Laboro.AI

プロジェクト事例

  • 建設
  • 強化学習
  • ニューラルネットワーク
  • 振動制御

建設物の制振制御

株式会社 大林組 様

  • 産業実装例が珍しい強化学習を用いた取り組み
  • 従来手法を超える制御効果を発揮

建設物の揺れを制する制振技術

高層ビルをはじめとする建設物には、多くの場合、地震や強風などが原因で起こる揺れ・振動への対策が施されています。この一つである「制振技術」は、文字通り“揺れを制する”ための技術で、具体的には建物内部に設置された重り(マスダンパー)などの装置を振動に合わせて上手く動作させることによって、揺れを抑制させるというものです。

制振技術にはさらに大きく2つの方法があります。一つは「パッシブ制振(TMD:Tuned Mass Damper)」で、電力を使用せずに揺れに合わせて受動的にマスダンパーが動くことによって建物の揺れを抑える方法です。もう一つが、「アクティブ制振(AMD:Active Mass Damper)」です。アクティブ制振は、発生した揺れをセンサーで感知し、揺れと反復する動きをマスダンパーに能動的にさせることで建物の揺れを抑える方法です。

開発内容

今回、大林組とLaboro.AIが取り組んだこのプロジェクトは、上記のAMDにAIを活用したものです。実験は次の流れで行われました。まず、Laboro.AIの機械学習エンジニアが物理計算に基づくシミュレーション環境を構築し、シミュレーター上で効果が高い制御則を獲得しました。次に、大林組技術研究所内に造られた橋を実験の場として利用し、実際に人が歩いた際の振動を制御対象として検証を行いました。

今回開発したカスタムAIには、その学習アルゴリズムとして「強化学習」を用いています。強化学習は、AIが自ら試行錯誤を経て、どのように行動すれば良いかを習得していくアルゴリズムと言われ、AI、とくにその主流となっている機械学習の手法として知られる「教師あり学習」「教師なし学習」と比べると、手本となる教師データを参照させる必要がない自律的なアルゴリズムと言えます。

強化学習は、「エージェント」と呼ばれる学習主体が、ある環境の状態を観測し、次に取るべき行動を決定していきます。エージェントには行動の結果に応じて報酬が与えられ、さらに良い行動を取ろうと学習が進められていきます。今回のプロジェクトでは、エージェントが橋(環境)の揺れ(状態)を観測し、それをより効果的に抑えるためにマスダンパーを動かす(行動)よう学習を行っています。

強化学習は、シミュレーション環境が必要であることなどから、リアルな現場を伴う産業では活用されにくい 手法とされていましたが、今回、強化学習にニューラル ネットワークを用いることにより成果に至りました。

実験結果

シミュレーション環境で約2万回に及ぶ実験を繰り返し実施した結果が下の図です。1回のシミュレーションは3秒間単位で実施し、図中の青い線が橋の揺れを、赤い線がAI によって制御されたマスダンパーの動きを示しています。マスダンパーの動き(赤)によって、上下の揺れ(青)が早い段階で低減されるほど、AI が効果的に制御力を発揮していることを表しています。 実験回数を重ね、学習が進むにつれて、AIがより効果的に短い時間で揺れを抑えるための動きを獲得していく様子がわかります。

このシミュレーション環境での結果を、実際の橋の制御システムに転用して、人が歩いた時の振動の違いを比較検証した結果が下のグラフです。グラフの山が小さいほど人が揺れを体感しにくいことを示しています。 なお横軸は周波数(揺れの周期)で、値が小さいほど人が体感しやすい大きな揺れを、値が大きいほど揺れを感じにくい細かな揺れを意味します。

図中の黒線は何も制御を施していない状態、緑線は従来のAMDによる制御、赤線が今回の強化学習AIによる制御です。非制振(黒)の状態で揺れが最大となる箇所(4Hzあたり)で、強化学習によるカスタムAIが最も小さく位置していることがわかります。数値としては従来の AMD による制御の1/2を下回る数値を示しており、これまで以上に揺れが感じられにくい環境をAI が作り出すことに成功したことが見て取れます。

今後の応用

今回の成果は、建設物の揺れの制御に留まらず、例えば次のような振動を生じるあらゆる機械設備でも同様にAIによる学習効果が期待でき、技術転用の可能性が高い成果だと考えています。
 ・自動車、鉄道なでの公共交通機関
 ・半導体製造など、振動にシビアな製品の製造機器
 ・空気抵抗による振動への対策が必要な航空宇宙技術

また、強化学習を用いた今回のプロジェクトは、制御技術における「フィードバック制御」の延長線上にあります。フィードバック制御は、機械から出力される信号を入力側へフィードバックすることによって両者を比較し、その差から両者を一致させるような修正を行うことにより最適な動きを促す技術ですが、AI が自ら最適な動きを学習することに成功した今回のプロジェクト成果を踏まえると、例えば次のようなリアルタイム制御を必要とする機械設備をはじめとした、あらゆる領域への展開が見込まれます。
 ・クレーン制御
 ・プランド制御
 ・空調制御
 ・製造ロボット制御

一覧に戻る