借助基于物理的 AI，机器操作员可以信任和验证

一家需要优化烘干机性能的农业能源乙醇制造商采用了罗克韦尔自动化的基于物理的人工智能 (AI) 模型。闭环控制器将干燥负载从工厂干燥器转移到蒸发器，并经过定制以减少热损失。结果是：吞吐量提高了 12%，能源效率提高了近 10%，Rockwell 说。

物理信息人工智能模拟，例如物理信息神经网络 (PINN)，开始取代被视为黑盒模型的人工神经网络模型 (ANN)。与 ANN 模拟相比，基于物理的模型产生更准确、更值得信赖的预测。

Siemens Digital Industries Software 技术创新总监 Herman Van der Auweraer 表示，这两种模型都是数据驱动的，但人工神经网络需要大量的运营数据。

凯斯西储大学机械与航空航天工程系教授兼系主任 Robert X. Gao 表示，人工神经网络模型也非常复杂，可能需要大量时间才能获得数据基准。

“人工智能/机器学习 [ML] 模型缺乏透明度和可解释性已被公认为是人工智能/机器学习在制造业中广泛采用的瓶颈。从本质上讲，制造就是应用物理原理和法律将材料加工成工业或商业应用的有用产品，”他说。

Siemens Software 工程服务总监 Peter Mas 表示，尽管有些人可能将神经网络描述为 AI，但神经网络只是一种在已知数据点（插值）之间进行预测的非常聪明的方法。他说，使用人工神经网络，无法准确预测数据范围之外的点的值（外推）。

Van der Auweraer 说，例如，很少发生的诸如风力涡轮机故障之类的事件不会被数据捕获，并可能导致错误的表示。

“没有任何神经网络技术可以预测以前从未有过的领域，”马斯说。 “要做到这一点，你需要包含物理定律，它会告诉你外推必须遵循什么趋势。”

罗克韦尔自动化高级分析总监 Bijan Sayyar Rodsari 表示，如果黑盒模型的数据太少，它就无法捕捉到被建模系统的正确行为。

但简单地向黑匣子系统扔更多数据并不总是答案。

他说，如果不能防止过度训练，这样的系统就会锁定数据中的每一个异常，并且无法做出准确的预测。他补充说，对于异常情况，制造商通常没有机会收集大量数据，因为一旦发现异常情况，机器就会关闭。

Rodsari 说，由于缺乏数据和洞察力，使用黑盒系统的制造商不会将机器推向最佳位置以获得最大效率，而是选择在安全范围内犯错。

“你的纯数据驱动模型必然会受到你输入的数据的限制，”Rodsari 说。

他说，他们也不愿意运行闭环系统。 “如果操作员不了解模型在做什么，他们总是会怀疑是否允许该模型在闭环中运行。”

俄罗斯谚语“信任但要验证”根本不适用于黑盒模型。验证建模系统如何得出其预测几乎是不可能的。由于无法验证输入和输出，制造业中的许多操作员不信任模型，而且有充分的理由，因为结果可能不准确。

确定初始处理是否正确的唯一方法是反复试验，Rodsari 说。

下面是 Mas 的一个简单示例：如果一个高级神经网络模型的数据显示四个苹果重 1 公斤，八个苹果重 2.1 公斤，则该模型可能正确预测六个苹果的重量，因为其中六个落在其已知数据点内，并且线性趋势的一部分。但是，如果询问 12 个苹果的可能重量（其数据点之外的数字），ANN 模型将给出答案，但可能是 5 公斤，或另一个离基数，而不是更合理的预测 3-3.3 公斤。

“这些黑盒模型已被证明难以解释，”Rodsari 说。 “虽然有利于为感兴趣的变量创建匹配项，但它们对解释这种关系没有帮助。这阻碍了必须使用这些模型并判断结果是否正确的人的能力。对于制造领域的大多数应用程序，您需要能够让运营部门相信这种关系是有意义的，帮助他们拥有监控质量的方法，并防止做出会损害运营的决策。

“您需要能够提供对模型性质的一些可见性，以便操作员可以信任它。”

少即是多

同时，基于物理的 AI 模拟可以基于更少的数据进行预测，因为它们使用的数据质量更高，并且与机器和手头的问题更相关。

顾名思义，物理信息人工智能结合了相关数据、物理定律和先验知识，例如来自被建模机器的性能参数和规范。

“物理定律以非常简洁的方式包含了大量的信息，”范德奥维拉尔说。 “基于物理的模拟方法正在使用这些物理定律。因此，他们可以通过引入这些知识来为 AI 系统提供极其强大的开​​端，而不必等到有足够的代表性数据出现。”

Rodsari 说，有了这些编码的物理知识，基于物理的 AI 模型可以根据更少的数据进行预测。

“我们希望构建对制造商有帮助的实时模型，”他说。

Mas 说，基于物理的 AI 模型允许 AI 从处理中的数据中学习，模拟大脑学习，并且可以随着更多数据的可用而改进。

然后，制造工程师可以修改和定制他们现有的结构和系统，使模型适用于他们的工厂。

“当你观察数据时，通常会有一些你知道的关系，尤其是对于工程师来说，”马斯说。 “有已知的物理学和未知的物理学。这就是基于物理的人工智能的工作原理。除了将完整的数据关系视为黑匣子之外，您还可以对数据施加一些物理方程，例如“能量守恒”或更复杂的事物，例如“波状行为”，以便机器学习算法将数据和物理之间的平衡。这通常是通过损失函数来完成的，损失函数是算法在满足物理特性的同时最大限度地减少数据误差的目标函数。”

PINN 开始影响制造业

Van der Auweraer 说，第一个 PINN 应用出现在具有复杂模型和关系的制造过程中，例如增材制造。

Van der Auweraer 和 Mas 表示，其他早期采用者将在食品行业或制药加工行业，其中复杂的流程可能会阻碍纯基于模拟的方法，而 PINN 方法中的 AI 可能会产生有希望的结果。

PINN 模型还可以补充或替代劳动密集型的实验室测试和设计，Mas 说，结合实验室测试的现有优势和基于物理的模拟的优势，使用更少的实验室测试在更短的时间内准确地设计新材料和产品。

灰色框被视为一种可能性

Mas 说，目前最大的挑战是机器学习是由用他们喜欢的数据科学语言编写脚本的数据科学家完成的，而不是通过面向应用程序的低代码平台开发产品的工程师可用和可访问的，例如西门子目前正在其 Simcenter 产品组合中开发的 ROM Building 应用程序。

“你可以从通用结构开始，”高说。 “创新取决于工程师创造性地修改和适应。”

Van der Auweraer 说，最强大的方法可能是结合人工神经网络内部的物理关系，补充该网络或作为神经网络中的特定层或结构。

这会将黑盒子变成灰盒子。

“这样的网络可以从高质量的模拟中开始训练。他说，它可以包含内部物理关系，以构建更紧凑、更强大的网络，该网络也将得到更快的训练，并最终可以通过其生命周期中可能出现的任何数据进行进一步训练。