Wanneer de fysica te ingewikkeld wordt
Het gedrag van supercomplexe, multifysische systemen is lastig te voorspellen. Hoe kun je dan gedegen predictive maintenance doen? Het High Tech Systems Center van de TU Eindhoven schuift onderzoekers naar voren die artificial intelligence en digital twins inzetten om dat probleem te tackelen. Een flinke scheut fysica maakt het verschil.
Nederlandse machinebouwers verkopen hun hightech systemen over de hele wereld. Als een van de machines in het veld vastloopt, kan dat flink in de papieren lopen. Afhankelijk van de applicatie kijkt een klant zomaar aan tegen een akelige kostenpost van een miljoen euro. Door hun clientèle worden machinebouwers dus gepusht om oplossingen te vinden waarmee ze nauwkeurig kunnen voorspellen wanneer hun systemen zullen gaan haperen. Tijdens een geplande stilstand kunnen vervolgens de benodigde reparaties worden uitgevoerd of de (bijna) versleten onderdelen worden vervangen zodat de verliezen tot een minimum beperkt blijven. Hoe je goed kunt inschatten wanneer een machine in storing zal gaan, is het vakgebied van predictive maintenance.
Onderhoud klinkt voor sommigen wellicht als een klusje voor mannen in overalls, maar het vereist wel degelijk goed fundamenteel en wetenschappelijk onderzoek. Aan de TU Eindhoven wordt de inbreng van artificial intelligence op de machinebouw gestimuleerd, geheel in lijn met de fusie van het High Tech Systems Center met het Eindhovense Eaisi-instituut. Op de universiteit loopt een researchproject over systeemmonitoring en voorspellend onderhoud op basis van digital twins, met ASML, Canon en VDL ETG als industriële partners.
‘Voor eenvoudigere machines is het redelijk rechttoe rechtaan om een model op te zetten en dat te gebruiken om het systeemgedrag te analyseren en potentiële fouten boven water te krijgen’, zegt Carlos Murguia, universitair docent bij de Dynamics & Control-groep van de TUE. ‘Voor de huidige extreem complexe systemen zoals de euv-machines van ASML is dat veel minder evident.’
Nooit genoeg data
Murguia vertelt dat predictive maintenance zo’n dertig jaar geleden gebaseerd was op het gebruik van zogenaamde first principles-modellen. ‘Met de Euler-Legrange-vergelijkingen voor bewegingen en de fysische wetten voor onder meer warmteoverdracht en elektromagnetisme had je genoeg natuurkundige bagage om een model te bouwen dat het systeemgedrag kon voorspellen. Je vergeleek de uitkomst van dat model met de sensoroutput van de machines in het veld. Als er ineens een onverklaarbaar verschil optrad, wist je dat er iets aan de hand was en kon je een monteur op pad sturen.’
Die aanpak werkte uitstekend toen de machines fysisch gezien nog goed te behappen waren. ‘Met de huidige multifysische systemen is het extreem lastig om alle processen met die natuurkundige basisregels te beschrijven’, weet Murguia. ‘De verschillende fysische verschijnselen zijn daarvoor te nauw met elkaar verweven. Bovendien is er een belangrijke nieuwe factor in het spel: software. Ook zijn er allerlei communicatiefenomenen waarmee je rekening moet houden. Het is nagenoeg onmogelijk om alles te vangen in een paar simpele vergelijkingen.’
Met de opkomst van artificial intelligence aan het begin van de eeuw kozen bedrijven voor een andere route. ‘Omdat de fysica te complex was geworden, werd de switch gemaakt naar kunstmatige intelligentie’, vertelt Murguia. ‘Op basis van een enorme hoeveelheid data en met een neuraal netwerk kun je immers ook inschatten hoe groot de kans is op storingen. Een blackboxbenadering dus, zonder model. Het probleem is dat je daarbij nooit genoeg data hebt. En je kunt geen garanties geven over het resultaat uit de ai. Als er nieuwe, onbekende data voorbijkomt, weet het systeem niet of het een fout is, of dat die situatie zich simpelweg nog niet eerder heeft voorgedaan.’
Geen vrije hand
De laatste jaren zijn methodes in opkomst die gebruikmaken van fysica én artificial intelligence. Murguia: ‘Je kunt weliswaar niet alle complexe interacties vangen, maar delen van de machine kun je wel degelijk met bijvoorbeeld een overdrachtsfunctie beschrijven. En je kunt op basis van een kinematisch model constraints verbinden aan de bewegingen van bijvoorbeeld robotonderdelen ten opzichte van elkaar. Die brokjes fysica kun je samenvoegen met de artificial intelligence tot een hybride model.’ Het resultaat is een digital twin die op maat is gesneden voor predictive maintenance en waarmee je slimmere voorspellingen kunt doen over wanneer er onderhoud nodig is.
Het succes van deze hybride aanpak hangt af van de complexiteit van de machine. Hoe ingewikkelder de processen, hoe groter de winst die er te halen is. ‘Voor een simpele robotmanipulator kun je alle fysica uitschrijven en volstaat de ‘ouderwetse’ benadering met first principles. Maar voor een multifysische machine zoals bij Canon is de winst substantieel’, zegt Murguia, die het lastig vindt om de performanceverbetering te kwantificeren. ‘Het wordt sterk bepaald door de toepassing, maar voor de applicaties waar we het nu hebben gebruikt, coöperatief rijden met autonome systemen, zien we een ongeveer 10 tot 15 procent beter resultaat.’
Momenteel zijn er twee manieren om de fysica en ai te combineren. De eerste begint bij de brokjes fysica die je kunt opschrijven. Elk van die stukjes levert een kleine residual op. ‘Een residual is het verschil tussen de output van de sensoren en de schatting uit het model’, legt Murguia uit. ‘Met die residuals kun je een neuraal netwerk trainen, dus met historische data en met nieuwe data uit het model. Het nieuwe ai-algoritme is dan beter getraind en kan een betere voorspelling doen.’
De tweede aanpak is om de fysische vergelijkingen in het ai-algoritme te incorporeren. ‘Hoe machine learning werkt, is dat een neuraal netwerk de beste fit probeert te vinden voor de input- en outputdata. Daarbij houdt het totaal geen rekening met de fysica’, zegt Murguia. ‘Wij hebben die fysische constraints ingevoerd in het leergedeelte. We trainen het algoritme nog altijd om tot de beste parameters te komen. We geven het echter niet langer de vrije hand, maar reduceren de oplossingsruimte door alleen zinvolle antwoorden toe te staan die voldoen aan de fysische regels.’
Discrepantie
Hoeveel brokjes fysica heb je nodig om tot een goede voorspelling te komen? Dat vindt Murguia eigenlijk een verkeerde vraag. ‘Onze benadering is om vooral te kijken of we het kunnen laten functioneren door een aantal natuurkundige regels toe te voegen aan een puur datagedreven ai-twin, en of we dan een betere voorspelling kunnen doen. Het antwoord daarop is – meestal – ja.’
Als onderzoeker binnen de Dynamics & Control-groep op de TUE focust Murguia zich qua fysica op dynamische modellen van de mechanica. Andere wetenschappers binnen de groep richten zich op multifysische modellen waarbij ook akoestiek, elektrostatica en thermische processen een rol spelen. Al deze domeinkennis is waardevol om in een digital twin te gebruiken.
Murguia benadrukt dat er altijd een verschil zal blijven tussen de fysische theorie en de praktijk. Artificial intelligence kan daarvoor wel compenseren. ‘Het algoritme kan dat leren en de verschillende fouten goed karakteriseren, mits er genoeg data beschikbaar is. Gelukkig heb je voor deze nieuwe benadering veel minder data nodig, misschien maar de helft in vergelijking met een pure blackboxaanpak. Met de extra fysicaregels help je de zoektocht van het neurale netwerk immers al een flink eind op weg.’
Hoe vertaalt de hybride aanpak zich naar minder complexe systemen?
‘Alle moderne machines zijn cyberfysische systemen met een digitale entiteit die signalen ontvangt en communiceert met andere onderdelen en netwerken. Dat kun je allemaal niet accuraat in fysica vangen. Maar als je delen van het systeem wel met natuurkundige wetten kunt beschrijven, kun je profiteren van het gebruik van ai. Ten eerste kun je de software en cyberfysische gedragingen incorporeren in de ai. En ten tweede kun je machine learning gebruiken om het gat tussen het model en de praktijk te dichten. Met een basaal model kun je toch al heel goed een machine monitoren omdat je leert hoe de twee van elkaar verschillen.’
Hoe weet het systeem welke discrepanties ook systeemfouten zijn?
‘Dat is stap twee. Nadat je het systeemgedrag hebt geabstraheerd met een digital twin, komt het beslisalgoritme. Er zal altijd een verschil zijn tussen de echte machine en zijn twin, maar is dat vanwege een systeemfout of vanwege een modelleerfout. Hoe goed je dat kunt bepalen, hangt af van hoe nauwkeurig je het gezonde gedrag van een machine hebt gekarakteriseerd. Voor ons is dat dus een belangrijk punt. We proberen fouten zo goed mogelijk te beschrijven aan de hand van de sensorwaardes die bij zo’n fout passen. Hoe beter je dat doet, hoe hoger de performance van de monitoring.’
‘Overigens is het allemaal niet zo zwart-wit. We doen een probabilistische uitspraak of zich een fout voordoet. We kunnen nooit 100 procent zeker zijn totdat er een monteur een fysieke check uitvoert. Soms zal er dus onterecht een alarmbel afgaan. In de praktijk zul je een bedrijfsmatige afweging moeten maken wanneer je die monteur langs moet sturen. Als de kans boven de 40 procent komt? Of boven de 50 procent? Hoe dan ook, onze digital twin zal veel van de systeemfouten kunnen voorspellen.’
Dit artikel is tot stand gekomen in nauwe samenwerking met het High Tech Systems Center.
