Mašine u prerađivačkoj industriji predstavljaju glavnog potrošača energije. Potrošnja energije ovih mašina trenutno nije visokooptimizovana jer zavisi od mnogih faktora. Veštačka inteligencija može pomoći u razvoju modela koji automatski prilagođavaju parametre mašina u smeru što manje potrošnje energije.

Za aplikaciju za obradu metala, Univerzitet Alpen-Adria u Klagenfurtu, voestalpine High Performance Metals DIGITAL SOLUTIONS GmbH, Siemens i belgijski KU Leuven zajedno rade na istraživačkom projektu SAELING, koji finansira FFG, za smanjenje potrošnje energije u industriji prerade metala. Naziv projekta SAELING označava „Štednja energije učenjem i poboljšanjem logički zasnovanih modela optimizacije“. Cilj je, dakle, upotreba metoda mašinskog učenja za razvoj modela predviđanja i strategija uštede energije i resursa za mašine. Ovi modeli su srž istraživačkog projekta i bave se pomenutim problemom da energetska optimizacija mašina zavisi od mnogih kriterijuma i mora istovremeno uzeti u obzir mnogo različitih ciljeva. Metode mašinskog učenja su stoga gradivni blok za rešavanje takozvanog višekriterijumskog problema optimizacije.

Voestalpine High Performance Metals DIGITAL SOLUTIONS GmbH je kompanija iz divizije metala visokih performansi voestalpine grupe koja implementira projekte digitalizacije i inovacija za svoje odeljenje. Ovo odeljenje je globalni lider na tržištu alatnog čelika i drugih specijalnih čelika. Fokusira se na tehnološki sofisticirane materijale visokih performansi, koji se proizvode na osam proizvodnih lokacija u Evropi, Severnoj i Južnoj Americi i distribuiraju putem prodajne i servisne mreže sa 130 lokacija u 40 zemalja. U globalnim oblastima usluga sa dodatom vrednošću ove divizije voestalpine, proces piljenja je jedan od osnovnih procesa u proizvodnom okruženju.

© voestalpine

Korišćenjem metoda i algoritama za optimizovano donošenje odluka, energetska efikasnost u aplikaciji voestalpine treba da se poveća i do 30%.

Proces sečenja se izvodi pomoću tračnih testera. Njihova potrošnja energije je fokus istraživačkog projekta. Tračne testere se koriste za sečenje velikih komada čelika na manje komade prema zahtevima kupca. U budućnosti će se optimizacija energije proširiti i na druge mašine za obradu metala za brušenje i glodanje. Tipična tračna testera troši oko 8,4 mVh godišnje. Divizija metala visokih performansi ima više od 2.000 mašina za piljenje, brušenje i glodanje, koje troše ukupno više od 21 GVh godišnje. To je otprilike ekvivalent godišnje potrošnje energije 4.750 prosečnih austrijskih domaćinstava.

Fokus na potrošnji energije tračnih testera

Mašine za obradu metala obavljaju niz zadataka. Na primer, radna stanica sa tračnim testerama sastoji se od niza mašina na kojima se posao može dodeliti različitim tračnim testerima. Potrošnja energije zadatka zavisi od karakteristika mašine, na primer od nivoa habanja, ali i od materijala, kao što su njegov oblik, zapremina i kvalitet. Pored toga, potrošnja energije prilikom obrade zadatka određena je parametrima koji se mogu kontrolisati kao što su brzina tračne testere i dovod materijala.

„Pod pretpostavkom da je dostupan dovoljno tačan fizički model mašine, minimiziranje potrošnje energije bilo bi višekriterijumski problem optimizacije pri kom se zadaci dodeljuju mašinama, sa utvrđenim redosledom zadataka, a parametri mašina postavljeni tako da je potrošnja energije što manja“, objašnjava menadžer projekta Richard Comploi-Taupe iz istraživačkog odeljenja Siemens Austria. „Međutim, pošto ljudi nisu kadri da preciziraju dovoljno tačne fizičke modele uz razuman napor, želimo da generišemo metode mašinskog učenja u našem istraživačkom projektu i kombinujemo ih sa simboličkim metodama optimizacije za rešavanje problema zakazivanja poput našeg primera u industriji metala. Zakazivanje znači odlučivanje koji se proizvodni koraci izvode kada se na kojoj mašini„, nastavlja Komploj-Taupe.

U istraživačkom projektu SAELING želimo da generišemo metode mašinskog učenja i kombinujemo ih sa simboličkim metodama optimizacije kako bismo rešili probleme zakazivanja kao u našem primeru u industriji metala.

Menadžer projekta Ričard Komploj-Taupe, Istraživačko odeljenje Siemens Austrija

© Siemens

Kombinacija simboličke ili logičke veštačke inteligencije s jedne strane i veštačke inteligencije zasnovane na podacima (npr. Mašinsko učenje) s druge strane aktuelna je tema u najsavremenijim istraživanjima veštačke inteligencije i istovremeno oblast stručnosti kojoj će Siemens doprineti ovim projektom. Istraživačka grupa „Configuration Technologies“ u kompaniji Siemens Austria, koja posluje u okviru globalnog polja tehnologije „Analitika podataka i veštačka inteligencija“, ima više od 30 godina iskustva u primeni tehnologija ograničenja u slučajevima industrijske upotrebe. Poslednjih godina ova stručnost je proširena na druge oblasti simboličke AI (kao što su programiranje skupova odgovora i tehnologije preporuka), na AI zasnovanu na podacima (analiza podataka, mašinsko učenje) i na semantiku i grafikone znanja (baze podataka grafova, ontologije, rezonovanje toka).

Povezivanje AI svetova za stvaranje hibridnog AI

„Kroz interakciju simboličke i podsimboličke veštačke inteligencije zasnovane na podacima, očekuje se da će potencijal primene ove kombinacije daleko premašiti bilo koje područje sama po sebi. Očekujemo da će ovaj hibridni AI sa simboličkim i podsimboličkim pristupima biti koristan u rešavanju problema poput onih koji se istražuju u projektu SAELING. Ujedinjavanjem dva sveta AI otvaraju se nove mogućnosti poput izvođenja logički ispravnih zaključaka u neizvesnim okruženjima ili poboljšanja performansi metoda zasnovanih na logici učenjem iz podataka„, kaže Hervig Šrajner, direktor istraživačke grupe za konfiguracione tehnologije.

Ujedinjavanje dva sveta AI otvara nove mogućnosti kao što su izvođenje logički ispravnih zaključaka u neizvesnim okruženjima ili poboljšanje performansi metoda zasnovanih na logici učenjem iz podataka.

Hervig Šrajner, šef Istraživačke grupe za konfiguracione tehnologije, Siemens Austrija

© Siemens

„Istraživački projekat SAELING će stoga razviti metode i algoritme za optimizovano donošenje odluka. Izazov višekriterijumske optimizacije leži u neizvesnosti predviđanja mašina naučenih modela. SAELING će stoga istražiti robusne i razložive metode kombinovanjem različitih tehnika AI „, izjavljuje Komploj-Taupe.

Rezultat istraživačkog projekta biće sistem dokaza koncepta koji demonstrira rešenje problema za slučaj upotrebe voestalpine-a. Cilj kompanije SAELING je da poveća energetsku efikasnost za 20 do 30 procenata i tako postigne godišnju uštedu energije od 4 do 6 GWh. Ovo takođe smanjuj_e emisiju CO2 i ukupne ukupne troškove vlasništva.

Istraživačka grupa „Konfiguracione tehnologije“ u kompaniji Siemens Austria takođe doprinosi svojim hibridnim i neurosimboličkim istraživanjima AI projektu MATISSE (inženjering digitalnih blizanaca zasnovan na modelu za ranu verifikaciju i validaciju industrijskih sistema). Ovaj projekat finansiraju FFG i EU, ali kao projekat EU sa 29 partnera iz sedam zemalja, on ima i veći obim.

Projekat MATISSE razvija sistem zasnovan na AI i digitalnim blizancima za kontinuiranu validaciju, rekonfiguraciju i redizajn fizičkih sistema. Aplikacije uključuju proizvodnju vozova i autobusa, kao i održavanje mostova i satelita u orbiti.

Slučaj upotrebe mikromreže

Slučaj upotrebe Siemensa odnosi se na inteligentnu mikro-mrežu u kampusu Siemens City u Beču (h!tech je o tome već nekoliko puta izveštavao), koji se sastoji od PV sistema, jedinice za skladištenje električne energije, tačaka za punjenje električnih automobila, sistema upravljanja opterećenjem i interfejsa za sistem upravljanja zgradom. „U slučaju upotrebe Siemensa, vizija je imati sistem koji kontinuirano osigurava da su pravila koja se primenjuju u mikromreži optimalna za trenutni kontekst“, kaže menadžer projekta Danilo Valerio iz istraživačkog odeljenja kompanije Siemens Austria. Stanice za punjenje e-mobilnosti mikromreže u kampusu Siemens u Beču koriste se kao test okruženje.

© Siemens

Stanice za punjenje u Siemens-ovom gradskom kampusu u Beču predstavljaju test okruženje za razvoj sistema koji optimizuje rad mikromreža.

Mikromreža je sistem međusobno povezanih električnih instalacija sa definisanim granicama koji funkcionišu kao jedna jedinica upravljanja. Električne komponente međusobno deluju i mogu da generišu, troše ili skladište energiju u bilo kom trenutku. Način na koji energija teče unutar sistema zavisi od niza statičkih pravila koja su definisana tokom faze instalacije. Međutim, ova pravila ne dopuštaju korišćenje punog potencijala sistema. Pored toga, promena pravila i praćenje promena može biti dugotrajan proces koji u nekim slučajevima i nije moguć.

„Cilj je razviti rešenje koje funkcioniše putem „plug and play“, bez potrebe da unapred definišete sve operativne detalje mikromreže. Da bi se postigao tako ambiciozan cilj, rešenje mora biti u stanju da kontinuirano usavršava bazu znanja. Planiramo da to uradimo neurosimboličkim AI pristupima i induktivnim logičkim programiranjem„, nastavlja Valerio.

U slučaju upotrebe Siemens-a u projektu MATISSE, vizija je imati sistem koji kontinuirano osigurava da su pravila koja se primenjuju u mikromreži optimalna za trenutni kontekst.

Menadžer projekta Danilo Valerio, Istraživačko odeljenje Siemens Austrija

© Siemens

Drugi fokus doprinosa istraživačke grupe je rekonfiguracija sistema pomoću digitalnog blizanca zasnovanog na višeobjektivnoj optimizaciji. Od suštinskog je značaja kombinovati optimizaciju i prediktivnu analitiku, uzimajući u obzir da rešenje mora biti optimalno za energetsku potražnju, vremenske prilike i kombinaciju proizvodnje energije predviđenu za blisku budućnost. U tu svrhu koriste se hibridni AI pristupi koji integrišu funkciju optimizacije u obuku mašinskog učenja.