ENGINEERINGNET.BE - “Deze neurale netwerken kun je trainen op basis van data die zijn gemeten op het fysieke systeem. Daarmee kunnen de netwerken compenseren voor het incorrect of niet gemodelleerd dynamisch gedrag van het fysieke systeem”, aldus promovendus Bas Kessels van TU Eindhoven. Uniek aan zijn aanpak is dat ook dynamische, niet-lineaire systemen nu nauwkeuriger beschreven kunnen worden.
Kessels testte zijn methodologie bij het Nederlandse semiconductor bedrijf ASMPT, dat een preciezer model wilde hebben van hun wire bonder.
Dit apparaat kun je gebruiken om chips te verbinden met een printplaat, of een andere elektronische component. Per chip gaat het om vele gouden draadjes die verbonden moeten worden, een razendsnel proces dat zich op micrometer niveau afspeelt.
“Zo’n wire bonder maakt draadjes nauwkeurig vast aan een chip. Dat kan alleen niet meteen, als het apparaat op het juiste punt aankomt trilt het nog kort na. Precisieverbinden kan alleen als het apparaat zo goed als stil staat. Met mijn model is de natrilling beter in kaart te brengen, waardoor de wachttijd korter is. Zo kunnen er meer chips per minuut afgehandeld worden.”
De neurale netwerken kun je ook op een andere manier gebruiken, vertelt Kessels. Daarbij kunnen parameter waarden van een model razendsnel afgeschat worden op basis van gemeten data.
“De neurale netwerken kun je trainen met gesimuleerde data. Het neurale netwerk gaat vervolgens patronen herkennen op basis van signaalkenmerken, waar een bepaalde parameterwaarde bij hoort. Door voortdurend te schakelen naar de gemeten data van het apparaat zelf kunnen we de digital twin steeds nauwkeuriger aanpassen.”
Er kan zelfs een mate van zekerheid gegeven worden, aldus Kessels. “We hebben gekeken of we mechanische longventilatoren in het ziekenhuis kunnen optimaliseren. Zo’n apparaat helpt de patiënt als zelfstandig ademen niet meer lukt.”
“Om goed te kunnen ventileren moet het apparaat weten wie er aan de machine ligt: een klein kind, een grote volwassene, een patiënt met een onbekend longprobleem? Daarvoor is een model nodig dat redelijk nauwkeurig en snel kan voorspellen: wat is de longinhoud, hoe flexibel is de long?”
“Ik heb het neurale netwerk zo getraind dat het razendsnel een relatie kan leggen tussen de data die bij de echte patiënt worden gemeten en de longkarakteristieken van de patiënt. Dat doet hij met een indicatie van de zekerheid in deze karakteristieken, waardoor er een beter beademingsprofiel opgesteld kan worden. En meet het apparaat nieuwe waardes, dan wordt het model in realtime aangepast en blijft zo up-to-date.”
Dankzij deze nieuwe methodes kan modelleren dus steeds nauwkeuriger. Kessels: “We hebben hiermee weer een stap kunnen zetten. Niet alleen theoretisch, maar ook qua toepassing in het bedrijfsleven.”
