L'IA informée par la physique booste l'efficacité et le débit des séchoirs pour la production d'éthanol

Un producteur d'éthanol d'énergie agricole qui avait besoin d'optimiser la performance de ses séchoirs a adopté un modèle d'intelligence artificielle (IA) informé par la physique de Rockwell Automation. Le contrôleur en boucle fermée a déplacé la charge de séchage du séchoir d'usine vers l'évaporateur et a été personnalisé pour réduire les pertes de chaleur. Résultat : une augmentation de 12 % du débit et une hausse de près de 10 % de l'efficacité énergétique, selon Rockwell.

Les simulations d'IA informées par la physique, telles que les réseaux de neurones informés par la physique (PINN), commencent à remplacer les modèles de réseaux de neurones artificiels (ANN), considérés comme des modèles boîte noire. Les modèles informés par la physique donnent des prédictions plus précises et plus fiables que les simulations ANN.

Les deux modèles sont pilotés par les données, mais les ANN requièrent d'énormes quantités de données opérationnelles, a dit Herman Van der Auweraer, directeur de l'innovation technologique chez Siemens Digital Industries Software.

Les modèles de réseaux de neurones artificiels sont aussi très complexes et peuvent prendre beaucoup de temps pour acquérir un référentiel de données, a dit Robert X. Gao, professeur et chef du département de génie mécanique et aérospatial à la Case Western Reserve University.

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

Bien que certains puissent décrire les réseaux de neurones comme de l'IA, les réseaux de neurones sont simplement une façon très intelligente de prédire entre points de données connus (interpolation), a dit Peter Mas, directeur des services d'ingénierie chez Siemens Software. En utilisant ANN, prédire avec précision des valeurs pour des points hors de la plage de données (extrapolation) n'est pas possible, a-t-il dit.

Par exemple, des événements comme les pannes d'éoliennes qui surviennent rarement ne sont pas capturés par les données et pourraient mener à une représentation erronée, a dit Van der Auweraer.

« Aucune technique de réseau de neurones ne peut prédire dans des zones où elle n'a jamais été », a dit Mas. « Pour cela, il faut inclure la loi physique qui vous dira quelle tendance l'extrapolation devra suivre. »

Si un modèle boîte noire a trop peu de données, il ne capturera pas le comportement propre du système modélisé, a dit Bijan Sayyar Rodsari, directeur de l'analytique avancée chez Rockwell Automation.

Mais simplement jeter plus de données sur un système boîte noire n'est pas toujours la réponse.

Si non protégé contre le sur-entraînement, un tel système s'accroche à chaque anomalie dans les données et échoue à faire des prédictions précises, a-t-il dit. Concernant les anomalies, souvent un fabricant n'a pas la chance de collecter une quantité extensive de données car la machine est arrêtée dès qu'une anomalie est découverte, a-t-il ajouté.

À cause du manque de données et d'insight, les fabricants utilisant des systèmes boîte noire ne pousseront pas les machines jusqu'au point optimal pour l'efficacité maximale, choisissant plutôt de rester bien dans la marge de sécurité, a dit Rodsari.

« Votre modèle purement piloté par les données est voué à être contraint par les données que vous y mettez », a dit Rodsari.

Ils ne seront pas non plus prêts à faire tourner des systèmes en boucle fermée, a-t-il dit. « Si l'opérateur ne comprend pas ce que fait le modèle, il sera toujours sceptique à permettre à ce modèle de tourner en boucle fermée. »

Le proverbe russe « Fais confiance mais vérifie » ne marche simplement pas avec les modèles boîte noire. Vérifier comment le système de modélisation a abouti à ses prédictions est presque impossible. Sans la capacité de vérifier entrées et sorties, beaucoup d'opérateurs en fabrication ne font pas confiance aux modèles – et avec raison car les résultats peuvent ne pas être précis.

La seule façon de savoir avec certitude si le traitement initial était correct est par essai-erreur, a dit Rodsari.

Voici un exemple simple de Mas : Si un modèle de réseau de neurones avancé a des données montrant que 4 pommes pèsent 1 kg et 8 pommes pèsent 2,1 kg, le modèle peut probablement prédire correctement le poids de 6 pommes car 6 se trouve dans ses points de données connus et fait partie de la tendance linéaire. Mais si on l'interroge sur le poids possible de 12 pommes (un nombre hors de ses points de données), le modèle ANN donnera une réponse mais potentiellement 5 kg, ou un autre nombre à côté de la plaque, au lieu de la prédiction plus raisonnable de 3-3,3 kg.

« Ces modèles boîte noire se sont avérés difficiles à interpréter », a dit Rodsari. « Bien que bons pour créer une correspondance pour des variables d'intérêt, ils ne sont pas utiles pour expliquer cette relation. Cela entrave la capacité des gens qui doivent mettre ces modèles en œuvre et juger si les résultats sont corrects ou non. Pour la plupart des applications dans l'espace manufacturier, vous avez besoin de la capacité de convaincre les opérations que cette relation est significative, les aider à avoir un moyen de surveiller la qualité, et prévenir des décisions qui seraient dommageables pour l'opération.

« Vous avez besoin de la capacité de fournir une certaine visibilité sur la nature du modèle pour que l'opérateur puisse lui faire confiance. »

Moins c'est plus

Pendant ce temps, les simulations d'IA informées par la physique peuvent faire des prédictions basées sur significativement moins de données car elles utilisent des données de plus haute qualité et plus pertinentes pour la machine et le problème en question.

Comme le nom l'implique, l'IA informée par la physique incorpore des données pertinentes, lois physiques, et connaissances antérieures, comme les paramètres de performance et normes de la machine modélisée, a dit Gao.

« Les lois de la physique contiennent une énorme richesse d'information sous une forme très condensée », a dit Van der Auweraer. « Les méthodes de simulation basées sur la physique utilisent ces lois physiques. Donc, elles peuvent donner un départ extrêmement puissant aux systèmes IA en apportant cette connaissance au lieu d'attendre qu'assez de données représentatives arrivent. »

Avec cette connaissance physique encodée, les modèles d'IA informés par la physique peuvent faire des prédictions basées sur moins de données, a dit Rodsari.

« Nous voulons construire des modèles qui sont utiles aux fabricants en temps réel », a-t-il dit.

Les modèles d'IA informés par la physique permettent à l'IA d'apprendre des données en cours de processus, imitant un cerveau qui apprend, et peuvent s'améliorer à mesure que plus de données deviennent disponibles, a dit Mas.

Les ingénieurs de fabrication peuvent alors modifier et adapter leurs structures et systèmes existants pour faire fonctionner le modèle pour leur usine.

« Quand vous observez des données, il y a typiquement des relations que vous connaissez, surtout pour un ingénieur », a dit Mas. « Il y a de la physique connue et de la physique inconnue. C'est comme ça que marche l'IA informée par la physique. Au lieu de juste traiter les relations de données complètes comme une boîte noire, vous pouvez aussi imposer certaines équations physiques sur les données comme « conservation de l'énergie » ou des choses plus complexes, comme « comportement ondulatoire », pour que l'algorithme d'apprentissage machine équilibre entre les données et la physique. Cela se fait typiquement via une fonction de perte, qui est la fonction cible pour l'algorithme de minimiser l'erreur avec les données tout en satisfaisant la physique. »

Les PINN commencent à impacter la fabrication

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

Les autres premiers adopteurs seront dans l'industrie alimentaire ou pharmaceutique où des processus complexes peuvent entraver une approche purement simulation-based et où l'IA dans une approche PINN peut donner des résultats prometteurs, ont dit Van der Auweraer et Mas.

Les modèles PINN peuvent aussi compléter ou remplacer les tests de laboratoire intensifs en main-d'œuvre et la conception, a dit Mas, combinant les forces existantes des tests de laboratoire et les bénéfices 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 de laboratoire.

La boîte grise vue comme une possibilité

Le plus grand défi est que l'apprentissage machine est fait aujourd'hui par des data scientists qui écrivent des scripts dans leur langage de data science préféré, a dit Mas, par opposition à être disponible et accessible à l'ingénieur qui développe un produit via des plateformes low-code orientées application comme l'application ROM Building que Siemens développe actuellement dans son portefeuille Simcenter.

« Vous pouvez commencer avec la structure générique », a dit Gao. « L'innovation revient aux ingénieurs pour modifier et adapter créativement. »

L'approche la plus puissante peut être de combiner les relations physiques à l'intérieur du réseau de neurones artificiel, complétant ce réseau ou comme une couche ou structure spécifique dans le réseau de neurones, a dit Van der Auweraer.

Cela transformerait la boîte noire en boîte grise.

« Un tel réseau pourrait commencer à être entraîné à partir de simulations de haute qualité. Il peut contenir des relations physiques internes pour un réseau plus condensé et puissant qui s'entraînera aussi plus vite et pourra ultimement être encore entraîné par toute donnée qui pourrait arriver pendant son cycle de vie », a-t-il dit.