Grâce à l'IA basée sur la physique, les opérateurs de machines peuvent faire confiance et vérifier

Un fabricant d'éthanol pour l'énergie agricole qui devait optimiser Les performances du séchoir ont adopté un modèle d'intelligence artificielle (IA) basé sur la physique de Rockwell Automation. Le contrôleur en boucle fermée a déplacé la charge de séchage du séchoir de l'usine vers l'évaporateur et a été personnalisé pour réduire les pertes de chaleur. Le résultat :une augmentation de 12 % du débit et une augmentation de près de 10 % de l'efficacité énergétique, a déclaré Rockwell.

Les simulations d'IA basées sur la physique, telles que les réseaux de neurones informés sur la physique (PINN), commencent à remplacer les modèles de réseaux de neurones artificiels (ANN), qui sont considérés comme des modèles de boîte noire. Les modèles basés sur la physique produisent des prédictions plus précises et plus fiables que les simulations ANN.

Les deux modèles sont basés sur les données, mais les ANN nécessitent de grandes quantités de données opérationnelles, a déclaré Herman Van der Auweraer, directeur de l'innovation technologique chez Siemens Digital Industries Software.

Les modèles de réseaux de neurones artificiels sont également très complexes et peuvent prendre beaucoup de temps pour acquérir une référence de données, a déclaré Robert X. Gao, professeur et directeur du département de génie mécanique et aérospatial à la Case Western Reserve University.

"Le manque de transparence et d'interprétabilité des modèles d'IA/apprentissage automatique [ML] a été bien reconnu comme un goulot d'étranglement pour l'adoption généralisée de l'IA/ML dans la fabrication. Intrinsèquement, la fabrication consiste à appliquer des principes et des lois physiques pour transformer des matériaux en produits utiles pour des applications industrielles ou commerciales », a-t-il déclaré.

Bien que certaines personnes puissent décrire les réseaux de neurones comme de l'IA, les réseaux de neurones sont simplement un moyen très intelligent de prédire entre des points de données connus (interpolation), a déclaré Peter Mas, directeur des services d'ingénierie chez Siemens Software. En utilisant ANN, il n'est pas possible de prédire avec précision les valeurs des points en dehors de la plage de données (extrapolation), a-t-il déclaré.

Par exemple, des événements tels que les pannes d'éoliennes qui se produisent rarement ne sont pas capturés par les données et pourraient conduire à une représentation erronée, a déclaré Van der Auweraer.

"Aucune technique de réseau neuronal ne peut prédire dans des zones où elle n'a jamais été auparavant", a déclaré Mas. "Pour ce faire, vous devez inclure la loi de la physique qui vous indiquera quelle tendance l'extrapolation devra suivre."

Si un modèle de boîte noire contient trop peu de données, il ne capturera pas le bon comportement du système modélisé, a déclaré Bijan Sayyar Rodsari, directeur des analyses avancées chez Rockwell Automation.

Mais envoyer simplement plus de données à un système de boîte noire n'est pas toujours la solution.

S'il n'est pas protégé contre le surentraînement, un tel système se verrouille sur chaque anomalie dans les données et ne parvient pas à faire des prédictions précises, a-t-il déclaré. En ce qui concerne les anomalies, souvent un fabricant n'a pas la possibilité de collecter une grande quantité de données car la machine est arrêtée dès qu'une anomalie est découverte, a-t-il ajouté.

En raison du manque de données et de connaissances, les fabricants utilisant des systèmes de boîte noire ne pousseront pas les machines jusqu'au point idéal pour une efficacité maximale, choisissant plutôt de se tromper bien dans la marge de sécurité, a déclaré Rodsari.

"Votre modèle purement basé sur les données est forcément limité par les données que vous y introduisez", a déclaré Rodsari.

Ils ne seront pas non plus disposés à faire fonctionner des systèmes en boucle fermée, a-t-il déclaré. "Si l'opérateur ne comprend pas ce que fait le modèle, il sera toujours sceptique quant à l'exécution de ce modèle en boucle fermée."

Le proverbe russe, "Faites confiance mais vérifiez", ne fonctionne tout simplement pas avec les modèles de boîte noire. Il est presque impossible de vérifier comment le système de modélisation a élaboré ses prédictions. Sans la possibilité de vérifier les entrées et les sorties, de nombreux opérateurs de fabrication ne font pas confiance aux modèles, et pour cause, car les résultats peuvent ne pas être exacts.

La seule façon de savoir avec certitude si le traitement initial était correct est par essais et erreurs, a déclaré Rodsari.

Voici un exemple simple tiré de Mas :si un modèle de réseau neuronal avancé dispose de données montrant que quatre pommes pèsent 1 kg et que huit pommes pèsent 2,1 kg, le modèle peut probablement prédire correctement le poids de six pommes, car six se situent dans ses points de données connus et sont partie de la tendance linéaire. Mais s'il est interrogé sur le poids possible de 12 pommes (un nombre en dehors de ses points de données), le modèle ANN donnera une réponse mais potentiellement 5 kg, ou un autre nombre hors base, au lieu de la prédiction plus raisonnable de 3-3,3 kg.

"Ces modèles de boîte noire se sont avérés difficiles à interpréter", a déclaré Rodsari. "Bien qu'ils soient bons pour créer une correspondance pour les variables d'intérêt, ils ne sont pas utiles pour expliquer cette relation. Cela entrave la capacité des personnes qui doivent utiliser ces modèles et juger si les résultats sont corrects ou non. Pour la plupart des applications dans l'espace de fabrication, vous devez être en mesure de convaincre les opérations que cette relation est significative, de les aider à disposer d'un moyen de surveiller la qualité et d'empêcher les décisions qui vont nuire à l'opération.

"Vous devez être en mesure de fournir une certaine visibilité sur la nature du modèle afin que l'opérateur puisse lui faire confiance."

Moins c'est plus

Pendant ce temps, les simulations d'IA basées sur la physique peuvent faire des prédictions basées sur beaucoup moins de données, car elles utilisent des données de meilleure qualité et plus pertinentes pour la machine et le problème à résoudre.

Comme son nom l'indique, l'IA basée sur la physique intègre des données pertinentes, des lois physiques et des connaissances préalables, telles que les paramètres de performance et les normes de la machine modélisée, a déclaré Gao.

"Les lois de la physique contiennent une énorme richesse d'informations de manière très condensée", a déclaré Van der Auweraer. « Les méthodes de simulation basées sur la physique utilisent ces lois physiques. Ainsi, ils peuvent donner une longueur d'avance extrêmement puissante aux systèmes d'IA en apportant ces connaissances au lieu d'avoir à attendre que suffisamment de données représentatives arrivent."

Avec ces connaissances physiques codées, les modèles d'IA basés sur la physique peuvent faire des prédictions basées sur moins de données, a déclaré Rodsari.

"Nous voulons créer des modèles utiles aux fabricants en temps réel", a-t-il déclaré.

Les modèles d'IA basés sur la physique permettent à l'IA d'apprendre à partir des données en cours, imitant un apprentissage cérébral, et peuvent s'améliorer à mesure que davantage de données deviennent disponibles, a déclaré Mas.

Les ingénieurs de fabrication peuvent ensuite modifier et adapter leurs structures et systèmes existants pour que le modèle fonctionne pour leur usine.

"Lorsque vous observez des données, il existe généralement des relations que vous connaissez, en particulier pour un ingénieur", a déclaré Mas. « Il y a une physique connue et une physique inconnue. C'est ainsi que fonctionne l'IA basée sur la physique. Au lieu de simplement traiter les relations de données complètes comme une boîte noire, vous pouvez également imposer des équations physiques aux données telles que la "conservation de l'énergie" ou des éléments plus complexes, tels que le "comportement ondulatoire", afin que l'algorithme d'apprentissage automatique équilibre entre les données et la physique. Cela se fait généralement par le biais d'une fonction de perte, qui est la fonction cible de l'algorithme pour minimiser les erreurs avec les données tout en satisfaisant la physique. »

Le PINN commence à avoir un impact sur la fabrication

Les premières applications PINN émergent dans les processus de fabrication avec des modèles et des relations complexes, comme dans la fabrication additive, a déclaré Van der Auweraer.

D'autres adopteurs précoces se trouveront dans l'industrie alimentaire ou l'industrie de transformation pharmaceutique où des processus complexes peuvent entraver une approche purement basée sur la simulation et où l'IA dans une approche PINN peut donner des résultats prometteurs, ont déclaré Van der Auweraer et Mas.

Les modèles PINN peuvent également compléter ou remplacer les tests et la conception en laboratoire à forte intensité de main-d'œuvre, a déclaré Mas, combinant les forces existantes des tests en laboratoire et les avantages des simulations basées sur la physique pour concevoir avec précision de nouveaux matériaux et produits en beaucoup moins de temps en utilisant moins de tests en laboratoire. /P>

La boîte grise considérée comme une possibilité

Le plus grand défi est que l'apprentissage automatique est effectué aujourd'hui par des scientifiques des données qui écrivent des scripts dans leur langage de science des données préféré, a déclaré Mas, par opposition à disponible et accessible à l'ingénieur qui développe un produit via des plates-formes orientées application et à faible code comme l'application ROM Building que Siemens développe actuellement dans son portefeuille Simcenter.

"Vous pouvez commencer par la structure générique", a déclaré Gao. "C'est aux ingénieurs de modifier et d'adapter de manière créative l'innovation."

L'approche la plus puissante peut être de combiner les relations physiques à l'intérieur du réseau de neurones artificiels, en complément de ce réseau ou en tant que couche ou structure spécifique au sein du réseau de neurones, a déclaré Van der Auweraer.

Cela transformerait la boîte noire en une boîte grise.

« Un tel réseau pourrait commencer à être formé à partir de simulations de haute qualité. Il peut contenir des relations physiques internes pour un réseau plus condensé et puissant qui sera également formé plus rapidement et pourra finalement être formé davantage par toutes les données qui pourraient survenir au cours de son cycle de vie, a-t-il déclaré.