物理信息AI提升乙醇生产干燥机效率与产能

一家农业能源乙醇生产商为优化干燥机性能，采用了Rockwell Automation的物理信息人工智能（AI）模型。闭环控制器将干燥负荷从工厂干燥机转移至蒸发器，并定制化减少热损失。结果：产能提升12%，能效提升近10%。

物理信息AI仿真（如物理信息神经网络PINN）开始取代人工神经网络模型（ANN），后者被视为黑箱模型。物理信息模型比ANN仿真产出更准确、更可信的预测。

两者均数据驱动，但ANN需要海量运行数据，西门子数字化工业软件技术创新总监Herman Van der Auweraer表示。

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指出，ANN模型极其复杂，获取基准数据耗时极长。

“AI/机器学习模型缺乏透明度与可解释性，被公认为制造业广泛采纳AI/ML的瓶颈。制造本质是应用物理原理与定律将材料加工成工业或商业有用产品，”他说。

西门子软件工程服务总监Peter Mas表示，虽有人称神经网络为AI，但神经网络只是在已知数据点间预测（插值）的极聪明方式。用ANN准确预测数据范围外数值（外推）是不可能的。

Van der Auweraer举例：风机罕见故障未被数据捕获，可能导致错误表征。

“没有神经网络技术能预测从未涉足的领域，”Mas说。“要做到，必须引入物理定律告知外推趋势。”

Rockwell Automation高级分析总监Bijan Sayyar Rodsari指出：黑箱模型数据太少，无法捕获系统真实行为。

但单纯堆砌数据并非良方。

若无过拟合保护，系统会锁定数据中每个异常，导致预测失准。且制造商往往在发现异常即停机，无机会采集大量异常数据。

因数据与洞察不足，使用黑箱模型的制造商不敢将机器推至效率“最佳点”，而是大幅留有安全余量。

“纯数据驱动模型必受输入数据约束，”Rodsari说。

他们也不愿运行闭环系统。“操作员若不理解模型行为，总会怀疑允许其闭环运行。”

俄谚“信任但验证”在黑箱模型失效。验证模型如何得出预测几乎不可能。无法验证输入输出，制造操作员不信任模型——有理，因结果可能不准。

唯一确知初始处理是否正确的方法是试错法。

Mas举简单例：若高级神经网络模型数据显示4个苹果重1公斤，8个重2.1公斤，模型可能正确预测6个苹果重量（落在已知数据点内、线性趋势上）。但若询问12个苹果（数据范围外），ANN可能给出5公斤等离谱数值，而非合理的3-3.3公斤。

“黑箱模型难以解释，”Rodsari说。“虽擅长匹配关注变量，但无法解释关系。这阻碍使用者判断结果对错。制造应用中，需让运营信服关系有意义、能监控质量、防损害决策。”

“需提供模型本质的可见性，让操作员信任它。”

与此同时，物理信息AI仿真基于显著更少数据即可预测，因其使用更高质量、更相关机器与问题数据。

顾名思义，物理信息AI融入相关数据、物理定律、先验知识（如被建模机器的性能参数与规范），Gao说。

“物理定律以极紧凑形式蕴含海量信息，”Van der Auweraer说。“基于物理的仿真方法利用这些定律，能给AI系统极强大的先发优势，无需等待足够代表性数据积累。”

编码物理知识后，物理信息AI模型可基于更少数据预测，Rodsari说。

“我们要构建能实时助力制造商的模型。”

物理信息AI模型让AI从过程数据中学习，模拟大脑学习，随数据增加而改进，Mas说。

制造工程师可修改调整现有结构与系统适配模型。

“观察数据时，工程师通常知道其中关系，”Mas说。“有已知物理与未知物理。这就是物理信息AI工作方式：不将全部数据关系视为黑箱，而是向数据施加物理方程如‘能量守恒’或更复杂‘波动行为’，使机器学习算法在数据与物理间平衡。通常通过损失函数实现——算法最小化数据误差同时满足物理约束。”

首批PINN应用涌现于模型关系复杂的制造工艺，如增材制造，Van der Auweraer说。

食品或医药加工行业因复杂工艺阻碍纯仿真法，PINN中AI或能产出良好结果，也将成为早期采纳者。

PINN模型还可补充或替代繁重实验室测试与设计，结合实验室测试现有优势与物理仿真益处，以更少实验、更短时间精准设计新材料与产品。

最大挑战：机器学习目前由数据科学家用偏好语言编写脚本完成，而非工程师可通过面向应用的低代码平台（如西门子Simcenter组合中正在开发的ROM构建应用）访问使用，Mas说。

“可从通用结构起步，创新由工程师创造性修改适配完成，”Gao说。

最强大方法可能是将物理关系融入人工神经网络，作为补充或网络内特定层/结构，Van der Auweraer说。

这将黑箱转为灰箱。

“此类网络可从高质量仿真开始训练，内含内部物理关系，形成更紧凑强大的网络，训练更快，后续可用生命周期中新数据进一步训练。”

自动化控制系统