Insinyur semakin banyak menggunakan kecerdasan buatan (AI) untuk mengotomatiskan proses dan membuat keputusan lebih cepat dan lebih efektif daripada yang bisa dilakukan manusia. Namun, meskipun para insinyur ahli dalam bidang spesialisasi mereka, kebanyakan dari mereka bukanlah ilmuwan data. Dan mereka tidak punya waktu untuk mempelajari ilmu data dan menulis kode kompleks yang dibutuhkan modul AI.
Microsoft Project Bonsai membantu para insinyur membuat otomatisasi bertenaga AI tanpa menggunakan ilmu data dengan menghubungkan modul perangkat lunak secara grafis yang telah diprogram untuk menjalankan fungsi AI tertentu. Satu set lengkap fungsi terhubung yang dapat melakukan tugas disebut “otak”. Otak adalah modul perangkat lunak portabel mandiri yang dapat digunakan sebagai bagian dari loop terbuka untuk memberi saran kepada operator manusia tentang keputusan terbaik yang harus diambil, atau dapat menggantikan manusia, membuat keputusan dan melaksanakannya sendiri saat dikonfigurasi dalam keadaan tertutup. -modus loop.
Microsoft bekerja sama dengan perangkat lunak Ansys Twin Builder / Ansys Indonesia untuk membuat peralatan atau proses kembar digital yang akan diotomatisasi menggunakan AI. Kembar digital dapat menghasilkan data dalam jumlah besar yang diperlukan untuk melatih otak AI jauh lebih cepat dan dengan biaya lebih rendah daripada menggunakan mesin fisik untuk pembuatan data.
Machine Teaching vs. Machine Learning
Saat proses otomatis menjadi lebih kompleks, metode pelatihan otak AI juga berubah. Ketika tujuannya hanyalah pengenalan gambar atau teks, membanjiri otak AI dengan banyak data berlabel sehingga dapat memilih pola yang berfungsi dengan baik. Ini adalah dasar dari pembelajaran mesin (ML).
Namun ketika AI diandalkan untuk mengontrol proses multilangkah yang kompleks dalam skala industri, ML tidak seefektif itu. Variasi input dari berbagai sensor dari berbagai jenis hanya membuat otak kewalahan.
Jadi, para insinyur Microsoft mengembangkan konsep pengajaran mesin (MT), yang lebih mengandalkan pendekatan manusia untuk belajar. Sama seperti seorang guru matematika yang tidak mulai mencoba untuk mengajar siswa muda kalkulus sebelum mereka menguasai konsep aritmatika, para insinyur tidak dapat mengharapkan otak AI untuk memahami cara kerja turbin listrik sebelum mempelajari tentang rotasi.
“Bayangkan Anda memulai dengan masalah tersulit di mana peluang untuk menemukan solusinya hampir nol,” kata Cyrill Glockner, manajer program utama di Microsoft. “Otak AI tidak akan pernah menemukan cara untuk melakukan itu. Tapi perlahan-lahan dapat bekerja dengan mengikuti kombinasi eksploitasi dan eksplorasi, mengambil keuntungan dari apa yang telah dipelajari dan melihat ke seluruh lingkungan data untuk memastikan bahwa ia menemukan solusi optimal untuk masalah tersebut.
Dalam praktiknya, pakar manusia pertama-tama memecah proses menjadi tugas-tugas yang lebih kecil. Mereka kemudian memberi otak AI beberapa masalah sederhana sehingga dapat mulai mempelajari cara menggunakan algoritme untuk menyelesaikan tantangan mudah ini. Kemudian mereka menggabungkan tugas-tugas kecil yang telah dilihat otak menjadi tugas-tugas yang lebih besar hingga secara otomatis dapat mengontrol sistem yang besar dan kompleks.
“Kami pada dasarnya mengurangi ruang matematis yang harus dilihat oleh otak AI dengan membatasinya pada parameter dan rentang tertentu,” kata Glockner. “Kemudian kami meningkatkan jangkauan dari waktu ke waktu. Otak hanya harus berurusan dengan delta baru dan sudah memiliki beberapa metode yang ditemukan sebelumnya, rentang yang lebih kecil yang dapat diterapkan pada yang lebih besar juga.
The Role of Digital Twins
Sementara, seperti yang dijelaskan di atas, penting saat pertama kali melatih otak menggunakan MT untuk memulai dengan tugas-tugas kecil dan jumlah data yang terbatas, setelah otak terlatih dengan baik, otak membutuhkan data dalam jumlah besar untuk mengoptimalkan operasinya sepenuhnya.
Biasanya, ini melibatkan pembuatan data dalam jumlah besar dengan menjalankan proses fisik berulang kali. Data ini kemudian dapat dimasukkan ke dalam otak untuk menyempurnakan operasinya pada mesin lengkap atau proses yang dirancang untuk diotomatisasi. Tetapi menghasilkan begitu banyak data dari proses fisik memakan waktu dan mahal. Juga, jika suatu kondisi terjadi hanya sekali setiap triliun kali — sebuah “kasus sudut” — dan tidak ditemui selama latihan berjalan, otak tidak akan pernah melihatnya sebelumnya dan tidak akan tahu bagaimana bereaksi jika situasi tersebut terjadi kemudian.
Bekerja dengan Ansys Twin Builder / Ansys indonesia, Microsoft Project Bonsai mengatasi keterbatasan ini dengan menjalankan ratusan model virtual mesin atau aplikasi secara bersamaan dan memasukkan data yang dihasilkan oleh kembar digital ini langsung ke otak untuk mengoptimalkannya. Menggunakan sejumlah besar model virtual daripada model fisik yang lebih sedikit mengurangi waktu dan biaya untuk melatih otak. Ini juga memungkinkan para insinyur untuk memperkenalkan kasus sudut di lingkungan virtual, yang mungkin berpotensi berbahaya atau merusak mesin fisik, sehingga otak telah melihat semua kemungkinan skenario sebelum dioperasikan.
From Digital Twin to Machine Learning: How it Works
Insinyur memulai dengan menggunakan Twin Builder untuk membuat model level sistem multifisika dengan menggabungkan teknik pemodelan yang berbeda seperti pemodelan 0D/1D dan model urutan rendah (ROM) dari hasil simulasi fidelitas yang lebih tinggi. Model fidelitas yang lebih tinggi ini memberikan akurasi simulasi terbesar tetapi juga membutuhkan waktu lama dan banyak sumber daya komputasi untuk dijalankan. ROM adalah model yang lebih kecil dan kurang intensif secara komputasi daripada aslinya, tetapi berjalan lebih cepat sambil mengorbankan sangat sedikit dalam hal keakuratan fisika yang terlibat dalam simulasi. Twin Builder memodelkan keseluruhan sistem menggunakan pustaka komponen (pompa, katup, aktuator, sensor, dll.) dan ROM untuk komponen yang memerlukan prediksi akurat yang biasanya tidak dapat dicapai dengan pemodelan 0D/1D (misalnya prediksi bidang lengkap dari variabel fisik), yang memungkinkan pengoptimalan dan validasi pilihan komponen dengan respons sistem.
Model kembar digital berbasis fisika dapat lebih ditingkatkan dengan menggabungkan pengetahuan yang berasal dari data aset, misalnya untuk kalibrasi atau augmentasi model, yang mengarah ke kembar digital hibrida.
Model akhir dapat diekspor dan diterapkan dalam bentuk modul Twin Runtime.
“Kami dapat langsung mengintegrasikan Twin Runtimes ke dalam Microsoft Bonsai,” kata Christophe Petre, spesialis produk manajer untuk kembar digital di Ansys. “Twin Runtimes hadir dengan API yang sangat sederhana, yang dapat digunakan dalam berbagai bahasa pemrograman seperti aplikasi Python, yang memberi tahu pengguna cara memanipulasi kembaran digital dengan mentransmisikan input, mensimulasikan model, dan mengambil output secara mulus.”
Setelah API terintegrasi dengan Bonsai, para insinyur dapat menentukan apakah perubahan virtual pada kondisi pengoperasian apa pun meningkatkan perilaku peralatan atau proses yang ingin mereka kendalikan. Mereka juga dapat mengakses informasi baru, seperti data sensor virtual (sesuatu yang tidak dapat Anda ukur secara fisik tetapi dapat diprediksi dengan model); mengeksplorasi skenario “bagaimana jika”; atau jalankan simulasi untuk melihat bagaimana aset menua untuk memprediksi kapan pemeliharaan akan diperlukan.
Example of an Aircraft Cabin Pressure Control System
Sistem kontrol tekanan kabin (CPCS) adalah salah satu cara untuk mendemonstrasikan teknologi digital twin dan integrasinya dengan Bonsai. CPCS adalah sistem avionik yang dirancang untuk meminimalkan laju perubahan tekanan kabin. Tujuannya adalah untuk memastikan keamanan badan pesawat dan penumpang sekaligus memaksimalkan kenyamanan bagi awak pesawat dan penumpang selama semua fase penerbangan. Ini menghabiskan sebagian dari konsumsi energi keseluruhan pesawat dan oleh karena itu memerlukan kontrol yang rumit.
Di Bonsai, para insinyur dapat membangun otak AI dengan memilih dan menghubungkan blok fungsional kode kontrol secara grafis yang mengukur suhu dan tekanan kabin di berbagai titik di kabin sebagai input dan mengeluarkan perintah aktif (misalnya, “matikan AC”) sebagai output.
Di Twin Builder, subsistem penyejuk udara dapat dimodelkan menggunakan komponen 0D/1D di Modelica, dan representasi kabin pesawat dengan ketelitian tinggi dapat dimodelkan dengan model dinamika fluida komputasi (CFD) 3D di Ansys Fluent. ROM dibuat dari model 3D ini dan terhubung ke model sistem di Twin Builder. Ini menyediakan sensor virtual akurat yang didistribusikan secara spasial di dalam kabin untuk memantau tekanan dan suhu.
Setelah model dirakit dan divalidasi di Twin Builder, para insinyur dapat membuat aplikasi Twin Runtime portabel, plug-and-play. Melalui API Python sederhana, itu dapat dipindahkan ke alur kerja kembar digital dan digunakan untuk melatih otak Bonsai untuk membuat pengontrol. Dalam hal ini, kembaran digital akan membuat prediksi sensor virtual dan, berdasarkan itu, pengontrol AI akan mengambil tindakan pada sistem pendingin udara untuk mempertahankan tekanan dan suhu yang ditargetkan.
“Alih-alih menggunakan kumpulan data pelatihan di mana Anda memiliki data berlabel atau tidak berlabel untuk pembelajaran terawasi dan tidak terawasi, kita dapat menggunakan simulasi di digital twin sebagai penghasil data,” kata Glockner. “Ini sangat menarik bagi kami karena kami dapat mensimulasikan banyak kembar digital secara bersamaan, mengumpulkan data, memilahnya di pihak kami, dan memastikan bahwa data yang tepat dihasilkan untuk pembelajaran yang optimal.”
Ingin melihat demo langsung integrasi Microsoft Bonsai dan Ansys Digital Twin? Kunjungi Kami di Hannover Messe di Microsoft Booth di Hall 004, Stand E34.
Ingin mempelajari lebih lanjut tentang kembar digital Ansys? Coba Twin Builder gratis!
