Con inteligencia artificial informada por la física, los operadores de máquinas pueden confiar y verificar

Un fabricante de etanol para energía agrícola que necesitaba optimizar El rendimiento de la secadora adoptó un modelo de inteligencia artificial (IA) basado en la física de Rockwell Automation. El controlador de circuito cerrado desplazó la carga de secado del secador de fábrica al evaporador y se personalizó para reducir las pérdidas de calor. El resultado:un aumento del 12 % en el rendimiento y un aumento de casi el 10 % en la eficiencia energética, dijo Rockwell.

Las simulaciones de IA informadas por la física, como las redes neuronales informadas por la física (PINN), están comenzando a reemplazar los modelos de redes neuronales artificiales (ANN), que se consideran modelos de caja negra. Los modelos basados ​​en la física generan predicciones más precisas y confiables que las simulaciones ANN.

Ambos modelos están basados ​​en datos, pero las ANN requieren grandes cantidades de datos operativos, dijo Herman Van der Auweraer, director de innovación tecnológica en Siemens Digital Industries Software.

Los modelos de redes neuronales artificiales también son muy complejos y pueden llevar mucho tiempo adquirir un punto de referencia de datos, dijo Robert X. Gao, profesor y presidente del departamento de ingeniería mecánica y aeroespacial de la Universidad Case Western Reserve.

“La falta de transparencia e interpretabilidad de los modelos de IA/aprendizaje automático [ML] ha sido bien reconocida como un cuello de botella para la adopción generalizada de IA/ML en la fabricación. Intrínsecamente, la fabricación consiste en aplicar leyes y principios físicos para procesar materiales y convertirlos en productos útiles para aplicaciones industriales o comerciales”, dijo.

Aunque algunas personas pueden describir las redes neuronales como IA, las redes neuronales son simplemente una forma muy inteligente de predecir entre puntos de datos conocidos (interpolación), dijo Peter Mas, director de servicios de ingeniería de Siemens Software. Con ANN, no es posible predecir con precisión valores para puntos fuera del rango de datos (extrapolación), dijo.

Por ejemplo, eventos como fallas en turbinas eólicas que ocurren raramente no son capturados por los datos y podrían conducir a una representación errónea, dijo Van der Auweraer.

“Ninguna técnica de red neuronal puede predecir en áreas donde nunca ha estado antes”, dijo Mas. "Para hacer eso, debe incluir la ley física que le dirá qué tendencia tendrá que seguir la extrapolación".

Si un modelo de caja negra tiene muy pocos datos, no capturará el comportamiento adecuado del sistema que se está modelando, dijo Bijan Sayyar Rodsari, director de análisis avanzado de Rockwell Automation.

Pero simplemente arrojar más datos a un sistema de caja negra no siempre es la respuesta.

Si no está protegido contra el sobreentrenamiento, dicho sistema se aferra a cada anomalía en los datos y no puede hacer predicciones precisas, dijo. Con respecto a las anomalías, a menudo un fabricante no tiene la oportunidad de recopilar una gran cantidad de datos porque la máquina se apaga tan pronto como se descubre una anomalía, agregó.

Debido a la falta de datos y conocimientos, los fabricantes que utilizan sistemas de caja negra no empujarán las máquinas hasta el punto ideal para obtener la máxima eficiencia, sino que optarán por errar dentro del margen de seguridad, dijo Rodsari.

"Tu modelo puramente basado en datos está obligado a estar limitado por los datos que ingresas", dijo Rodsari.

Tampoco estarán dispuestos a ejecutar sistemas de circuito cerrado, dijo. “Si el operador no comprende lo que está haciendo el modelo, siempre se mostrará escéptico acerca de permitir que este modelo se ejecute en un ciclo cerrado”.

El proverbio ruso, "Confía pero verifica", simplemente no funciona con los modelos de caja negra. Verificar cómo el sistema de modelado generó sus predicciones es casi imposible. Sin la capacidad de verificar entradas y salidas, muchos operadores en la fabricación no confían en los modelos, y con razón porque los resultados pueden no ser precisos.

La única forma de saber con certeza si el procesamiento inicial fue correcto es mediante prueba y error, dijo Rodsari.

Aquí hay un ejemplo simple de Mas:si un modelo de red neuronal avanzada tiene datos que muestran que cuatro manzanas pesan 1 kilogramo y ocho manzanas pesan 2,1 kg, es probable que el modelo pueda predecir correctamente el peso de seis manzanas porque seis se encuentran dentro de sus puntos de datos conocidos y es parte de la tendencia lineal. Pero si se le pregunta sobre el posible peso de 12 manzanas (un número fuera de sus puntos de datos), el modelo ANN dará una respuesta, pero potencialmente de 5 kg, u otro número fuera de la base, en lugar de la predicción más razonable de 3-3,3 kg.

“Estos modelos de caja negra han demostrado ser difíciles de interpretar”, dijo Rodsari. “Si bien son buenos para crear una coincidencia de variables de interés, no son útiles para explicar esa relación. Eso dificulta la capacidad de las personas que tienen que utilizar estos modelos y emitir un juicio sobre si los resultados son correctos o no. Para la mayoría de las aplicaciones en el espacio de fabricación, necesita la capacidad de convencer a las operaciones de que esta relación es significativa, ayudarlas a tener un medio para monitorear la calidad y evitar decisiones que van a ser perjudiciales para la operación.

“Necesitas la capacidad de proporcionar cierta visibilidad sobre la naturaleza del modelo para que el operador pueda confiar en él”.

Menos es más

Mientras tanto, las simulaciones de IA basadas en la física pueden hacer predicciones basadas en una cantidad significativamente menor de datos porque utilizan datos de mayor calidad y más relevantes para la máquina y el problema en cuestión.

Como su nombre lo indica, la IA basada en la física incorpora datos relevantes, leyes físicas y conocimientos previos, como parámetros de rendimiento y normas de la máquina que se está modelando, dijo Gao.

“Las leyes de la física contienen una enorme cantidad de información de forma muy condensada”, dijo Van der Auweraer. “Los métodos de simulación basados ​​en la física utilizan estas leyes físicas. Por lo tanto, pueden brindar una ventaja extremadamente poderosa a los sistemas de IA al incorporar este conocimiento en lugar de tener que esperar hasta que lleguen suficientes datos representativos”.

Con ese conocimiento físico codificado, los modelos de IA basados ​​en la física pueden hacer predicciones basadas en menos datos, dijo Rodsari.

“Queremos construir modelos que sean útiles para los fabricantes en tiempo real”, dijo.

Los modelos de IA basados ​​en la física permiten que la IA aprenda de los datos en proceso, emulando un aprendizaje cerebral, y puede mejorar a medida que haya más datos disponibles, dijo Mas.

Luego, los ingenieros de fabricación pueden modificar y adaptar sus estructuras y sistemas existentes para que el modelo funcione para su fábrica.

“Cuando observas datos, normalmente hay relaciones que conoces, especialmente para un ingeniero”, dijo Mas. “Existe una física conocida y una física desconocida. Así es como funciona la IA informada por la física. En lugar de simplemente tratar las relaciones de datos completas como una caja negra, también puede imponer algunas ecuaciones físicas a los datos como 'conservación de energía' o cosas más complejas, como 'comportamiento similar a una onda', para que el algoritmo de aprendizaje automático equilibrio entre los datos y la física. Esto generalmente se hace a través de una función de pérdida, que es la función objetivo del algoritmo para minimizar el error con los datos mientras se satisface la física”.

PINN comienza a impactar en la fabricación

Las primeras aplicaciones PINN están surgiendo en procesos de fabricación con relaciones y modelos complejos, como en la fabricación aditiva, dijo Van der Auweraer.

Otros primeros usuarios estarán en la industria alimentaria o la industria de procesamiento farmacéutico, donde los procesos complejos pueden obstaculizar un enfoque basado en simulación pura y donde la IA en un enfoque PINN puede producir resultados prometedores, dijeron Van der Auweraer y Mas.

Los modelos PINN también pueden complementar o reemplazar las pruebas y el diseño de laboratorio que requieren mucha mano de obra, dijo Mas, combinando las fortalezas existentes de las pruebas de laboratorio y los beneficios de las simulaciones basadas en la física para diseñar con precisión nuevos materiales y productos en mucho menos tiempo usando menos pruebas de laboratorio.

Caja gris vista como una posibilidad

El mayor desafío es que el aprendizaje automático lo realizan hoy en día científicos de datos que escriben scripts en su lenguaje de ciencia de datos preferido, dijo Mas, en lugar de estar disponible y accesible para el ingeniero que desarrolla un producto a través de plataformas de código bajo orientadas a aplicaciones como la aplicación ROM Building que Siemens está desarrollando actualmente dentro de su cartera Simcenter.

“Puedes comenzar con la estructura genérica”, dijo Gao. "La innovación depende de los ingenieros para modificar y adaptar creativamente".

El enfoque más poderoso puede ser combinar las relaciones físicas dentro de la red neuronal artificial, complementar esa red o como una capa o estructura específica dentro de la red neuronal, dijo Van der Auweraer.

Eso transformaría la caja negra en una caja gris.

“Tal red podría comenzar a ser entrenada a partir de simulaciones de alta calidad. Puede contener relaciones físicas internas para una red más potente y condensada que también se entrenará más rápido y, en última instancia, se puede entrenar aún más con cualquier dato que pueda surgir durante su ciclo de vida, dijo.