Physics-informed AI verbetert droogerefficiëntie en doorvoer voor ethanolproductie

Een landbouw-energie-ethanolproducent die de drogerprestaties wilde optimaliseren, adopteerde een physics-informed kunstmatige intelligentie (AI) model van Rockwell Automation. De closed-loop controller verlagerde de droogbelasting van de fabrieksdroger naar de verdamper en werd aangepast om warmteverliezen te verminderen. Het resultaat: een 12 procent toename in doorvoer en een bijna 10 procent toename in energie-efficiëntie, aldus Rockwell.

Physics-informed AI-simulaties, zoals physics-informed neural networks (PINNs), beginnen artificiële neurale netwerkmodellen (ANNs) te vervangen, die als black box-modellen worden beschouwd. Physics-informed modellen leveren nauwkeurigere en betrouwbaardere voorspellingen dan ANN-simulaties.

Beide modellen zijn data-gedreven, maar ANNs vereisen enorme hoeveelheden operationele data, zei Herman Van der Auweraer, directeur technologie-innovatie bij Siemens Digital Industries Software.

Artificiële neurale netwerkmodellen zijn ook heel complex en kunnen veel tijd kosten om een benchmark aan data te verkrijgen, zei Robert X. Gao, professor en voorzitter van de afdeling mechanische en luchtvaartruimte-engineering aan Case Western Reserve University.

"Het gebrek aan transparantie en interpreteerbaarheid van AI/machine learning [ML] modellen is goed erkend als een knelpunt voor de wijdverspreide adoptie van AI/ML in manufacturing. Inherent is manufacturing het toepassen van fysieke principes en wetten om materialen te verwerken tot nuttige producten voor industriële of commerciële toepassingen," zei hij.

Hoewel sommigen neurale netwerken als AI kunnen beschrijven, zijn neurale netwerken simpelweg een heel slimme manier om te voorspellen tussen bekende datapunten (interpolatie), zei Peter Mas, directeur engineering services bij Siemens Software. Met ANN is het nauwkeurig voorspellen van waarden voor punten buiten het bereik van data (extrapolatie) niet mogelijk, zei hij.

Bijvoorbeeld, gebeurtenissen zoals windturbine-fouten die zeldzaam voorkomen, worden niet vastgelegd door de data en kunnen leiden tot foutieve representatie, zei Van der Auweraer.

"Geen enkel neurale netwerk kan voorspellen in gebieden waar het nooit eerder is geweest," zei Mas. "Om dat te doen, moet je de fysieke wet opnemen die je vertelt welke trend de extrapolatie moet volgen."

Als een black box-model te weinig data heeft, zal het het juiste gedrag van het systeem dat gemodelleerd wordt, niet vastleggen, zei Bijan Sayyar Rodsari, directeur advanced analytics bij Rockwell Automation.

Maar simpelweg meer data in een black box-systeem gooien is niet altijd het antwoord.

Als niet beschermd tegen over-training, klemt zo'n systeem zich op elke anomalie in de data en faalt het om nauwkeurige voorspellingen te maken, zei hij. Wat anomalieën betreft, krijgt een fabrikant vaak niet de kans om een uitgebreide hoeveelheid data te verzamelen omdat de machine direct wordt uitgezet zodra een anomalie ontdekt wordt, voegde hij toe.

Vanwege het gebrek aan data en inzicht, zullen fabrikanten die black box-systemen gebruiken, machines niet helemaal naar de "sweet spot" voor maximale efficiëntie duwen, maar kiezen om wel binnen de veiligheidsmarge te blijven, zei Rodsari.

"Je puur data-gedreven model is gebonden aan de data die je erin stopt," zei Rodsari.

Noch zullen ze bereid zijn closed-loop systemen te draaien, zei hij. "Als de operator niet begrijpt wat het model doet, zullen ze altijd sceptisch zijn over het toestaan dat dit model in een closed loop draait."

Het Russisch spreekwoord, "Vertrouw maar controleer," werkt simpelweg niet met black box-modellen. Verifiëren hoe het modelleringssysteem tot zijn voorspellingen is gekomen, is bijna onmogelijk. Zonder de mogelijkheid om inputs en outputs te verifiëren, vertrouwen veel operators in manufacturing de modellen niet – en met goede reden, want de resultaten mogen niet nauwkeurig zijn.

De enige manier om zeker te weten of de initiële verwerking correct was, is door trial and error, zei Rodsari.

Hier is een simpel voorbeeld van Mas: Als een geavanceerd neurale netwerkmodel data heeft die laat zien dat vier appels 1 kilogram wegen en acht appels 2,1 kg wegen, kan het model waarschijnlijk correct het gewicht van zes appels voorspellen omdat zes binnen de bekende datapunten valt en deel is van de lineaire trend. Maar als bevraagd over het mogelijke gewicht van 12 appels (een getal buiten de datapunten) zal het ANN-model een antwoord geven maar potentieel 5 kg, of een ander off-base nummer, in plaats van de meer redelijke voorspelling van 3-3,3 kg.

"Deze black box-modellen zijn moeilijk te interpreteren gebleken," zei Rodsari. "Hoewel goed voor het creëren van een match voor variabelen van interesse, zijn ze niet behulpzaam om die relatie uit te leggen. Dat belemmert de capaciteit van mensen die deze modellen moeten gebruiken en een oordeel moeten vellen of resultaten correct zijn of niet. Voor de meeste toepassingen in de manufacturing-ruimte, heb je de capaciteit om operaties te overtuigen dat deze relatie betekenisvol is, hen een middel te geven om de kwaliteit te monitoren, en beslissingen die schadelijk voor de operatie zijn te voorkomen.

"Je hebt de capaciteit nodig om enige zichtbaarheid in de aard van het model te bieden, zodat de operator erop kan vertrouwen."

Minder is meer

Terwijl physics-informed AI-simulaties voorspellingen kunnen maken op basis van significant minder data, omdat ze data gebruiken die hogere kwaliteit is en relevanter voor de machine en het probleem.

Zoals de naam impliceert, voegt physics-informed AI relevante data, fysieke wetten, en voorafgaande kennis toe, zoals prestatieparameters en normen van de machine die gemodelleerd wordt, zei Gao.

"De wetten van de natuurkunde bevatten een enorme rijkdom aan informatie op een heel gecondenseerde manier," zei Van der Auweraer. "Physics-based simulatiemethoden gebruiken deze fysieke wetten. Dus ze kunnen AI-systemen een extremelijk krachtige voorsprong geven door deze kennis mee te nemen in plaats van te wachten tot voldoende representatieve data komt."

Met die gecodeerde fysieke kennis, kunnen physics-informed AI-modellen voorspellingen maken op basis van minder data, zei Rodsari.

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

Physics-informed AI-modellen laten AI leren van data in proces, namacend een hersen die leert, en kunnen verbeteren naarmate meer data beschikbaar komt, zei Mas.

Manufacturing-engineers kunnen dan hun bestaande structuren en systemen aanpassen en afstemmen om het model voor hun fabriek werkzaam te maken.

"Als je data observeert, zijn er typisch relaties die je kent, vooral voor een engineer," zei Mas. "Er is bekende fysica en onbekende fysica. Dit is hoe physics-informed AI werkt. In plaats van de volledige datarelaties als een black box te behandelen, kun je ook sommige fysische vergelijkingen op de data leggen zoals 'energiebehoud' of complexere dingen, zoals 'golfachtig gedrag', zodat het machine learning-algoritme balancert tussen de data en de fysica. Dit wordt typisch gedaan via een loss function, wat de doelfunctie is voor het algoritme om de fout met data te minimaliseren terwijl aan de fysica voldaan wordt."

PINN begint impact te maken op manufacturing

De eerste PINN-toepassingen duiken op in manufacturing-processen met complexe modellen en relaties, zoals in additieve manufacturing, zei Van der Auweraer.

Andere vroege adopters zullen in de voedingsmiddelenindustrie of farmaceutische verwerkingsindustrie zitten waar complexe processen een zuivere simulatiebenadering kunnen belemmeren en waar de AI in een PINN-benadering veelbelovende resultaten kan opleveren, zeiden Van der Auweraer en Mas.

PINN-modellen kunnen ook arbeidsintensieve labtesten en ontwerp aanvullen of vervangen, zei Mas, door de bestaande sterktes van labtesten en de voordelen van physics-based simulaties te combineren om nieuwe materialen en producten nauwkeurig te ontwerpen in veel minder tijd met minder labtesten.

Grijs box gezien als mogelijkheid

De grootste uitdaging is dat machine learning vandaag gedaan wordt door data scientists die scripts schrijven in hun favoriete data science-taal, zei Mas, als tegenover beschikbaar en toegankelijk voor de engineer die een product ontwikkelt via toepassingsgerichte, 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 ligt bij de engineers om creatief aan te passen en aan te passen."

De krachtigste benadering kan het combineren van de fysieke relaties binnen het artificiële neurale netwerk zijn, het aanvullen van dat netwerk of als een specifieke laag of structuur binnen het neurale netwerk, zei Van der Auweraer.

Dat zou de black box transformeren tot een grijs box.

"Zulk netwerk zou getraind kunnen worden vanaf high-quality simulaties. Het kan interne fysieke relaties bevatten voor een meer gecondenseerd en krachtig netwerk dat ook sneller getraind kan worden en uiteindelijk verder getraind kan worden door elke data die tijdens de levenscyclus binnenkomt," zei hij.