С помощью искусственного интеллекта, основанного на физических данных, операторы машин могут доверять и проверять

производителя этанола для сельскохозяйственной энергетики, которому необходимо было оптимизировать Производительность сушилки была основана на модели искусственного интеллекта (ИИ) с учетом физических данных от Rockwell Automation. Контроллер с обратной связью переместил нагрузку сушки с заводской сушилки на испаритель и был настроен для снижения потерь тепла. Результат:12-процентное увеличение пропускной способности и почти 10-процентное повышение энергоэффективности, сказал Роквелл.

Моделирование искусственного интеллекта с учетом физики, такое как нейронные сети с учетом физики (PINN), начинают заменять модели искусственных нейронных сетей (ANN), которые считаются моделями черного ящика. Модели, основанные на физике, дают более точные и достоверные прогнозы, чем моделирование ИНС.

Обе модели основаны на данных, но для ИНС требуется огромное количество операционных данных, – говорит Герман Ван дер Ауверар, директор по технологическим инновациям в Siemens Digital Industries Software.

Модели искусственных нейронных сетей также очень сложны, и для получения эталонных данных может потребоваться много времени, – сказал Роберт X. Гао, профессор и заведующий кафедрой машиностроения и аэрокосмической техники в Университете Кейс Вестерн Резерв.

«Отсутствие прозрачности и интерпретируемости моделей искусственного интеллекта/машинного обучения [ML] общепризнанно является узким местом для широкого внедрения искусственного интеллекта/машинного обучения в производство. По сути, производство — это применение физических принципов и законов для переработки материалов в полезные продукты для промышленного или коммерческого применения», — сказал он.

Хотя некоторые люди могут описывать нейронные сети как ИИ, нейронные сети — это просто очень умный способ прогнозирования между известными точками данных (интерполяция), сказал Питер Мас, директор по инженерным услугам в Siemens Software. По его словам, с помощью ANN невозможно точно предсказать значения для точек за пределами диапазона данных (экстраполяция).

Например, такие события, как сбои ветряных турбин, которые происходят редко, не фиксируются данными и могут привести к ошибочному отображению, – сказал Ван дер Ауверар.

«Никакой метод нейронной сети не может предсказать в областях, где он никогда не был раньше», — сказал Мас. «Для этого вам нужно включить закон физики, который скажет вам, какой тенденции должна следовать экстраполяция».

«Если в модели черного ящика слишком мало данных, она не будет отражать правильное поведение моделируемой системы», — говорит Биджан Сайяр Родсари, директор по расширенной аналитике в Rockwell Automation.

Но просто добавить больше данных в систему «черный ящик» — не всегда ответ.

По его словам, если такая система не защищена от переобучения, она улавливает каждую аномалию в данных и не может делать точных прогнозов. Что касается аномалий, часто производитель не имеет возможности собрать большой объем данных, потому что машина выключается, как только обнаруживается аномалия, добавил он.

По словам Родсари, из-за отсутствия данных и знаний производители, использующие системы «черных ящиков», не будут доводить машины до оптимального уровня для достижения максимальной эффективности, вместо этого предпочитая ошибаться в пределах допустимого предела.

"Ваша модель, основанная исключительно на данных, обязательно будет ограничена введенными вами данными", – сказал Родсари.

По его словам, они также не захотят запускать замкнутые системы. «Если оператор не понимает, что делает модель, он всегда будет скептически относиться к возможности запуска этой модели в замкнутом цикле».

Русская пословица «Доверяй, но проверяй» просто не работает с моделями черного ящика. Практически невозможно проверить, как система моделирования сделала свои прогнозы. Без возможности проверки входных и выходных данных многие операторы на производстве не доверяют моделям — и на то есть веские причины, поскольку результаты могут быть неточными.

По словам Родсари, единственный способ узнать наверняка, была ли первоначальная обработка правильной, — это методом проб и ошибок.

Вот простой пример от Маса:если продвинутая модель нейронной сети имеет данные, показывающие, что четыре яблока весят 1 кг, а восемь яблок весят 2,1 кг, модель, скорее всего, сможет правильно предсказать вес шести яблок, потому что шесть попадает в известные точки данных и часть линейного тренда. Но если спросить о возможном весе 12 яблок (число за пределами ее точек данных), модель ИНС даст ответ, но потенциально 5 кг или другое нестандартное число вместо более разумного прогноза 3-3,3 кг.

«Эти модели черного ящика оказались трудными для интерпретации», — сказал Родсари. «Хотя они хороши для сопоставления интересующих переменных, они бесполезны для объяснения этой взаимосвязи. Это ограничивает возможности людей, которым приходится применять эти модели, и делать выводы о том, верны результаты или нет. Для большинства приложений в производственной среде вам нужна способность убеждать сотрудников в том, что эти отношения имеют смысл, помогать им иметь средства контроля качества и предотвращать решения, которые могут нанести ущерб работе.

«Вам нужна возможность обеспечить некоторую видимость характера модели, чтобы оператор мог ей доверять».

Чем меньше, тем лучше

В то же время модели искусственного интеллекта с учетом физики могут делать прогнозы на основе значительно меньшего количества данных, поскольку они используют данные более высокого качества и более актуальные для машины и решаемой проблемы.

Как следует из названия, искусственный интеллект, основанный на физических данных, включает в себя соответствующие данные, физические законы и предварительные знания, такие как параметры производительности и нормы моделируемой машины, – сказал Гао.

«Законы физики содержат огромное количество информации в очень сжатом виде», — сказал Ван дер Ауверар. «Методы моделирования, основанные на физике, используют эти законы физики. Таким образом, они могут дать очень мощный старт системам ИИ, используя эти знания вместо того, чтобы ждать, пока не будет получено достаточно репрезентативных данных».

По словам Родсари, с этими закодированными физическими знаниями модели искусственного интеллекта с учетом физики могут делать прогнозы на основе меньшего количества данных.

«Мы хотим создавать модели, которые будут полезны производителям в режиме реального времени», — сказал он.

По словам Маса, модели ИИ, основанные на физике, позволяют ИИ учиться на данных в процессе, имитируя обучение мозга, и могут совершенствоваться по мере поступления новых данных.

Затем инженеры-технологи могут модифицировать и адаптировать свои существующие структуры и системы, чтобы модель работала на их заводе.

«Когда вы наблюдаете за данными, обычно есть известные вам взаимосвязи, особенно для инженера», — сказал Мас. «Есть известная физика и неизвестная физика. Вот как работает искусственный интеллект с учетом физики. Вместо того, чтобы просто рассматривать полные отношения данных как черный ящик, вы также можете наложить на данные некоторые физические уравнения, такие как «сохранение энергии» или более сложные вещи, такие как «волновое поведение», чтобы алгоритм машинного обучения баланс между данными и физикой. Обычно это делается с помощью функции потерь, которая является целевой функцией алгоритма для минимизации ошибок с данными при соблюдении физики».

PINN начинает влиять на производство

По словам Ван дер Аувераера, первые приложения PINN появляются в производственных процессах со сложными моделями и взаимосвязями, например в аддитивном производстве.

По словам Ван дер Аувераера и Маса, другие первые пользователи будут в пищевой промышленности или фармацевтической промышленности, где сложные процессы могут помешать подходу, основанному исключительно на моделировании, и где ИИ в подходе PINN может дать многообещающие результаты.

По словам Маса, модели PINN также могут дополнять или заменять трудоемкие лабораторные испытания и проектирование, сочетая существующие сильные стороны лабораторных испытаний и преимущества физического моделирования для точного проектирования новых материалов и продуктов за гораздо меньшее время с использованием меньшего количества лабораторных испытаний.

Серый ящик рассматривается как возможность

По словам Мас, самая большая проблема заключается в том, что сегодня машинное обучение выполняется учеными данных, которые пишут сценарии на предпочитаемом ими языке науки о данных, в отличие от доступных и доступных для инженера, который разрабатывает продукт с помощью ориентированных на приложения платформ с низким кодом, таких как приложение ROM Building, которое Siemens в настоящее время разрабатывает в рамках своего портфолио Simcenter.

«Вы можете начать с общей структуры, — сказал Гао. «Инновации должны творчески модифицировать и адаптировать инженеры».

По словам Ван дер Аувераера, наиболее эффективным подходом может быть объединение физических взаимосвязей внутри искусственной нейронной сети, дополнение этой сети или создание определенного слоя или структуры внутри нейронной сети.

Это превратило бы черный ящик в серый ящик.

«Такую сеть можно было бы начать обучать на высококачественных симуляциях. По его словам, он может содержать внутренние физические отношения для более компактной и мощной сети, которая также будет обучаться быстрее и в конечном итоге может быть дополнительно обучена любым данным, которые могут появиться в течение ее жизненного цикла.