Physik-informierte KI steigert Trocknereffizienz und Durchsatz in der Ethanolproduktion

Ein landwirtschaftlicher Energie-Ethanol-Hersteller, der die Trocknerleistung optimieren musste, setzte ein physik-informiertes KI-Modell (Künstliche Intelligenz) von Rockwell Automation ein. Der Closed-Loop-Controller verlagerte die Trockenlast vom Werkstrockner auf den Verdampfer und wurde angepasst, um Wärmeverluste zu reduzieren. Das Ergebnis: 12 Prozent Durchsatzsteigerung und fast 10 Prozent Energieeffizienzsteigerung, so Rockwell.

Physik-informierte KI-Simulationen, wie Physics-Informed Neural Networks (PINNs), beginnen, Artificial Neural Network Modelle (ANNs) zu ersetzen, die als Black-Box-Modelle gelten. Physik-informierte Modelle liefern präzisere und vertrauenswürdigere Vorhersagen als ANN-Simulationen.

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

Künstliche neuronale Netzwerkmodelle sind auch sehr komplex und können viel Zeit benötigen, um einen Benchmark an Daten zu erwerben, sagte Robert X. Gao, Professor und Chair der Abteilung für Maschinenbau und Luft- und Raumfahrttechnik an der Case Western Reserve University.

„Der Mangel an Transparenz und Interpretierbarkeit von KI/Machine-Learning-[ML]-Modellen ist als Flaschenhals für die breite Adoption von KI/ML in der Fertigung gut bekannt. Inhärent geht es in der Fertigung darum, physikalische Prinzipien und Gesetze anzuwenden, um Materialien in nützliche Produkte für industrielle oder kommerzielle Anwendungen zu verarbeiten“, sagte er.

Obwohl manche neuronale Netze als KI bezeichnen, sind neuronale Netze einfach eine sehr clevere Art, zwischen bekannten Datenpunkten vorherzusagen (Interpolation), sagte Peter Mas, Director bei Engineering Services bei Siemens Software. Mit ANN ist eine präzise Vorhersage von Werten für Punkte außerhalb des Datenbereichs (Extrapolation) nicht möglich, sagte er.

Zum Beispiel werden seltene Ereignisse wie Windturbinenfehler nicht von den Daten erfasst und könnten zu fehlerhafter Repräsentation führen, so Van der Auweraer.

„Keine neuronale Netzwerktechnik kann in Bereichen vorhersagen, in denen sie noch nie war“, sagte Mas. „Dafür muss man das physikalische Gesetz einbeziehen, das vorgibt, welchen Trend die Extrapolation folgen muss.“

Wenn ein Black-Box-Modell zu wenig Daten hat, erfasst es nicht das korrekte Verhalten des modellierten Systems, sagte Bijan Sayyar Rodsari, Director of Advanced Analytics bei Rockwell Automation.

Aber einfach mehr Daten in ein Black-Box-System zu werfen, ist nicht immer die Antwort.

Wenn nicht vor Übertraining geschützt, klammert sich ein solches System an jede Anomalie in den Daten und versagt bei präzisen Vorhersagen, sagte er. Bezüglich Anomalien: Oft bekommt ein Hersteller nicht die Chance, umfangreiche Daten zu sammeln, weil die Maschine sofort abgeschaltet wird, sobald eine Anomalie entdeckt wird, fügte er hinzu.

Wegen des Daten- und Erkenntnismangels werden Hersteller, die Black-Box-Systeme nutzen, Maschinen nicht bis zum Sweet Spot für maximale Effizienz treiben, sondern lieber weit innerhalb der Sicherheitsmarge bleiben, sagte Rodsari.

„Dein rein datengetriebenes Modell ist an die Daten gebunden, die du hineingibst“, sagte Rodsari.

Sie werden auch nicht bereit sein, Closed-Loop-Systeme zu betreiben, sagte er. „Wenn der Bediener nicht versteht, was das Modell tut, wird er immer skeptisch sein, dieses Modell in einem Closed Loop laufen zu lassen.“

Das russische Sprichwort „Vertraue, aber prüfe“ funktioniert bei Black-Box-Modellen nicht. Zu verifizieren, wie das Modellsystem zu seinen Vorhersagen kam, ist nahezu unmöglich. Ohne die Fähigkeit, Eingänge und Ausgänge zu verifizieren, vertrauen viele Bediener in der Fertigung den Modellen nicht – und das mit gutem Grund, weil die Ergebnisse nicht präzise sein können.

Der einzige Weg, sicher zu wissen, ob die initiale Verarbeitung korrekt war, ist Trial and Error, sagte Rodsari.

Hier ein simples Beispiel von Mas: Wenn ein fortschrittliches neuronales Netzwerkmodell Daten hat, die zeigen, dass vier Äpfel 1 kg wiegen und acht Äpfel 2,1 kg, kann das Modell das Gewicht von sechs Äpfeln wahrscheinlich korrekt vorhersagen, weil sechs innerhalb seiner bekannten Datenpunkte liegt und Teil des linearen Trends ist. Wird aber nach dem möglichen Gewicht von 12 Äpfeln gefragt (eine Zahl außerhalb seiner Datenpunkte), gibt das ANN-Modell eine Antwort, aber potenziell 5 kg oder eine andere abwegige Zahl, statt der vernünftigeren Vorhersage von 3–3,3 kg.

„Diese Black-Box-Modelle haben sich als schwer interpretierbar erwiesen“, sagte Rodsari. „Während sie gut sind, um eine Übereinstimmung für interessante Variablen zu schaffen, helfen sie nicht, diese Beziehung zu erklären. Das hindert die Fähigkeit derer, die diese Modelle einsetzen müssen und beurteilen sollen, ob Ergebnisse korrekt sind oder nicht. Für die meisten Anwendungen im Fertigungsbereich braucht man die Fähigkeit, dem Betrieb zu vermitteln, dass diese Beziehung bedeutungsvoll ist, ihnen ein Mittel zur Qualitätsüberwachung an die Hand zu geben und Entscheidungen zu verhindern, die dem Betrieb schaden.

„Man braucht die Fähigkeit, etwas Sichtbarkeit in die Natur des Modells zu geben, damit der Bediener ihm vertrauen kann.“

Weniger ist mehr

Indessen können physik-informierte KI-Simulationen Vorhersagen auf Basis signifikant weniger Daten treffen, weil sie höherwertigere, für die Maschine und das Problem relevantere Daten nutzen.

Wie der Name impliziert, integriert physik-informierte KI relevante Daten, physikalische Gesetze und Vorwissen, wie Leistungsparameter und Normen der modellierten Maschine, sagte Gao.

„Die Gesetze der Physik enthalten eine enorme Fülle an Informationen in sehr verdichteter Form“, sagte Van der Auweraer. „Physikbasierte Simulationsmethoden nutzen diese physikalischen Gesetze. So können sie KI-Systemen einen extrem kraftvollen Vorsprung geben, indem sie dieses Wissen einbringen, statt warten zu müssen, bis genug repräsentative Daten vorliegen.“

Mit diesem kodierten physikalischen Wissen können physik-informierte KI-Modelle Vorhersagen auf Basis weniger Daten treffen, sagte Rodsari.

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

Physik-informierte KI-Modelle erlauben es KI, aus Prozessdaten zu lernen, einem Gehirn beim Lernen nachzuahmen, und sich zu verbessern, je mehr Daten verfügbar werden, sagte Mas.

Fertigungsingenieure können dann ihre bestehenden Strukturen und Systeme modifizieren und anpassen, um das Modell für ihre Fabrik wirksam zu machen.

„Wenn man Daten beobachtet, gibt es typischerweise Beziehungen, die man kennt, besonders als Ingenieur“, sagte Mas. „Es gibt bekannte Physik und unbekannte Physik. So funktioniert physik-informierte KI. Statt die vollständigen Datenbeziehungen als Black Box zu behandeln, kann man auch einige physikalische Gleichungen auf die Daten legen wie ‚Energieerhaltung‘ oder komplexere Dinge wie ‚wellenartiges Verhalten‘, sodass der Machine-Learning-Algorithmus zwischen Daten und Physik balanciert. Das wird typischerweise durch eine Loss-Function gemacht, die Zielfunktion für den Algorithmus, um Fehler an den Daten zu minimieren, während die Physik erfüllt wird.“

PINN beginnt, Fertigung zu beeinflussen

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

Weitere Early Adopters werden in der Lebensmittel- oder Pharmaindustrie sein, wo komplexe Prozesse einen rein simulationsbasierten Ansatz behindern können und wo die KI in einem PINN-Ansatz vielversprechende Ergebnisse liefern könnte, sagten Van der Auweraer und Mas.

PINN-Modelle können auch arbeitsintensive Labortests und Design ergänzen oder ersetzen, sagte Mas, indem sie die bestehenden Stärken von Labortests und die Vorteile physikbasierter Simulationen kombinieren, um neue Materialien und Produkte in viel kürzerer Zeit mit weniger Labortests präzise zu designen.

Gray Box als Möglichkeit gesehen

Die größte Herausforderung ist, dass Machine Learning heute von Data Scientists gemacht wird, die Skripte in ihrer bevorzugten Data-Science-Sprache schreiben, sagte Mas, im Gegensatz zu verfügbar und zugänglich für den Ingenieur, der ein Produkt über anwendungsorientierte Low-Code-Plattformen entwickelt wie die ROM Building Application, die Siemens derzeit in seinem Simcenter-Portfolio entwickelt.

„Man kann mit der generischen Struktur beginnen“, sagte Gao. „Die Innovation liegt beim Ingenieur, kreativ zu modifizieren und anzupassen.“

Der mächtigste Ansatz könnte sein, die Physikbeziehungen ins künstliche neuronale Netzwerk zu integrieren, dieses zu ergänzen oder als spezifischen Layer oder Struktur innerhalb des neuronalen Netzes, sagte Van der Auweraer.

Das würde die Black Box in eine Gray Box verwandeln.

„Ein solches Netzwerk könnte anfangen, aus hochwertigen Simulationen trainiert zu werden. Es kann interne Physikbeziehungen enthalten für ein verdichteteres, mächtigeres Netzwerk, das auch schneller trainiert wird und letztlich durch beliebige Daten, die während seines Lebenszyklus hinzukommen, weiter trainiert werden kann“, sagte er.