Die Kombination von physikalischen Modellen und Künstlicher Intelligenz vereinfacht und beschleunigt die Entwicklung komplexer Produkte und Prozesse. Die Kombination von KI und physikalischen Modellen eröffnet damit neue Optimierungspotenziale. LeanBI, Spezialist für Data-Science-Anwendungen zeigt fünf typische Anwendungsszenarien auf.
Die Kombination von KI und physikalischen Modellen eröffnet neue Optimierungspotenziale
Flugzeugflügel sind ein aerodynamisches Wunderwerk. Sie sollen den notwendigen Auftrieb liefern und für Stabilität und Manövrierfähigkeit sorgen. Gleichzeitig sollen sie so geformt sein, dass sie der Luft möglichst wenig Widerstand bieten, um den Kerosin-Verbrauch zu senken. Für die Berechnung der optimalen Strömungseigenschaften mit physikalischen Simulationen sind Unmengen an Daten notwendig. Mit Hilfe von Künstlicher Intelligenz und Machine Learning ist es möglich, Simulationen zu prognostizieren und damit schneller und effizienter optimale Strömungsformen zu finden. Gleichzeitig vereinfacht umgekehrt die Anwendung physikalischer Modelle die Entwicklung von KI-Algorithmen. Generell sind drei Kombinationen möglich. Die physikalischen Modelle speisen die KI, die KI speist die physikalischen Modelle oder beide laufen sich ergänzend parallel (hybride Modelle). LeanBI skizziert mögliche Einsatzszenarien.
Die möglichen Szenarien zur Kombination von KI und physikalischen Modellen
Produktionsplanung
Die optimale Auslastung einer Produktionsstraße und deren Teilstrecken, etwa einer Lackieranlage in der Automobilproduktion, ist angesichts der Variantenvielfalt ein komplexer Prozess. Bei der Durchlaufoptimierung erfolgt vorab eine Simulation verschiedener Situationen. Darauf ist die Produktionsplanung, auch mit Hilfe von Künstlicher Intelligenz, tagesweise aufzusetzen.
Predictive Maintenance von Bauteilen
Kritische Bauteile, wie etwa ein Wälzlager, werden mit Hilfe von Sensoren überwacht. Dabei ist es wichtig, bei der Detektion verschiedener Schadenstypen verfälschende Umwelteinflüsse auszuschließen. Für entsprechende Lösungen werden deswegen KI/ML-Modelle eingesetzt, die wiederum mit physikalischen Algorithmen gefüttert wurden.
Schadenserkennung an Bauwerken
Die Strukturanalyse, also etwa die Identifizierung der Spannungsverteilungen innerhalb von Turm- oder Brückenkonstruktionen, erfolgt nach der Finite-Elemente-Methode (FEM). Bei einer laufenden Überwachung direkt an der Konstruktion oder mit optischen Verfahren wie Drohnenkameras werden KI-Modelle eingesetzt. Die Kombination von Strukturanalyse und KI hilft, den Risikograd von Schäden zu erkennen und falls notwendig vorsorgliche Reparatur- oder Renovierungsmaßnahmen daraus abzuleiten.
Präsenzkontrolle in Innenräumen
Durch den Einsatz kostengünstiger Sensoren können die CO2-Profile in Innenräumen aufgenommen werden. Das macht die Erfassung der Präsenz von Personen unter Beibehaltung des Datenschutzes möglich. Die Innenräume weisen jedoch unterschiedlichste Durchlüftungscharakteristiken auf. Um trotzdem aussagekräftige Ergebnisse zu erzielen, wird die KI-Analytik einmalig automatisiert mit physikalischen Modellen auf die Spezifika des jeweiligen Innenraums kalibriert.
Training von Roboterarmen
Mit Hilfe von Reinforcement Learning werden nach dem Prinzip von Belohnung und Bestrafung Strategien des Greifens erlernt. So können Roboterarme lernen, Objekte unterschiedlichster Formen in undefinierter Lage zu greifen. Für das Training dieser KI-Modelle sind die Daten sehr viel einfacher durch Simulation der Roboterbewegungen zu erstellen, als durch kostspielige echte Testläufe.
„Die Kombination von physischen Modellen und Künstlicher Intelligenz ist auf eine Vielzahl ganz unterschiedlicher Prozesse anwendbar“, erklärt Marc Tesch, Inhaber und CEO des Schweizer Data-Science-Spezialisten LeanBI. „Sie ist breit nutzbar und eröffnet damit ganz neue praktische Optionen zur Anwendung von KI und ML.“
Der Beitrag wurde ursprünglich hier veröffentlicht
#EAS-MAG.digital News