PHYMOS - Proper Hybrid Models for Smarter Vehicles

Das Fahrzeug der Zukunft ist „smart“. Mit zunehmender Selbstverständlichkeit wird erwartet, dass ein Fahrzeug auf Veränderungen in seiner Umgebung flexibel reagieren und selbstständig Entscheidungen fällen kann, um sich optimal an verändernde Randbedingungen anzupassen. Dies bedeutet ein hohes Maß an „self-awareness“, also die Fähigkeit die Auswirkung des eigenen Verhaltens in der Interaktion mit der Umgebung zu prädizieren.

Derartige Modelle seiner selbst und der Umgebung schnell, kosteneffizient und in Abwägung von Fidelity und Performanz erstellen zu können ist eine Schlüsselkompetenz. Klassische modellbasierte Ansätze sind häufig mit hohen Entwicklungsaufwänden verbunden. Fortschritte im Bereich der künstlichen Intelligenz eröffnen neue Optionen sind aber datenintensiv und bergen andere Risiken.

In diesem Projekt sollen hybride (daten- und physikbasierte) Ansätze in konkreten Anwendungen evaluiert werden, um unter Nutzung von vorhandenem physikalischem Vorwissen in dateneffizienter Weise skalierbare „Proper Models“ generieren zu können. Dies wird es zukünftig ermöglichen innovative Produkteigenschaften in wesentlich kürzerer Zeit zu entwickeln und im Fahrzeug zu realisieren.

E-Graphs für symbolische Vereinfachung

Status des neuen Backends

Im Zuge der Präsentation zum Status des neuen OpenModelica Backends wurden grundlegende Konzepte von E-Graphs vorgestellt und laufende Arbeiten zu symbolischer Vereinfachung mittels E-Graphs diskutiert. Mit Hilfe dieser Vereinfachungen lässt sich der Simulationsprozess beschleunigen, was mit einem höheren Kompilierungsaufwand einhergeht. Werden allerdings Modelica-Modelle nicht skalarisiert, wird auch der Kompilierungsaufwand für größere Modelle zunehmend vernachlässigbar. Zukünftig werden diese Techniken verwendet um tiefgreiferende symbolische Transformationen durchzuführen, die die Simulation weiter beschleunigen. Überdies ist der Compiler in der Lage Transformationen an Teilen des Modells vorzunehmen, die dem Modellierer unzugänglich sind. [Lies weiter]

Kalibrierung komplexer Systemmodelle mit Deep Learning

Sensitivitätsgeleitete iterative Parameteridentifizierung und Datengenerierung mit BayesFlow und PELS-VAE für die Modellkalibrierung

Die Kalibrierung komplexer Systemmodelle mit einer großen Anzahl von Parametern mit Hilfe von Standard-Optimierungsmethoden ist oft extrem zeitaufwändig und nicht vollständig automatisiert, da man auf umfassendes Expertenwissen angewiesen ist. Wir schlagen einen sensitivitätsgesteuerten iterativen Algorithmus zur Parameteridentifikation und Datengenerierung vor. Die Sensitivitätsanalyse ersetzt manuelle Eingriffe, die Parameteridentifikation wird durch BayesFlow realisiert, was eine Quantifizierung der Unsicherheit ermöglicht, und die Datengenerierung mit dem Physics-Enhanced Latent Space Variational Autoencoder (PELS-VAE) zwischen zwei Iterationsschritten ermöglicht die Inferenz von schwach identifizierbaren Parametern. [Lies weiter]

MEMS schwimmen in BayesFlow

Schnelle, präzise und zuverlässige Parameteridentifikation bei MEMS-End-of-Line-Tests mit BayesFlow

Bei MEMS-End-of-Line-Tests sind sowohl hohe Präzision als auch Zuverlässigkeit unerlässlich. Aufgrund der zusätzlichen Anforderung der Laufzeiteffizienz wurden in den letzten Jahren Methoden des maschinellen Lernens untersucht. Diese Methoden sind jedoch häufig mit inhärenten Herausforderungen hinsichtlich der Unsicherheitsquantifizierung und der Zuverlässigkeitsgarantie verbunden. Ziel dieses Papers ist es daher, einen neuen Ansatz mit maschinellem Lernen in der MEMS-Test vorzustellen, der auf Bayes’scher Inferenz basiert und feststellen kann, ob die Schätzung vertrauenswürdig ist. Die allgemeine Vorhersageleistung sowie die Unsicherheitsquantifizierung werden mit vier Methoden bewertet: Bayes’sches neuronales Netzwerk, Mixture Density Network, probabilistisches Bayes’sches neuronales Netzwerk und BayesFlow. [Lies weiter]

Trainieren eines neuronalen Netzwerks basierend auf detailliertem Modell

Hybrid physical-AI based system modeling and simulation approach demonstrated on an automotive fuel cell

In diesem Paper wird ein Ansatz zum Trainieren eines neuronalen Netzwerkmodells vorgestellt, das auf einem detaillierten physikalischen Modelica-Modell basiert. Die notwendigen Schritte zur Generierung von Trainingsdaten aus der Simulation werden ebenso erläutert wie der Generierungsprozess eines KI-basierten Ersatzmodells. Es wird gezeigt, wie das Ersatzmodell wieder in das Modelica-Systemmodell integriert wird. Es wird ein Benchmark hinsichtlich Genauigkeit und Simulationszeit durchgeführt. Die verwendeten Werkzeuge sind dabei Modelon Impact, eine Online-Modellierungs- und Simulationsplattform sowie die TensorFlow/Keras-Toolbox in Python. [Lies weiter]

Workflow zum Ersetzen algebraischer Schleifen präsentiert

Replacing Strong Components with Artificial Neural Network Surrogates in an Open-Source Modelica Compiler

Die Hochschule Bielefeld präsentierte erste Zwischenergebnisse aus dem PHyMoS Projekt auf dem jährlichen OpenModelica Workshop an der Universität Linköping, Schweden. In der Präsentation “Replacing Strong Components with Artificial Neural Network Surrogates in an Open-Source Modelica Compiler” wurde vorgestellt, laufzeitintensive Berechnungen von nicht-linearen Gleichungssystemen im Simulations-Tool OpenModelica durch die Auswertung von künstlichen Neuronalen Netzen zu ersetzten. Der Workflow zur automatischen Detektion und Ersetzung teurer Gleichungssysteme im generierten Code des OpenModelica Compiler wurde vorgestellt. [Lies weiter]

PHyMoS Kick-Off

Das Projekt wurde im März 2021 gestartet und nun stehen drei Jahre zur verfügung um daran zu arbeiten.