Mit physikalisch informierter KI können Maschinenbediener vertrauen und verifizieren

einem Ethanolhersteller für landwirtschaftliche Energie, der optimiert werden musste Die Trocknerleistung übernahm ein physikalisch informiertes Modell der künstlichen Intelligenz (KI) von Rockwell Automation. Der Closed-Loop-Regler verlagerte die Trocknungslast vom Fabriktrockner zum Verdampfer und wurde angepasst, um Wärmeverluste zu reduzieren. Das Ergebnis:eine 12-prozentige Steigerung des Durchsatzes und eine fast 10-prozentige Steigerung der Energieeffizienz, sagte Rockwell.

Physikalisch informierte KI-Simulationen wie Physikalisch informierte neuronale Netze (PINNs) beginnen, künstliche neuronale Netzmodelle (KNNs) zu ersetzen, die als Black-Box-Modelle gelten. Auf Physik basierende Modelle liefern genauere und vertrauenswürdigere Vorhersagen als ANN-Simulationen.

Beide Modelle sind datengesteuert, aber ANNs benötigen riesige Mengen an Betriebsdaten, sagte Herman Van der Auweraer, Director of Technology Innovation bei Siemens Digital Industries Software.

Modelle künstlicher neuronaler Netze sind außerdem sehr komplex und es kann viel Zeit in Anspruch nehmen, einen Datenmaßstab zu erfassen, sagte Robert X. Gao, Professor und Vorsitzender der Fakultät für Maschinenbau und Luft- und Raumfahrttechnik an der Case Western Reserve University.

„Der Mangel an Transparenz und Interpretierbarkeit von Modellen für KI/maschinelles Lernen [ML] wurde allgemein als Engpass für die weit verbreitete Einführung von KI/ML in der Fertigung erkannt. Bei der Herstellung geht es von Natur aus darum, physikalische Prinzipien und Gesetze anzuwenden, um Materialien zu nützlichen Produkten für industrielle oder kommerzielle Anwendungen zu verarbeiten“, sagte er.

Obwohl manche Leute neuronale Netze als KI bezeichnen, sind neuronale Netze einfach eine sehr intelligente Methode, um zwischen bekannten Datenpunkten Vorhersagen zu treffen (Interpolation), sagte Peter Mas, Director Engineering Services bei Siemens Software. Mit ANN ist eine genaue Vorhersage von Werten für Punkte außerhalb des Datenbereichs (Extrapolation) nicht möglich, sagte er.

Beispielsweise werden selten auftretende Ereignisse wie Windturbinenstörungen von den Daten nicht erfasst und könnten zu einer fehlerhaften Darstellung führen, sagte Van der Auweraer.

„Keine neuronale Netzwerktechnik kann in Bereichen vorhersagen, in denen sie noch nie zuvor war“, sagte Mas. „Dazu müssen Sie das physikalische Gesetz einbeziehen, das Ihnen sagt, welchem ​​Trend die Extrapolation folgen muss.“

Wenn ein Black-Box-Modell zu wenige Daten enthält, wird es das korrekte Verhalten des zu modellierenden Systems nicht erfassen, sagte Bijan Sayyar Rodsari, Director of Advanced Analytics bei Rockwell Automation.

Aber einfach mehr Daten auf ein Blackbox-System zu werfen, ist nicht immer die Antwort.

Wenn ein solches System nicht vor Übertraining geschützt ist, erfasst es jede Anomalie in den Daten und kann keine genauen Vorhersagen treffen, sagte er. In Bezug auf Anomalien hat ein Hersteller oft nicht die Möglichkeit, umfangreiche Datenmengen zu sammeln, da die Maschine abgeschaltet wird, sobald eine Anomalie entdeckt wird, fügte er hinzu.

Aufgrund des Mangels an Daten und Einblicken werden Hersteller, die Black-Box-Systeme verwenden, Maschinen nicht bis zum optimalen Punkt für maximale Effizienz treiben, sondern sich stattdessen dafür entscheiden, sich weit innerhalb der Sicherheitsmarge zu irren, sagte Rodsari.

„Ihr rein datengesteuertes Modell wird zwangsläufig durch die eingegebenen Daten eingeschränkt“, sagte Rodsari.

Sie werden auch nicht bereit sein, Systeme mit geschlossenem Regelkreis zu betreiben, sagte er. „Wenn der Bediener nicht versteht, was das Modell tut, wird er immer skeptisch sein, dieses Modell in einem geschlossenen Kreislauf laufen zu lassen.“

Das russische Sprichwort „Vertraue, aber verifiziere“ funktioniert bei Black-Box-Modellen einfach nicht. Es ist nahezu unmöglich zu überprüfen, wie das Modellierungssystem zu seinen Vorhersagen gekommen ist. Ohne die Möglichkeit, Eingaben und Ausgaben zu überprüfen, vertrauen viele Bediener in der Fertigung den Modellen nicht – und das aus gutem Grund, da die Ergebnisse möglicherweise nicht genau sind.

Der einzige Weg, um sicher zu wissen, ob die anfängliche Verarbeitung korrekt war, ist durch Versuch und Irrtum, sagte Rodsari.

Hier ist ein einfaches Beispiel von Mas:Wenn ein fortgeschrittenes neuronales Netzwerkmodell über Daten verfügt, die zeigen, dass vier Äpfel 1 kg und acht Äpfel 2,1 kg wiegen, kann das Modell wahrscheinlich das Gewicht von sechs Äpfeln korrekt vorhersagen, da sechs in seine bekannten Datenpunkte fallen und es sind Teil des linearen Trends. Aber wenn nach dem möglichen Gewicht von 12 Äpfeln gefragt wird (eine Zahl außerhalb seiner Datenpunkte), wird das ANN-Modell eine Antwort geben, aber möglicherweise 5 kg oder eine andere Off-Base-Zahl anstelle der vernünftigeren Vorhersage von 3-3,3 kg.

„Diese Black-Box-Modelle haben sich als schwierig zu interpretieren erwiesen“, sagte Rodsari. „Obwohl sie gut geeignet sind, um eine Übereinstimmung für interessierende Variablen zu erstellen, sind sie nicht hilfreich, um diese Beziehung zu erklären. Das behindert die Fähigkeit der Menschen, die diese Modelle anwenden und beurteilen müssen, ob die Ergebnisse korrekt sind oder nicht. Für die meisten Anwendungen in der Fertigung müssen Sie die Betriebsabläufe davon überzeugen, dass diese Beziehung sinnvoll ist, ihnen dabei helfen, die Qualität zu überwachen und Entscheidungen zu verhindern, die sich nachteilig auf die Betriebsabläufe auswirken.

„Sie müssen in der Lage sein, einen gewissen Einblick in die Art des Modells zu geben, damit der Bediener ihm vertrauen kann.“

Weniger ist mehr

In der Zwischenzeit können physikalisch informierte KI-Simulationen Vorhersagen auf der Grundlage von deutlich weniger Daten treffen, da sie Daten verwenden, die von höherer Qualität und relevanter für die Maschine und das vorliegende Problem sind.

Wie der Name schon sagt, integriert physikalisch informierte KI relevante Daten, physikalische Gesetze und Vorwissen, wie z. B. Leistungsparameter und Normen der zu modellierenden Maschine, sagte Gao.

„Die Gesetze der Physik enthalten auf sehr komprimierte Weise eine enorme Fülle von Informationen“, sagte Van der Auweraer. „Physikalische Simulationsmethoden nutzen diese physikalischen Gesetze. Sie können KI-Systemen also einen enormen Vorsprung verschaffen, indem sie dieses Wissen einbringen, anstatt warten zu müssen, bis genügend repräsentative Daten vorliegen.“

Mit diesem verschlüsselten physikalischen Wissen können physikalisch informierte KI-Modelle Vorhersagen auf der Grundlage von weniger Daten treffen, sagte Rodsari.

„Wir wollen Modelle bauen, die Herstellern in Echtzeit helfen“, sagte er.

Physisch informierte KI-Modelle ermöglichen es der KI, aus in Bearbeitung befindlichen Daten zu lernen, indem sie ein Gehirnlernen nachahmen, und können sich verbessern, wenn mehr Daten verfügbar werden, sagte Mas.

Fertigungsingenieure können dann ihre bestehenden Strukturen und Systeme modifizieren und anpassen, damit das Modell für ihre Fabrik funktioniert.

„Wenn Sie Daten beobachten, gibt es typischerweise Beziehungen, die Sie kennen, insbesondere für einen Ingenieur“, sagte Mas. „Es gibt bekannte Physik und unbekannte Physik. So funktioniert physikalisch informierte KI. Anstatt die vollständigen Datenbeziehungen nur als Blackbox zu behandeln, können Sie den Daten auch einige physikalische Gleichungen wie „Energieerhaltung“ oder komplexere Dinge wie „wellenähnliches Verhalten“ auferlegen, damit der maschinelle Lernalgorithmus dies tut Gleichgewicht zwischen den Daten und der Physik. Dies erfolgt typischerweise durch eine Verlustfunktion, die die Zielfunktion für den Algorithmus ist, um Fehler mit Daten zu minimieren und gleichzeitig die Physik zu erfüllen.“

PINN beginnt sich auf die Fertigung auszuwirken

Die ersten PINN-Anwendungen entstehen in Fertigungsprozessen mit komplexen Modellen und Beziehungen, wie etwa in der additiven Fertigung, sagte Van der Auweraer.

Andere Early Adopters werden in der Lebensmittelindustrie oder der pharmazeutischen Verarbeitungsindustrie sein, wo komplexe Prozesse einen rein simulationsbasierten Ansatz behindern können und wo die KI in einem PINN-Ansatz vielversprechende Ergebnisse liefern kann, sagten Van der Auweraer und Mas.

PINN-Modelle können auch arbeitsintensive Labortests und -designs ergänzen oder ersetzen, sagte Mas, indem sie die bestehenden Stärken von Labortests und die Vorteile von physikbasierten Simulationen kombinieren, um neue Materialien und Produkte in viel kürzerer Zeit und mit weniger Labortests genau zu entwerfen /P>

Grauer Kasten als Möglichkeit gesehen

Die größte Herausforderung besteht darin, dass maschinelles Lernen heute von Datenwissenschaftlern durchgeführt wird, die Skripte in ihrer bevorzugten Datenwissenschaftssprache schreiben, sagte Mas, im Gegensatz zu verfügbaren und zugänglichen Ingenieuren, die ein Produkt über anwendungsorientierte Low-Code-Plattformen wie entwickeln die Anwendung ROM Building, die Siemens derzeit innerhalb seines Simcenter-Portfolios entwickelt.

„Sie können mit der generischen Struktur beginnen“, sagte Gao. „Die Innovation liegt in der Hand der Ingenieure, sie kreativ zu modifizieren und anzupassen.“

Der leistungsfähigste Ansatz könnte darin bestehen, die physikalischen Beziehungen innerhalb des künstlichen neuronalen Netzwerks zu kombinieren, dieses Netzwerk zu ergänzen oder als spezifische Schicht oder Struktur innerhalb des neuronalen Netzwerks, sagte Van der Auweraer.

Das würde die Blackbox in eine Greybox verwandeln.

„Ein solches Netzwerk könnte mit qualitativ hochwertigen Simulationen trainiert werden. Es kann interne physikalische Beziehungen für ein komprimierteres und leistungsfähigeres Netzwerk enthalten, das auch schneller trainiert wird und letztendlich durch alle Daten, die während seines Lebenszyklus hinzukommen, weiter trainiert werden kann, sagte er.