Rationaliser l'apprentissage automatique pour les jumeaux numériques

Les Jumeaux numériques (DT) sont des modèles virtuels qui représentent des systèmes physiques réels. Ils sont de plus en plus utilisés dans divers secteurs tels que la fabrication, l'aviation et les villes intelligentes. Le véritable objectif d'un jumeau numérique est de créer une version numérique précise d'un objet physique, permettant ainsi une meilleure surveillance, analyse et prévision de ses performances au fil du temps. Cela se fait en mettant à jour régulièrement le modèle numérique avec des données en temps réel provenant de l'objet physique réel.

L'Apprentissage automatique (AA), une branche de l'intelligence artificielle (IA), joue un rôle clé dans le développement de ces jumeaux numériques. Il aide à analyser de grandes quantités de données et à faire des prévisions basées sur des modèles trouvés dans ces données. Cependant, concevoir des pipelines d'apprentissage automatique spécifiquement pour les jumeaux numériques peut être compliqué et long. Cet article traite d'un nouveau cadre appelé Function+Data Flow (FDF) qui facilite la création et la gestion de ces pipelines pour les jumeaux numériques.

#Défis dans les pratiques actuellement en matière de jumeaux numériques

Bien que l'idée des jumeaux numériques semble simple, il existe de nombreux défis dans leur mise en œuvre. Les méthodes existantes tendent à être non structurées, ce qui rend la conception et la gestion des pipelines d'IA difficiles. Voici quelques-uns des principaux défis rencontrés :

#Complexité des pipelines d'apprentissage automatique

Dans les tâches d'apprentissage automatique traditionnelles, le processus tourne généralement autour de l'entraînement d'un seul modèle pour un travail spécifique. Cependant, pour les jumeaux numériques, différents modèles et fonctions sont requis, ce qui peut compliquer les choses. Il y a souvent de nombreuses étapes impliquées, telles que la Préparation des données, l'entraînement du modèle et la réalisation de prévisions, qui doivent être clairement définies et gérées.

#Distinction entre l'entraînement et l'inférence

Dans l'apprentissage automatique, il y a deux phases principales : l'entraînement et l'inférence. L'entraînement consiste à enseigner au modèle avec des données, tandis que l'inférence est l'utilisation de ce modèle entraîné pour faire des prévisions. Dans le cas des jumeaux numériques, ces phases peuvent être moins distinctes, rendant plus difficile le suivi du flux de données et des résultats.

#Manipulation des fonctions et des modèles

La création de jumeaux numériques nécessite souvent que plusieurs fonctions et modèles collaborent. Ces modèles doivent interagir les uns avec les autres, ce qui signifie que les fonctions doivent être accessibles et modifiables. Dans les pratiques actuelles, cette manipulation peut être limitée, rendant difficile la réutilisation des fonctions à travers différents modèles.

#Diversité des pipelines

Chaque projet de jumeau numérique peut avoir des exigences très différentes, ce qui entraîne une diversité de pipelines. Par conséquent, un cadre rigide peut ne pas être adapté à toutes les applications, ce qui ajoute une couche supplémentaire de complexité dans la conception des flux de travail.

#Introduction du Function+Data Flow (FDF)

Pour relever ces défis, le cadre Function+Data Flow (FDF) a été développé. Il s'agit d'un langage spécifique conçu pour créer et gérer les pipelines d'apprentissage automatique pour les jumeaux numériques de manière plus efficace.

#Caractéristiques clés du FDF

1. Fonction en tant que citoyens de première classe : Dans le FDF, les fonctions sont considérées comme des composants primaires. Cela permet leur manipulation et réutilisation faciles, rendant le processus de conception plus simple.

2. Paradigme de flux de données visuel : Le cadre utilise une approche visuelle pour concevoir des pipelines. Les utilisateurs peuvent voir comment les données circulent à travers les différentes étapes de traitement, ce qui facilite la compréhension et la modification du flux de travail.

3. Typage implicite : Le FDF infère automatiquement les types de données, éliminant le besoin pour les utilisateurs de spécifier chaque type manuellement. Cela aide à réduire les erreurs et accélère le processus de conception.

4. Pipelines personnalisables : Le cadre FDF permet de créer des pipelines personnalisés adaptés à des cas d'utilisation spécifiques. Cette flexibilité signifie que les utilisateurs peuvent adapter leurs flux de travail à leurs besoins précis sans être restreints par des méthodes prédéfinies.

#Exemples pratiques de FDF en action

Pour illustrer le fonctionnement du FDF, examinons deux exemples pratiques de jumeaux numériques utilisant le cadre.

#Exemple 1 : Prédiction de la déformation plastique dans les structures

Dans le premier exemple, nous nous concentrons sur la surveillance de la santé structurelle. Ici, l'objectif est de prédire la déformation plastique d'une structure en fonction de la déformation observée. Le flux de travail pourrait ressembler à ceci :

1. Simulation de déformation : Un modèle d'éléments finis plus lent est utilisé pour simuler diverses intensités d'impact et produire des données de déformation.

2. Réduction des données : Les données de déformation sont réduites à l'aide d'une analyse en composantes principales (ACP), ce qui simplifie les dimensions de l'ensemble de données tout en conservant des modèles importants.

3. Entraînement du modèle : En utilisant l'ensemble de données réduit, un prototype de jumeau numérique (DTP) est entraîné pour prédire la déformation plastique réduite en fonction de la déformation réduite.

Ce pipeline permet aux ingénieurs de surveiller l'intégrité structurelle sans avoir besoin de mesures directes de la déformation plastique, qui sont souvent difficiles à obtenir.

#Exemple 2 : Modélisation du comportement des roulements magnétiques

Le deuxième exemple concerne un palier magnétique actif. L'objectif est de prédire le flux magnétique induit en fonction de la tension appliquée à l'appareil. Les étapes impliquées sont les suivantes :

1. Modélisation avec les équations de Maxwell : Un modèle d'éléments finis plus lent basé sur des lois physiques est utilisé pour calculer le flux magnétique à partir de la tension appliquée.

2. Création d'un jumeau numérique rapide : Un DTP plus rapide est créé pour permettre des calculs et des prévisions plus rapides.

3. Intégration des données historiques : Des données historiques d'un cas spécifique du palier sont intégrées pour créer une instance de jumeau numérique (DTI). Cela tient compte des écarts par rapport au modèle nominal.

Cette approche permet un suivi et un ajustement en temps réel du comportement du palier magnétique en fonction des données de performance réelles.

#Conclusion

Le cadre Function+Data Flow (FDF) simplifie la création de pipelines d'apprentissage automatique pour les jumeaux numériques en répondant aux défis souvent rencontrés dans ce domaine. Avec son accent sur la manipulation des fonctions, les flux de données visuels et le typage implicite, le FDF améliore le processus de conception et favorise la flexibilité. Cela permet aux utilisateurs de développer des solutions personnalisées pour diverses applications, de la surveillance de la santé structurelle à l'analyse en temps réel des roulements magnétiques.

Alors que les jumeaux numériques continuent de gagner du terrain dans divers secteurs, des cadres comme le FDF joueront un rôle crucial dans la réalisation de leur plein potentiel. En rationalisant le processus de création et de gestion de pipelines d'apprentissage automatique complexes, le FDF permet des jumeaux numériques plus précis et efficaces qui mènent finalement à une meilleure prise de décision et à des résultats améliorés dans des applications réelles.