Met fysica-geïnformeerde AI kunnen machineoperators vertrouwen en verifiëren

Een producent van ethanol in de landbouw die de prestaties van de droger moest optimaliseren, maakte gebruik van een op fysica gebaseerd model voor kunstmatige intelligentie (AI) van Rockwell Automation. De closed-loop controller verschoof de droogbelasting van de fabrieksdroger naar de verdamper en werd aangepast om warmteverliezen te verminderen. Het resultaat:een toename van 12 procent in doorvoer en een toename van bijna 10 procent in energie-efficiëntie, zei Rockwell.

Natuurkunde-geïnformeerde AI-simulaties, zoals fysica-geïnformeerde neurale netwerken (PINN's), beginnen kunstmatige neurale netwerkmodellen (ANN's) te vervangen, die worden beschouwd als black box-modellen. Natuurkundig geïnformeerde modellen leveren nauwkeurigere en betrouwbaardere voorspellingen op dan ANN-simulaties.

Beide modellen zijn datagedreven, maar ANN's vereisen enorme hoeveelheden operationele data, zegt Herman Van der Auweraer, directeur technologische innovatie bij Siemens Digital Industries Software.

Kunstmatige neurale netwerkmodellen zijn ook erg complex en het kan veel tijd kosten om een ​​benchmark van gegevens te verkrijgen, zei Robert X. Gao, professor en voorzitter van de afdeling mechanische en ruimtevaarttechniek aan de Case Western Reserve University.

“Het gebrek aan transparantie en interpreteerbaarheid van AI/machine learning [ML]-modellen wordt algemeen erkend als een knelpunt voor de wijdverbreide acceptatie van AI/ML in de productie. Inherent gaat fabricage over het toepassen van fysieke principes en wetten om materialen te verwerken tot bruikbare producten voor industriële of commerciële toepassingen,” zei hij.

Hoewel sommige mensen neurale netwerken omschrijven als AI, zijn neurale netwerken gewoon een heel slimme manier om te voorspellen tussen bekende datapunten (interpolatie), zegt Peter Mas, directeur engineering services bij Siemens Software. Met behulp van ANN is het niet mogelijk om nauwkeurig waarden te voorspellen voor punten buiten het gegevensbereik (extrapolatie), zei hij.

Gebeurtenissen zoals windturbinestoringen die zelden voorkomen, worden bijvoorbeeld niet vastgelegd door de gegevens en kunnen leiden tot onjuiste weergave, zei Van der Auweraer.

"Geen enkele neurale netwerktechniek kan voorspellen in gebieden waar het nog nooit eerder is geweest", zei Mas. "Om dat te doen, moet je de natuurkundige wet opnemen die je zal vertellen welke trend de extrapolatie zal moeten volgen."

Als een black box-model te weinig gegevens heeft, zal het niet het juiste gedrag van het systeem dat wordt gemodelleerd vastleggen, zegt Bijan Sayyar Rodsari, directeur geavanceerde analyse bij Rockwell Automation.

Maar simpelweg meer data naar een black box-systeem gooien is niet altijd de oplossing.

Als een dergelijk systeem niet wordt beschermd tegen overtraining, houdt het vast aan elke anomalie in de gegevens en maakt het geen nauwkeurige voorspellingen, zei hij. Wat afwijkingen betreft, krijgt een fabrikant vaak niet de kans om een ​​uitgebreide hoeveelheid gegevens te verzamelen omdat de machine wordt uitgeschakeld zodra een afwijking wordt ontdekt, voegde hij eraan toe.

Vanwege het gebrek aan gegevens en inzicht, zullen fabrikanten die black box-systemen gebruiken machines niet helemaal naar de goede plek duwen voor maximale efficiëntie, maar ervoor kiezen om ruim binnen de veiligheidsmarge te blijven, zei Rodsari.

"Je puur datagestuurde model wordt ongetwijfeld beperkt door de gegevens die je invoert", zei Rodsari.

Noch zullen ze bereid zijn om gesloten systemen te gebruiken, zei hij. "Als de operator niet begrijpt wat het model doet, zullen ze altijd sceptisch zijn over het toestaan ​​​​van dit model in een gesloten lus."

Het Russische spreekwoord "Vertrouw maar verifieer" werkt gewoon niet met black box-modellen. Het is bijna onmogelijk om te verifiëren hoe het modelleringssysteem tot zijn voorspellingen kwam. Zonder de mogelijkheid om input en output te verifiëren, vertrouwen veel operators in de productie de modellen niet - en met goede reden omdat de resultaten mogelijk niet nauwkeurig zijn.

De enige manier om zeker te weten of de eerste verwerking correct was, is door vallen en opstaan, zei Rodsari.

Hier is een eenvoudig voorbeeld van Mas:als een geavanceerd neuraal netwerkmodel gegevens heeft waaruit blijkt dat vier appels 1 kilogram wegen en acht appels 2,1 kg, kan het model waarschijnlijk het gewicht van zes appels correct voorspellen omdat zes binnen de bekende gegevenspunten vallen en is onderdeel van de lineaire trend. Maar als er wordt gevraagd naar het mogelijke gewicht van 12 appels (een getal buiten de datapunten), zal het ANN-model een antwoord geven, maar mogelijk 5 kg, of een ander off-base aantal, in plaats van de meer redelijke voorspelling van 3-3,3 kg.

"Deze black box-modellen zijn moeilijk te interpreteren gebleken", zei Rodsari. "Hoewel ze goed zijn voor het maken van een match voor interessante variabelen, zijn ze niet nuttig om die relatie uit te leggen. Dat belemmert het vermogen van mensen die deze modellen moeten gebruiken en moeten beoordelen of resultaten correct zijn of niet. Voor de meeste toepassingen in de productieruimte moet u de operaties ervan kunnen overtuigen dat deze relatie zinvol is, hen helpen de kwaliteit te bewaken en beslissingen te voorkomen die schadelijk zijn voor de operatie.

"Je moet de mogelijkheid hebben om enig inzicht te geven in de aard van het model, zodat de operator het kan vertrouwen."

Minder is meer

Ondertussen kunnen fysica-geïnformeerde AI-simulaties voorspellingen doen op basis van aanzienlijk minder gegevens, omdat ze gegevens gebruiken die van hogere kwaliteit zijn en relevanter zijn voor de machine en het probleem in kwestie.

Zoals de naam al aangeeft, bevat fysica-geïnformeerde AI relevante gegevens, fysieke wetten en voorkennis, zoals prestatieparameters en normen van de machine die wordt gemodelleerd, zei Gao.

"De wetten van de fysica bevatten een enorme schat aan informatie op een zeer gecondenseerde manier", zei Van der Auweraer. “Op fysica gebaseerde simulatiemethoden maken gebruik van deze natuurkundige wetten. Ze kunnen AI-systemen dus een extreem krachtige voorsprong geven door deze kennis in te brengen in plaats van te moeten wachten tot er voldoende representatieve gegevens binnenkomen.”

Met die gecodeerde fysieke kennis kunnen fysica-geïnformeerde AI-modellen voorspellingen doen op basis van minder gegevens, zei Rodsari.

"We willen modellen bouwen die fabrikanten in realtime kunnen helpen", zei hij.

Met fysica-geïnformeerde AI-modellen kan AI leren van gegevens in het proces, het leren van de hersenen nabootsen en kunnen verbeteren naarmate er meer gegevens beschikbaar komen, zei Mas.

Productie-ingenieurs kunnen vervolgens hun bestaande structuren en systemen aanpassen en aanpassen om het model voor hun fabriek te laten werken.

"Als je gegevens observeert, zijn er meestal relaties die je kent, vooral voor een ingenieur," zei Mas. “Er is bekende natuurkunde en onbekende natuurkunde. Dit is hoe fysica-geïnformeerde AI werkt. In plaats van alleen de volledige gegevensrelaties als een zwarte doos te behandelen, kunt u ook enkele fysieke vergelijkingen aan de gegevens opleggen, zoals 'energiebesparing' of complexere zaken, zoals 'golfachtig gedrag', zodat het machine learning-algoritme balans tussen data en natuurkunde. Dit wordt meestal gedaan door middel van een verliesfunctie, de doelfunctie van het algoritme om fouten met gegevens te minimaliseren en tegelijkertijd te voldoen aan de fysica.”

PINN begint de productie te beïnvloeden

De eerste PINN-toepassingen ontstaan ​​in fabricageprocessen met complexe modellen en relaties, zoals in additive manufacturing, aldus Van der Auweraer.

Andere early adopters zullen zich in de voedingsindustrie of de farmaceutische verwerkende industrie bevinden, waar complexe processen een pure simulatie-gebaseerde benadering in de weg kunnen staan ​​en waar de AI in een PINN-benadering veelbelovende resultaten kan opleveren, aldus Van der Auweraer en Mas.

PINN-modellen kunnen ook arbeidsintensieve laboratoriumtests en -ontwerp aanvullen of vervangen, zei Mas, door de bestaande sterke punten van laboratoriumtests en de voordelen van op fysica gebaseerde simulaties te combineren om nauwkeurig nieuw materiaal en producten te ontwerpen in veel minder tijd met minder laboratoriumtests. /P>

Grijze doos gezien als een mogelijkheid

De grootste uitdaging is dat machine learning tegenwoordig wordt gedaan door datawetenschappers die scripts schrijven in de datawetenschapstaal van hun voorkeur, zei Mas, in tegenstelling tot beschikbaar en toegankelijk voor de ingenieur die een product ontwikkelt via applicatiegerichte, low-code platforms zoals de ROM Building-applicatie die Siemens momenteel ontwikkelt binnen zijn Simcenter-portfolio.

"Je kunt beginnen met de generieke structuur," zei Gao. "De innovatie is aan de ingenieurs om creatief te wijzigen en aan te passen."

De krachtigste benadering is misschien het combineren van de natuurkundige relaties binnen het kunstmatige neurale netwerk, als aanvulling op dat netwerk of als een specifieke laag of structuur binnen het neurale netwerk, zei Van der Auweraer.

Dat zou de zwarte doos in een grijze doos veranderen.

“Zo’n netwerk zou kunnen worden getraind vanuit hoogwaardige simulaties. Het kan interne fysica-relaties bevatten voor een meer gecondenseerd en krachtig netwerk dat ook sneller zal worden getraind en uiteindelijk verder kan worden getraind door alle gegevens die tijdens de levenscyclus kunnen optreden, zei hij.