AI Berbasis Fisika Meningkatkan Efisiensi dan Throughput Pengering untuk Produksi Etanol

Produsen energi etanol pertanian yang perlu mengoptimalkan kinerja pengering mengadopsi model buatan cerdas (AI) berbasis fisika dari Rockwell Automation. Kontroler closed-loop memindahkan beban pengering dari pengering pabrik ke evaporator dan disesuaikan untuk mengurangi kehilangan panas. Hasilnya: peningkatan throughput 12 persen dan peningkatan efisiensi energi hampir 10 persen, kata Rockwell.

Simulasi AI berbasis fisika, seperti jaringan saraf tiruan berbasis fisika (PINNs), mulai menggantikan model jaringan saraf tiruan (ANN), yang dianggap sebagai model black box. Model berbasis fisika menghasilkan prediksi yang lebih akurat dan lebih terpercaya daripada simulasi ANN.

Kedua model berbasis data, tetapi ANN membutuhkan jumlah data operasional yang besar, kata Herman Van der Auweraer, direktur inovasi teknologi di Siemens Digital Industries Software.

Model jaringan saraf tiruan juga sangat kompleks dan dapat memakan waktu banyak untuk mendapatkan data acuan, kata Robert X. Gao, profesor dan ketua departemen teknik mesin dan penerbangan di Case Western Reserve University.

 “Kurangnya transparansi dan interpretabilitas model AI/machine learning [ML] telah dikenal sebagai bottleneck untuk adopsi yang luas AI/ML di manufaktur. Secara inheren, manufaktur adalah tentang menerapkan prinsip dan hukum fisika untuk memproses material menjadi produk yang berguna untuk aplikasi industri atau komersial,” katanya.

Meskipun beberapa orang mungkin menggambarkan jaringan saraf tiruan sebagai AI, jaringan saraf tiruan hanyalah cara yang sangat cerdas untuk memprediksi antara titik data yang diketahui (interpolasi), kata Peter Mas, direktur layanan teknik di Siemens Software. Menggunakan ANN, memprediksi nilai untuk titik di luar rentang data (ekstrapolasi) tidak mungkin, katanya.

Misalnya, peristiwa seperti kesalahan turbin angin yang jarang terjadi tidak tertangkap oleh data dan dapat menyebabkan representasi yang salah, kata Van der Auweraer.

“Tidak ada teknik jaringan saraf tiruan yang dapat memprediksi di area yang belum pernah dikunjungi,” kata Mas. “Untuk melakukannya, Anda perlu memasukkan hukum fisika yang akan memberi tahu Anda tren ekstrapolasi harus mengikuti.”

Jika model black box memiliki terlalu sedikit data, itu tidak akan menangkap perilaku yang benar dari sistem yang dimodelkan, kata Bijan Sayyar Rodsari, direktur analitik canggih di Rockwell Automation.

Tapi hanya menambahkan lebih banyak data ke sistem black box tidak selalu jawabannya.

Jika tidak dilindungi dari over-training, sistem semacam itu melekat pada setiap anomali dalam data dan gagal membuat prediksi yang akurat, katanya. Mengenai anomali, seringkali produsen tidak mendapat kesempatan untuk mengumpulkan data yang ekstensif karena mesin dimatikan segera setelah anomali ditemukan, tambahnya.

Karena kurangnya data dan wawasan, produsen yang menggunakan sistem black box tidak akan mendorong mesin sepenuhnya ke sweet spot untuk efisiensi maksimum, memilih untuk salah dalam margin keselamatan, kata Rodsari.

“Model Anda yang sepenuhnya berbasis data pasti dibatasi oleh data yang Anda masukkan,” kata Rodsari.

Nor will they be willing to run closed-loop systems, he said. “If the operator does not understand what the model is doing, they are always going to be skeptical about allowing this model to run in a closed loop.”

Peribahasa Rusia, “Trust but verify,” tidak akan bekerja dengan model black box. Memverifikasi bagaimana sistem model datang pada prediksinya hampir mustahil. Tanpa kemampuan untuk memverifikasi input dan output, banyak operator di manufaktur tidak percaya pada model—dan dengan alasan yang baik karena hasilnya mungkin tidak akurat.

Satu-satunya cara untuk tahu dengan pasti apakah pemrosesan awal benar adalah dengan coba dan kesalahan, kata Rodsari.

Berikut adalah contoh sederhana dari Mas: Jika model jaringan saraf tiruan canggih memiliki data yang menunjukkan bahwa empat apel berat 1 kilogram dan delapan apel berat 2,1 kg, model dapat dengan benar memprediksi berat enam apel karena enam berada dalam titik data yang diketahui dan adalah bagian dari tren linier. Namun, jika ditanya tentang berat yang mungkin dari 12 apel (angka di luar titik data) model ANN akan memberikan jawaban tetapi potensial 5 kg, atau angka yang salah lainnya, daripada prediksi yang lebih wajar 3-3,3 kg.

“Model black box ini terbukti sulit untuk ditafsirkan,” kata Rodsari. “Sementara bagus untuk membuat cocok untuk variabel yang diinginkan, mereka tidak membantu untuk menjelaskan hubungan tersebut. Ini menghambat kemampuan orang yang harus menggunakan model ini dan membuat penilaian apakah hasil benar atau tidak. Untuk sebagian besar aplikasi di ruang manufaktur, Anda memerlukan kemampuan untuk meyakinkan operasi bahwa hubungan ini bermakna, membantu mereka untuk memiliki cara memantau kualitas, dan mencegah keputusan yang akan merugikan operasi.

“Anda memerlukan kemampuan untuk memberikan visibilitas ke dalam sifat model sehingga operator dapat percaya padanya.”

Lebih sedikit lebih banyak

Sementara itu, simulasi AI berbasis fisika dapat membuat prediksi berdasarkan data yang jauh lebih sedikit karena mereka menggunakan data yang berkualitas lebih tinggi dan lebih relevan dengan mesin dan masalah yang dihadapi.

Seperti yang namanya implikasikan, AI berbasis fisika menggabungkan data yang relevan, hukum fisika, dan pengetahuan awal, seperti parameter kinerja dan norma dari mesin yang dimodelkan, kata Gao.

“Hukum fisika mengandung kekayaan informasi yang besar dengan cara yang sangat padat,” kata Van der Auweraer. “Metode simulasi berbasis fisika menggunakan hukum fisika ini. Jadi, mereka dapat memberikan awal yang sangat kuat bagi sistem AI dengan membawa pengetahuan ini daripada harus menunggu sampai data yang cukup representatif datang.”

Dengan pengetahuan fisika yang dienkode ini, model AI berbasis fisika dapat membuat prediksi berdasarkan lebih sedikit data, kata Rodsari.

“Kami ingin membangun model yang membantu produsen secara real-time,” katanya.

Model AI berbasis fisika memungkinkan AI untuk belajar dari data dalam proses, meniru otak belajar, dan dapat meningkat seiring ketersediaan lebih banyak data, kata Mas.

Insinyur manufaktur kemudian dapat memodifikasi dan menyesuaikan struktur dan sistem yang ada untuk membuat model bekerja untuk pabrik mereka.

“Saat Anda mengamati data, biasanya ada hubungan yang Anda ketahui, terutama untuk insinyur,” kata Mas. “Ada fisika yang diketahui dan fisika yang tidak diketahui. Ini adalah cara kerja AI berbasis fisika. Daripada hanya memperlakukan seluruh hubungan data sebagai black box, Anda juga dapat memberlakukan beberapa persamaan fisika pada data seperti ‘konservasi energi’ atau hal yang lebih kompleks, seperti ‘perilaku gelombang,’ sehingga algoritma machine learning akan menyeimbangkan antara data dan fisika. Ini biasanya dilakukan melalui fungsi kerugian, yang adalah fungsi target untuk algoritma untuk meminimalkan kesalahan dengan data sambil memenuhi fisika.”

PINN mulai mempengaruhi manufaktur

Aplikasi PINN pertama muncul dalam proses manufaktur dengan model dan hubungan yang kompleks, seperti dalam manufaktur aditif, kata Van der Auweraer.

Adopter awal lainnya akan berada di industri makanan atau industri pengolahan farmasi di mana proses kompleks dapat menghambat pendekatan simulasi murni dan di mana AI dalam pendekatan PINN dapat menghasilkan hasil yang menjanjikan, kata Van der Auweraer dan Mas.

Model PINN juga dapat melengkapi atau mengganti pengujian laboratorium dan desain yang intensif tenaga kerja, kata Mas, menggabungkan kekuatan yang ada dari pengujian laboratorium dan manfaat simulasi berbasis fisika untuk merancang material dan produk baru dalam waktu yang jauh lebih singkat menggunakan pengujian laboratorium yang lebih sedikit.

Gray box dipandang sebagai kemungkinan

Tantangan terbesar adalah bahwa machine learning saat ini dilakukan oleh data scientist yang menulis skrip dalam bahasa data science yang mereka sukai, kata Mas, berlawanan dengan yang tersedia dan dapat diakses oleh insinyur yang mengembangkan produk melalui platform low-code berorientasi aplikasi seperti aplikasi ROM Building yang saat ini dikembangkan Siemens dalam portofolio Simcenter.

“Anda dapat memulai dengan struktur generik,” kata Gao. “Inovasi adalah tanggung jawab insinyur untuk secara kreatif memodifikasi dan menyesuaikan.”

Pendekatan yang paling kuat mungkin menggabungkan hubungan fisika di dalam jaringan saraf tiruan, melengkapi jaringan tersebut atau sebagai lapisan atau struktur tertentu dalam jaringan saraf tiruan, kata Van der Auweraer.

Itu akan mengubah black box menjadi gray box.

“Jaringan semacam itu dapat mulai dilatih dari simulasi berkualitas tinggi. Ini dapat berisi hubungan fisika internal untuk jaringan yang lebih padat dan kuat yang juga akan dilatih lebih cepat dan pada akhirnya dapat dilatih lebih lanjut oleh data apa pun yang mungkin datang selama siklus hidupnya, katanya.