Learning Controls
Viele physische Prozesse in Industrie, Infrastruktur, Automotive und anderen Bereichen bergen große Potentiale für Effizienzsteigerungen und Kostensenkung – Potentiale, die jedoch oft schwierig zu identifizieren und zu heben sind.
Learning Controls ist unsere Engine zur Optimierung physikalischer Systeme und Prozesse mit Hilfe von KI. Die Technologie basiert auf autodifferenzierbaren digitalen Zwillingen und versetzt uns in die Lage, schnell und effizient maßgeschneiderte Lösungen zu entwickeln.
Digitale Zwillinge – wofür?
Digitale Zwillinge ermöglichen die Lösung von Aufgaben, die mit Experimenten in der physischen Welt nur sehr kostspielig oder gar nicht lösbar wären.
Simulationen:
„Wie weit komme ich mit einer Batterieladung im Winter auf der Autobahn bei 20 km/h Gegenwind?“
Optimierung von Design:
„Mit welcher Formgebung eines Lüftergehäuses erziele ich eine möglichst gleichmäßige Strömung?“
Optimierung der Parametrisierung von Prozessen:
„Mit welchen Temperaturen, Drücken, Beimischung von Schleppmitteln, Refluxrate fahre ich eine Destillationskolonne möglichst kostengünstig?“
Training / Konfigurierung von Controllern:
„Mit welcher Leistung entlade ich meinen Heim-Batteriespeicher, wenn die Batterie halb voll ist, der Netzstrom momentan 21 Cent kostet, die Waschmaschine heute irgendwann noch laufen muss, die Temperatur im Speicher der Wärmepumpe 65 °C beträgt, und morgen mit 45%iger Wahrscheinlichkeit die Sonne scheint?“
Diese Fragen könnten durch lange Reihen von meistens zeitraubenden und teuren Experimenten beantwortet werden. Digitale Zwillinge erlauben es, diese Experimente im Computer zu simulieren. Dies ist ungleich billiger, kann sehr viel größere Suchräume explorieren und ist deshalb oftmals die einzige realistische Lösungsoption überhaupt. Darüber hinaus bieten insbesondere autodifferenzierbare digitale Zwillinge weit stärkere mathematische Möglichkeiten zur Optimierung von Prozessen oder dem Training von Controllern als gemessene Datenpunkte.
Digitale Zwillinge – woher?
a) „First Principles“:
Wenn möglich, implementieren wir die Physik hinter den Systemen / Komponenten direkt in Python Code, oft als numerisch zu lösende Gleichungssysteme. In der Regel sind solche direkten Implementierungen mit Blick auf Optimierungen und das Training von Controllern die effizienteste Repräsentation.
b) Importierte Kennfelder:
Optional können wir komplexe Komponenten auch in Form von höherdimensionalen tabellarischen Kennfeldern importieren und in unsere Systeme integrieren. Diese können mit kommerziellen Physics Engines generiert oder von Komponentenherstellern mit Messkampagnen erzeugt werden.
c) „Black Box“:
Wo eine physikalische Simulation nicht möglich ist, kann auch mithilfe von Messdaten ein „Black Box“ Modell trainiert werden. Hierbei müssen die verfügbaren Daten den relevanten Parameterraum hinreichend gut abdecken.
d) „Grey Box“:
Aus maßgeschneiderten Kombinationen a) bis c) können hybride Modelle gebaut werden, wo alle verfügbaren Informationen zur Physik sowie Messdaten so effizient wie möglich genutzt werden. Oftmals können so die Schwächen von jedem der Ansätze a) bis c) kompensiert werden.
Modulares Design
Systeme können aus wiederverwertbaren Komponenten gebaut werden. Dies ist insbesondere bei größeren Projekten hilfreich, wo im Laufe der Zeit Bibliotheken von Komponenten entstehen. In hierarchischen Systemdesigns kann eine Wärmepumpe eine Systemkomponente sein, die ihrerseits Unter-komponenten wie Kompressor, Verdampfer, Kondensator, Radiator, Wärmetauscher enthält, die wiederum aus Modellbibliotheken entnommen werden können.
Beispiel Energy Manager „AI4Energy“
AI4Energy ist ein internes F+E Projekt und dient uns als Plattform zur Technologieentwicklung für die Learning Controls Engine.
Auf Basis realer historischer Daten zu Stromverbrauch, Strompreisen und Wetter wird das Energiesystem eines Wohnhauses mit PV-Anlage, Batteriespeicher, verschiebbarer Last (Waschmaschine) und flexiblen Strompreisen simuliert. In dieser Simulation wird ein Agent darauf trainiert, auf Basis von unsicheren Prognosen für Strompreise und Sonnen-einstrahlung den Haushalt möglichst kosteneffizient zu steuern. Die KI lernt, durch besonders effiziente und fein getunte Regelungsstrategien auch gegenüber einem vorausschauend programmierten State of the Art – Energy Manager signifikante Vorteile zu erzielen.
Der Demonstrator
Im AI4Energy Demonstrator treten ein regelbasierter Baseline Controller und der KI Controller in Simulationen mit frei wählbaren historischen Daten gegeneinander an.
Unter dem Button „records“ lassen sich Szenarien auswählen, die exemplarisch zeigen, wie der KI Controller durch intelligentere Steuerung Performance-Vorteile erzielt (siehe „Total Value Balance“ in der grünen Box).
Performance und Training
In rund 5 von 6 Fällen erzielt der KI Controller ein besseres Ergebnis als der konventionelle Energy Manager. Die durchschnittliche Über-Performance beträgt hierbei 0,93 Euro / Tag, die Unter-Performance in den restlichen Fällen hingegen nur 0,08 Euro / Tag.
Für das Training wurden innerhalb von 3 Stunden Trainingszeit 200.000 Tage simuliert, mit jeweils zufälligen Randbedingungen. Die Robustheit der Technologie zeigt sich darin, dass 8 parallel trainierte Controller zu sehr ähnlichen Ergebnissen kommen.
Gelernte Regelungsstrategien
Der „Agent-Inspector“ erlaubt uns, einem trainierten Agenten unter die Haube zu schauen. Es zeigt sich, dass der Controller weit komplexere nicht-lineare Regelstrategien gelernt hat, als sie mit vertretbarem Aufwand programmiert werden könnten.
Die hier abgebildeten "Observations", auf deren Basis der Controller seine Entscheidungen trifft, sind nur ein Ausschnitt des realen Spektrums. Tatsächlich hat der Controller 31 Input-Kanäle, von denen die meisten aggregierte Prognosen für die erwarteten Preise und Wetterdaten sind.
Beispiel Destillationskolonnen
Industrielle Destillationskolonnen werden u. a. in den Sektoren Chemie, Pharma, Petrochemie und Pflanzenschutz eingesetzt, um durch Verdampfung und Kondensation Stoffe zu trennen. Das Verfahren ist sehr energieintensiv, Destillationskolonnen stehen für rund 3 % des weltweiten Primärenergieverbrauchs, mehr als der Energieverbrauch der globalen Luftfahrt.
KI kann helfen, Effizienzpotentiale beim Betrieb einer Kolonne zu heben, indem Spielräume bei der Parametrisierung des Prozesses intelligent genutzt werden.
Syngenta: Parameter-Optimierung mit Bayesian Optimization
Die Destillationskolonne der Syngenta AG am Standort Kaisten bei Basel trennt Wasser und Methoxyaceton und verbraucht dabei pro Stunde rund 3 Tonnen Heißdampf, entsprechend ca. 2.000 kWh Wärmeenergie.
Maßgeblich für den Betrieb sind 4 Prozessparameter:
- Menge des Heißdampfs
- Menge des Schleppmittels Toluol
- Kühlung des Destillats
- Höhe des Füllstands im Sumpf der Anlage
In einer Serie von rund 100 Experimenten wurde eine optimale Parameterkonstellation gesucht. Dieser Prozess wurde mithilfe des mathematischen Verfahrens Bayesian Optimization so gestaltet, dass dieses Optimum mit möglichst wenigen Experimenten gefunden wurde. Hierbei entstand eine 4-dimensionale probabilistische Karte der Kostenfunktion als „Gaussian Process“, die im Laufe der Experimente sukzessive verfeinert wurde: Nach einer Gruppe von jeweils 10 Experimenten mit verschiedenen Parameterkombinationen wählt die „Akquisitionsfunktion“ des Prozesses auf Basis der bisherigen Ergebnisse die nächsten 10 Suchpunkte aus. Dabei werden zum einen bislang wenig bekannte Regionen im Suchraum exploriert, zum anderen die Suche in den vielversprechendsten Regionen weiter verfeinert.
Es konnte eine Konstellation gefunden werden, die den Energieverbrauch um rund 4% entsprechend ~500.000 kWh/a reduzierte.
Optimierungszyklus
Digital Twin von Destillationskolonne
Die Bayesian Optimization der Kolonne bei Syngenta war ein rein datengetriebener Prozess: Im Laufe von ca. 6 Wochen konnten mit 100 Experimenten ein optimierter Betriebspunkt für 4 Parameter bestimmt werden. Allerdings wächst die Zahl der erforderlichen Experimente mit der Zahl der zu optimierenden Parameter stark an, damit werden bei komplexeren Prozessen solche rein datengetriebenen Verfahren impraktikabel.
Digitale Zwillinge ermöglichen die Optimierung ungleich größerer Systeme mit hunderten von Parametern in Simulationen, ggf. gestützt durch einige Messdaten zur Kalibrierung – und dies sehr kostengünstig und schnell.
In einem in der Schweiz geförderten F+E Projekt in Kooperation mit der Fachhochschule Nordwestschweiz (FHNW) entwickeln wir einen Physik-basierten digitalen Zwilling einer Destillationskolonne. Auf Basis dieser und weiterer Komponenten können auch größere Anlagenteile oder ein gesamtes Werk modelliert werden. Mit diesen Zwillingen kann der Betrieb unter verschiedenen Bedingungen simuliert und optimiert werden.
Beispiel Thermo-Management in Fahrzeugen
Das Thermomanagement von Elektrofahrzeugen stellt eine vieldimensionale Herausforderung dar: die Fahrzeugkabine muss geheizt oder gekühlt werden, zugleich muss die Batterie sowie andere Komponenten wie Motor oder Leistungselektronik temperiert werden, um ihre Alterung zu minimieren. Alle diese Aufgaben müssen von einem zentralen System bewältigt werden, das hierfür durch Ventile wahlweise zu vielen verschiedenen Topologien verschaltet werden kann.
Regelbasierte Controller für diese Systeme sind aufwändig zu programmieren und arbeiten suboptimal. KI Controller können hingegen an digitalen Zwillingen solcher Systeme trainiert werden. So können wesentliche Teile der Programmierung durch einen weitgehend automatischen Trainingsprozess ersetzt werden – bei Änderungen des Systems ist lediglich ein erneutes Training erforderlich. Last but not least versprechen KI Controller signifikante Performance-Vorteile bzgl. Energieverbrauch und Alterung von Komponenten.
