本記事では、強化学習に基づく新しい手法を用いて、空気分離ユニットの経済的非線形モデル予測制御(eNMPC)に最適化されたクープマン代替モデルの訓練について論じています。この手法は、過去に小規模なケーススタディでの実証に留まっていましたが、今回はより挑戦的な大規模モデルの一製品(窒素)空気分離ユニットに適用される様子を示しています。数値実験では、現実的に測定可能な植物変数の観測可能性が限られている中でも、システム同定に基づくKoopman eNMPCと比較して、同程度の経済的成果を達成しながら制約違反を回避することができる点が強調されています。この成果は、最適な運用を目指す産業への適用が期待されます。