Физически-информированный ИИ повышает эффективность и производительность сушилок для этанола

Производитель аграрной энергии этанола, нуждавшийся в оптимизации сушилок, внедрил физически-информированную модель ИИ от Rockwell Automation. Замкнутый контроллер сместил нагрузку сушки с заводской сушилки на испаритель и был настроен для уменьшения тепловых потерь. Результат: увеличение пропускной способности на 12% и энергоэффективности почти на 10%, по данным Rockwell.

Физически-информированный ИИ против черных ящиков

Физически-информированные ИИ-симуляции, такие как физически-информированные нейронные сети (PINN), начинают заменять модели искусственных нейронных сетей (ANN), считающиеся черными ящиками. Физически-информированные модели дают более точные и доверенные прогнозы, чем ANN.

Обе модели 데이터-ориентированы, но ANN требуют огромные объемы операционных данных, сказал Герман Ван дер Аувервер, директор инноваций технологий Siemens Digital Industries Software.

ANN также очень сложны и требуют много времени для набора бенчмарка данных, сказал Роберт Си. Гао, профессор и председатель кафедры механики и аэрокосмического инжиниринга Case Western Reserve University.

«Непрозрачность и неинтерпретируемость ИИ/ML моделей признана узким местом для массового принятия ИИ/ML в производстве. Производство по сути — применение физических принципов и законов к обработке материалов в полезные продукты», — сказал он.

Хотя некоторые описывают нейросети как ИИ, нейросети — просто очень умный способ предсказания между известными точками данных (интерполяция), сказал Питер Мас, директор инженерных сервисов Siemens Software. Используя ANN, точно предсказать значения вне диапазона данных (экстраполяция) невозможно.

Например, редкие события вроде поломок ветряков не захватываются данными и могут привести к ошибочному представлению, сказал Ван дер Аувервер.

«Никакая техника нейросети не может предсказать в областях, где она никогда не была», — Мас. «Для этого нужно включить физический закон, который скажет, какому тренду должна следовать экстраполяция».

Если черный ящик имеет слишком мало данных, он не уловит поведение моделируемой системы, сказал Биджан Сайяр Родсари, директор передовых аналитик Rockwell Automation.

Но просто бросание больших данных в черный ящик — не всегда ответ.

Если не защищен от переобучения, такая система цепляется за каждую аномалию в данных и не делает точных прогнозов. Об аномалиях: часто производитель не успевает собрать обширные данные, потому что станок останавливают сразу при обнаружении аномалии.

Из-за нехватки данных и инсайтов производители с черными ящиками не толкают станки до «сладкой точки» максимальной эффективности, выбирая большую запас прочности, сказал Родсари.

«Ваша чисто данные-ориентированная модель обречена быть ограниченной данными, которые вы вложили», — Родсари.

Они также не готовы запускать замкнутые системы. «Если оператор не понимает, что делает модель, он всегда будет скептичен к позволению модели работать в замкнутом контуре».

Русская пословица «Доверяй, но проверяй» не работает с черными ящиками. Верификация того, как система пришла к прогнозам, почти невозможна. Без возможности проверить входы и выходы многие операторы в производстве не доверяют моделям — и с причиной, результаты могут быть неточными.

Единственный способ узнать, верна ли начальная обработка — проба и ошибка, сказал Родсари.

Простой пример от Маса: если продвинутая нейросеть имеет данные: 4 яблока = 1 кг, 8 яблок = 2,1 кг, модель вероятно верно предскажет вес 6 яблок (внутри известных точек, линейный тренд). Но на 12 яблок (вне диапазона) ANN может дать 5 кг или другую нелепую цифру вместо разумных 3–3,3 кг.

«Эти черные ящики оказались трудными для интерпретации», — Родсари. «Хороши для подбора переменных интереса, но не помогают объяснить отношение. Это мешает людям, которые должны внедрять модели и судить о правильности результатов. Для большинства производственных применений нужна способность убедить операцию, что отношение значимо, дать средство мониторинга качества и предотвратить решения, вредные для операции.

«Нужна способность дать видимость природы модели, чтобы оператор мог ей доверять».

Меньше — значит больше

Вместе с тем, физически-информированные ИИ-симуляции могут делать прогнозы на основе значительно меньших данных, потому что используют данные более высокого качества и релевантные для конкретного станка и проблемы.

Как следует из названия, физически-информированный ИИ включает релевантные данные, физические законы и предварительные знания, такие как параметры производительности и нормы моделируемого станка, сказал Гао.

«Законы физики содержат огромное богатство информации в очень сжатом виде», — Ван дер Аувервер. «Физика-ориентированные симуляционные методы используют эти законы. Так они могут дать极其 мощный фору ИИ системам, внося это знание вместо ожидания пока накопятся достаточно представительные данные».

С этим зашитым физическим знанием физически-информированные ИИ модели могут прогнозировать на меньших данных, сказал Родсари.

«Мы хотим строить модели, полезные для производителей в реальном времени».

Физически-информированные ИИ модели позволяют ИИ учиться от данных в процессе, эмулируя обучение мозга, и улучшаться по мере поступления данных, сказал Мас.

Производственные инженеры могут модифицировать и адаптировать существующие структуры и системы под свою фабрику.

«Когда вы наблюдаете данные, обычно есть отношения, которые вы знаете, особенно для инженера», — Мас. «Есть известная физика и неизвестная физика. Так работает физически-информированный ИИ. Вместо того чтобы относиться ко всем данным как к черному ящику, можно наложить физические уравнения на данные — «сохранение энергии» или более сложные, «волновое поведение», так что ML алгоритм балансирует между данными и физикой. Обычно это делается через функцию потерь — целевую функцию для минимизации ошибки с данными при удовлетворении физики».

PINN начинает влиять на производство

Первые применения PINN появляются в производственных процессах со сложными моделями и отношениями, например в аддитивном производстве, сказал Ван дер Аувервер.

Другие ранние приемщики — пищевая или фармацевтическая промышленность, где сложные процессы могут мечить чистому симуляционному подходу, а ИИ в подходе PINN может дать многообещающие результаты, сказали Ван дер Аувервер и Мас.

PINN модели также могут дополнять или заменять трудоемкое лабораторное тестирование и дизайн, сказал Мас, комбинируя существующие сильные стороны лаб-тестирования и преимущества физики-ориентированных симуляций для точного дизайна новых материалов и продуктов за гораздо меньшее время и меньше лаб-тестов.

Серый ящик как возможность

Главный вызов: ML сегодня делается дата-сайентистами, пишущими скрипты на любимых языках, а не доступно и понятно инженеру, разрабатывающему продукт через приложения low-code вроде ROM Building, которое Siemens разрабатывает в портфолио Simcenter.

«Можно начать с общей структуры», — сказал Гао. «Инновация — на инженерах креативно модифицировать и адаптировать».

Самый мощный подход — комбинирование физических отношений внутри искусственной нейросети, дополняя ту сеть или как конкретный слой/структуру внутри нейросети, сказал Ван дер Аувервер.

Это трансформирует черный ящик в серый.

«Такая сеть может начать обучаться на высококачественных симуляциях. Может содержать внутренние физические отношения для более сжатой и мощной сети, которая также обучается быстрее и в конечном счете может дообучаться любыми данными, приходящими в жизненном цикле».