と比較し、稼働時
間を平均38%削減した
シミュレーションを作成し、路面画像以外の情
報を用いたQ学習によって、より短い稼働時
間で融雪する制御方法を検証した
今年も12か所で実験中
16
シンプルなネットワークやT検定を用いることで判定時間を短縮
学会業績
• 小山望海,横山 想一郎,山下 倫央,川村 秀憲,畳み込みニューラルネットワークを用いた積雪状態の認識とロードヒー
ティングの制御,社会システムと情報技術研究ウィーク2017(WSSIT),KBS5,虻田郡留寿都村(2017)
• 小山望海,横山想一郎,山下倫央,川村秀憲,武田清賢,横川誠:畳み込みニューラルネットワークを用いた積雪状態の
認識とロードヒーティングの制御,情報処理北海道シンポジウム2017,14,札幌(2017)
• Nozomi Koyama, Soichiro Yokoyama, Tomohisa Yamashita, Hidenori Kawamura, Kiyotaka Takeda and Makoto Yokogawa,
“Recognition of Snow Condition Using a Convolutional Neural Network and Control of Road-Heating Systems”, The 21st
Asia Pacific Symposium on Intelligent and Evolutionary Systems (IES2017), paper22, Hanoi, Vietnam(2017)