Pump CBM v0.4.7 - 3台ポンプ設備包括管理

v0.4.6の空調設備実験結果を踏まえた、設置年月日データ対応ポンプ設備専用CBM強化学習システム

🎯 開発目標

v0.4.6では製造テナントの6台空調設備を対象としていましたが、v0.4.7では設置年月日データが存在する3台のポンプ設備を対象とした包括的CBM管理を実現します。

対象ポンプ設備（AgedRL_Lesson.md実証ベース）

設備名	設備ID	年数	測定項目	学習性能	収束時間	実用化準備度
薬注ポンプCP-500-5	PUMP-001	19.7年	タンク残量	+19.32	303ep	A (実用化推奨)
冷却水ポンプCDP-A5	PUMP-002	3.0年	電力点検	-3.07	271ep	C (要更なる改善)
薬注ポンプCP-500-3	PUMP-003	0.5年	タンク残量	+11.34	100ep	B (改善継続)

📁 ディレクトリ構成

pump_case/
├── config_pump_cbm_v047.yaml              # ポンプ設備専用設定ファイル
├── train_pump_cbm_v047_enhanced.py        # QR-DQN学習スクリプト
├── cbm_environment_pump_v047.py           # ポンプ環境定義
├── data_preprocessor.py                   # データ前処理
├── estimate_transitions_from_data.py      # Markov遷移推定
├── visualize_pump_results_v047.py         # 結果可視化
├── list_pump_equipment_v047.py            # 設備リスト生成
├── README.md                             # 本ファイル
└── outputs_pump_cbm_v047/                # 学習結果出力ディレクトリ
    ├── checkpoint_episode_2000.pth
    ├── policy_net.pth
    └── training_history.json

🧠 v0.4.7の主要特徴

1. AgedRL_Lesson実証データ活用

2000エピソード学習: 実証済み効果の学習時間設定
設備別aging_factor: 実測値ベースの老朽化係数
収束時間最適化: 設備特性に応じた学習時間調整

2. ポンプ設備特化型最適化

# ポンプ設備特有の学習パラメータ
pump_learning_params:
  equipment_specific_episodes:
    PUMP-001: 400       # 薬注ポンプCP-500-5：安定学習型
    PUMP-002: 2000      # 冷却水ポンプCDP-A5：特殊困難要因
    PUMP-003: 200       # 薬注ポンプCP-500-3：高速学習型

3. 年数別学習特性調整

新設備（0-5年）: 学習率向上、探索強化
老朽設備（15年以上）: 安定性重視、収束時間延長

4. ポンプタイプ別重み設定

equipment_type_weights:
  pump_tank: 1.1      # 薬注ポンプ（タンク系）
  pump_cooling: 1.3   # 冷却水ポンプ（学習困難対応）

🚀 実行方法

1. 環境セットアップ

cd pump_case
pip install torch gymnasium numpy matplotlib pyyaml pandas tqdm

2. ポンプ設備リスト生成

python list_pump_equipment_v047.py

3. 学習実行

# 基本学習（2000エピソード）
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047.yaml

# カスタムエピソード数
python train_pump_cbm_v047_enhanced.py --episodes 2000

4. 結果可視化

python visualize_pump_results_v047.py --output_dir outputs_pump_cbm_v047

5. 環境テスト

python cbm_environment_pump_v047.py

📊 期待される学習成果

AgedRL_Lesson実証済み性能指標

薬注ポンプCP-500-5: 最終性能 +19.32（改善幅 +9.02）
薬注ポンプCP-500-3: 最終性能 +11.34（劇的改善 +56.54）
冷却水ポンプCDP-A5: 最終性能 -3.07（大幅改善 +55.33）

収束特性予測

高速学習型: 薬注ポンプCP-500-3（100ep収束）
標準学習型: 薬注ポンプCP-500-5（303ep）、冷却水ポンプ（271ep）
特殊困難型: 冷却水ポンプ（2000ep以上推奨）

🔧 設備タイプ別学習特性

薬注ポンプ系（タンク残量測定）

優位性: 同タイプでの安定した学習成功
老朽化耐性: 19.7年設備でも高性能達成
新設備学習遅延: 0.5年設備は初期困難だが最終改善

冷却水ポンプ系（電力測定）

困難な測定項目: 電力系は外部要因多
特殊困難要因: 継続学習または手法変更必要
改善継続型: 大幅改善を示すも課題残存

📈 実用化ロードマップ

フェーズ1（監視下実用化）- 3-6ヶ月

対象: 薬注ポンプ2台

安定運用確認
タンク系測定の最適化
保全スケジュール調整

フェーズ2（特殊対応）- 6-12ヶ月

対象: 冷却水ポンプ

追加学習（3000ep以上）
ハイブリッド手法検討
電力系測定項目の課題解決

⚙️ 設定ファイル詳細

config_pump_cbm_v047.yaml

# 3台ポンプ設備用設定
multi_equipment:
  target_equipment_list:
    - equipment_id: PUMP-001  # 薬注ポンプCP-500-5 (19.7年)
    - equipment_id: PUMP-002  # 冷却水ポンプCDP-A5 (3.0年)  
    - equipment_id: PUMP-003  # 薬注ポンプCP-500-3 (0.5年)

# 学習パラメータ
training:
  n_episodes: 2000        # AgedRL_Lesson実証値
  learning_rate: 5.0e-4
  batch_size: 128

# ポンプ専用報酬設定
reward:
  cost:
    replace: 25.0         # ポンプ交換コスト（空調より高め）

🎯 v0.4.7完成版実装成果

✅ 実装完了機能

3シナリオ比較システム
- Balanced: 安全とコストの最適バランス戦略
- Cost-Efficient: 予算節約最優先戦略
- Safety-First: 継続運転安全最優先戦略
包括的性能分析
- 学習曲線比較可視化
- 統計的性能指標計算
- シナリオ別レコメンデーション生成
改良されたStability Score算出
- 変動係数（CV）ベース安定性評価
- 報酬スケール非依存の相対評価

📊 実際の学習結果（1000エピソード × 3シナリオ）

シナリオ	最終平均報酬	総コスト	安定性スコア	学習効率	推奨度
Safety-First	7,891.53	2,970,840	95.66/100	90.43/100	★★★
Balanced	6,353.98	4,452,579	96.65/100	4.49/100	★★☆
Cost-Efficient	3,129.14	1,587,249	89.13/100	0.00/100	★☆☆

💡 重要な教訓と発見

1. Safety-First戦略の優位性

最高性能: 7,891.53の平均報酬で他戦略を大幅上回り
バランス型コスト: 2,970,840で適度なコスト管理
高い学習効率: 90.43/100で最も効率的な学習

2. 学習安定性の実測評価

全戦略で高安定: 89.13～96.65点の優秀な安定性
Balanced戦略: 96.65点で最高の安定性を実現
変動係数改善: CV値3.4-11%で極めて安定した学習

3. コスト効率性の課題

Cost-Efficient: 最低コスト実現も性能犠牲大
学習効率問題: Cost-Efficientは0点で学習困難
バランス型選択: 純粋コスト重視は実用性に課題

🔧 実装済みツール群

学習・評価システム

# 基本学習（1000エピソード実証済み）
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047.yaml --episodes 1000

# 3シナリオ学習
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047_balanced.yaml --episodes 1000
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047_cost_efficient.yaml --episodes 1000  
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047_safety_first.yaml --episodes 1000

# シナリオ比較分析
python compare_pump_scenarios_v047.py

結果確認

# 個別結果可視化
python visualize_pump_results_v047.py

# 比較レポート確認
ls comparison_results_v047/

📈 推奨運用戦略

🥇 第1推奨: Safety-First

適用対象: 重要度の高いポンプ設備
期待効果: 高性能（7,891報酬）+ 適度コスト
運用方針: 安全第一での積極的保全

🥈 第2推奨: Balanced（特定条件）

適用対象: 学習安定性重視の環境
期待効果: 最高安定性（96.65点）
注意点: コスト増加（4,452,579）要考慮

⚠️ 注意: Cost-Efficient

制限的適用: 予算制約が極めて厳しい場合のみ
課題: 学習効率0点、性能低下リスク
代替案: Safety-FirstでもCost-Efficientより4.6万円増程度

🔍 トラブルシューティング（実証済み）

Learning Stability Score = 0 の解決法

問題: 元実装で標準偏差ベース計算によりスコア0 解決: 変動係数（CV = σ/μ × 100）ベース評価に変更

# 修正版安定性評価（実装済み）
cv = np.std(rewards) / abs(np.mean(rewards)) * 100
if cv < 10: score = 90-100
elif cv < 20: score = 70-90

学習が収束しない場合

# Safety-First戦略推奨（実証済み高効率）
python train_pump_cbm_v047_enhanced.py --config config_pump_cbm_v047_safety_first.yaml --episodes 1000

# より長時間学習
python train_pump_cbm_v047_enhanced.py --episodes 2000

📋 完了事項

✅ 3シナリオ学習システム実装
✅ 包括的比較分析スクリプト作成
✅ Learning Stability Score改良
✅ 1000エピソード × 3シナリオ学習完了
✅ 比較結果可視化・レポート生成
✅ 実用化推奨戦略決定

📂 出力ファイル構成（実際生成済み）

pump_case/
├── outputs_pump_cbm_v047_balanced/          # Balancedシナリオ結果
├── outputs_pump_cbm_v047_cost_efficient/    # Cost-Efficientシナリオ結果  
├── outputs_pump_cbm_v047_safety_first/      # Safety-Firstシナリオ結果
└── comparison_results_v047/                 # 比較分析結果
    ├── pump_scenario_comparison_*.png       # 6サブプロット比較グラフ
    └── pump_scenario_comparison_report_*.md # 詳細分析レポート

v0.4.7 Pump CBM Complete - 3シナリオ比較実証完了、Safety-First戦略推奨の科学的ポンプ設備管理システム

FilesExpand file tree

README_JP.md

Latest commit

History