Com IA informada por física, os operadores de máquinas podem confiar e verificar

Um fabricante de etanol de energia agrícola que precisava otimizar o desempenho do secador adotou um modelo de inteligência artificial (IA) informado por física da Rockwell Automation. O controlador de malha fechada transferiu a carga de secagem do secador de fábrica para o evaporador e foi customizado para reduzir as perdas de calor. O resultado:um aumento de 12% no rendimento e um aumento de quase 10% na eficiência energética, disse Rockwell.



Simulações de IA informadas por física, como redes neurais informadas por física (PINNs), estão começando a substituir os modelos de redes neurais artificiais (ANNs), que são considerados modelos de caixa preta. Modelos informados por física produzem previsões mais precisas e confiáveis ​​do que simulações de RNA.

Ambos os modelos são orientados a dados, mas as RNAs exigem grandes quantidades de dados operacionais, disse Herman Van der Auweraer, diretor de inovação tecnológica da Siemens Digital Industries Software.

Modelos de redes neurais artificiais também são muito complexos e podem levar muito tempo para adquirir uma referência de dados, disse Robert X. Gao, professor e presidente do departamento de engenharia mecânica e aeroespacial da Case Western Reserve University.

“A falta de transparência e interpretabilidade dos modelos de IA/machine learning [ML] foi bem reconhecida como um gargalo para a adoção generalizada de IA/ML na fabricação. Inerentemente, a fabricação é sobre a aplicação de princípios físicos e leis para processar materiais em produtos úteis para aplicações industriais ou comerciais”, disse ele.

Embora algumas pessoas possam descrever as redes neurais como IA, as redes neurais são simplesmente uma maneira muito inteligente de prever entre pontos de dados conhecidos (interpolação), disse Peter Mas, diretor de serviços de engenharia da Siemens Software. Usando ANN, não é possível prever com precisão valores para pontos fora do intervalo de dados (extrapolação), disse ele.

Por exemplo, eventos como falhas de turbinas eólicas que ocorrem raramente não são capturados pelos dados e podem levar a uma representação errônea, disse Van der Auweraer.

“Nenhuma técnica de rede neural pode prever em áreas onde nunca esteve antes”, disse Mas. “Para fazer isso, você precisa incluir a lei da física que lhe dirá qual tendência a extrapolação terá que seguir.”

Se um modelo de caixa preta tiver poucos dados, ele não capturará o comportamento adequado do sistema que está sendo modelado, disse Bijan Sayyar Rodsari, diretor de análise avançada da Rockwell Automation.

Mas simplesmente jogar mais dados em um sistema de caixa preta nem sempre é a resposta.

Se não for protegido contra o excesso de treinamento, esse sistema se prende a todas as anomalias nos dados e não consegue fazer previsões precisas, disse ele. Em relação às anomalias, muitas vezes um fabricante não tem a chance de coletar uma grande quantidade de dados porque a máquina é desligada assim que uma anomalia é descoberta, acrescentou.

Devido à falta de dados e insights, os fabricantes que usam sistemas de caixa preta não levam as máquinas até o ponto ideal para obter a máxima eficiência, optando por errar bem dentro da margem de segurança, disse Rodsari.

“Seu modelo puramente orientado a dados é limitado pelos dados que você insere”, disse Rodsari.

Nem estarão dispostos a executar sistemas de circuito fechado, disse ele. “Se o operador não entender o que o modelo está fazendo, ele sempre ficará cético em permitir que esse modelo seja executado em um circuito fechado”.

O provérbio russo, “Confie, mas verifique”, simplesmente não funciona com modelos de caixa preta. Verificar como o sistema de modelagem criou suas previsões é quase impossível. Sem a capacidade de verificar entradas e saídas, muitos operadores de manufatura não confiam nos modelos – e com razão, porque os resultados podem não ser precisos.

A única maneira de saber com certeza se o processamento inicial estava correto é por tentativa e erro, disse Rodsari.

Aqui está um exemplo simples de Mas:se um modelo de rede neural avançado tiver dados mostrando que quatro maçãs pesam 1 quilograma e oito maçãs pesam 2,1 kg, o modelo provavelmente pode prever corretamente o peso de seis maçãs porque seis estão dentro de seus pontos de dados conhecidos e é parte da tendência linear. Mas se questionado sobre o possível peso de 12 maçãs (um número fora de seus pontos de dados), o modelo ANN dará uma resposta, mas potencialmente 5 kg, ou outro número fora da base, em vez da previsão mais razoável de 3-3,3 kg.

“Esses modelos de caixa preta provaram ser difíceis de interpretar”, disse Rodsari. “Embora sejam bons para criar uma correspondência para variáveis ​​de interesse, eles não são úteis para explicar esse relacionamento. Isso dificulta a capacidade das pessoas que têm que colocar esses modelos em uso e fazer um julgamento sobre se os resultados estão corretos ou não. Para a maioria das aplicações no espaço de fabricação, você precisa convencer as operações de que esse relacionamento é significativo, ajudá-las a ter um meio de monitorar a qualidade e evitar decisões que possam prejudicar a operação.

“Você precisa da capacidade de fornecer alguma visibilidade sobre a natureza do modelo para que o operador possa confiar nele.”

Menos é mais

Enquanto isso, as simulações de IA baseadas em física podem fazer previsões com base em dados significativamente menores porque usam dados de maior qualidade e mais relevantes para a máquina e o problema em questão.

Como o nome indica, a IA informada pela física incorpora dados relevantes, leis físicas e conhecimento prévio, como parâmetros de desempenho e normas da máquina que está sendo modelada, disse Gao.

“As leis da física contêm uma enorme riqueza de informações de uma forma muito condensada”, disse Van der Auweraer. “Métodos de simulação baseados em física estão usando essas leis da física. Assim, eles podem dar uma vantagem extremamente poderosa aos sistemas de IA, trazendo esse conhecimento em vez de ter que esperar até que dados representativos suficientes cheguem.”

Com esse conhecimento físico codificado, os modelos de IA baseados em física podem fazer previsões com base em menos dados, disse Rodsari.

“Queremos construir modelos que sejam úteis para os fabricantes em tempo real”, disse ele.

Modelos de IA baseados em física permitem que a IA aprenda com dados em processo, emulando um aprendizado cerebral, e pode melhorar à medida que mais dados se tornam disponíveis, disse Mas.

Os engenheiros de manufatura podem então modificar e adaptar suas estruturas e sistemas existentes para que o modelo funcione para sua fábrica.

“Quando você observa dados, normalmente há relacionamentos que você conhece, especialmente para um engenheiro”, disse Mas. “Existe física conhecida e física desconhecida. É assim que a IA informada pela física funciona. Em vez de apenas tratar as relações de dados completas como uma caixa preta, você também pode impor algumas equações físicas aos dados como 'conservação de energia' ou coisas mais complexas, como 'comportamento de onda', para que o algoritmo de aprendizado de máquina equilíbrio entre os dados e a física. Isso normalmente é feito por meio de uma função de perda, que é a função de destino do algoritmo para minimizar o erro com os dados enquanto satisfaz a física.”

PINN começando a impactar a fabricação

As primeiras aplicações de PINN estão surgindo em processos de fabricação com modelos e relações complexas, como na manufatura aditiva, disse Van der Auweraer.

Outros adotantes iniciais estarão na indústria de alimentos ou na indústria de processamento farmacêutico, onde processos complexos podem dificultar uma abordagem baseada em simulação pura e onde a IA em uma abordagem PINN pode produzir resultados promissores, disseram Van der Auweraer e Mas.

Os modelos PINN também podem complementar ou substituir testes e projetos de laboratório de trabalho intensivo, disse Mas, combinando os pontos fortes existentes dos testes de laboratório e os benefícios das simulações baseadas em física para projetar com precisão novos materiais e produtos em muito menos tempo usando menos testes de laboratório.

Caixa cinza vista como uma possibilidade

O maior desafio é que o aprendizado de máquina está sendo feito hoje por cientistas de dados que escrevem scripts em sua linguagem de ciência de dados preferida, disse Mas, em oposição ao disponível e acessível ao engenheiro que desenvolve um produto por meio de plataformas de baixo código orientadas a aplicativos, como o aplicativo ROM Building que a Siemens está desenvolvendo atualmente em seu portfólio Simcenter.

“Você pode começar com a estrutura genérica”, disse Gao. “A inovação cabe aos engenheiros modificar e adaptar criativamente.”

A abordagem mais poderosa pode ser combinar as relações físicas dentro da rede neural artificial, complementando essa rede ou como uma camada ou estrutura específica dentro da rede neural, disse Van der Auweraer.

Isso transformaria a caixa preta em uma caixa cinza.

“Tal rede pode começar a ser treinada a partir de simulações de alta qualidade. Ele pode conter relações físicas internas para uma rede mais condensada e poderosa que também será treinada mais rapidamente e pode ser treinada ainda mais por quaisquer dados que possam surgir durante seu ciclo de vida, disse ele.