Voor veel industriële machines en componenten is het moeilijk of duur om temperaturen op kritische punten direct te meten, waardoor het nauwkeurig bewaken van lokale temperaturen een uitdaging wordt. Vaak zijn slechts enkele meetpunten beschikbaar in de buurt van het punt van belang (bijv. de junctietemperatuur in PE-modules) of zelfs onmogelijk te verkrijgen (bijv. temperatuur aan de tandwielflanken of in het lagercontact van tandwielkasten). Deze temperaturen hebben echter een sterke correlatie met de prestaties en de degradatiesnelheid van de component in kwestie.

De meeste van deze producten vertonen een combinatie van complexe thermische fenomenen (geleiding, convectie, vloeistofstroming...) die beschreven kunnen worden door 3D partiële differentiaalvergelijkingen (PDE). Voor deze toepassingen is er een veelheid aan modellen beschikbaar (eindige volumes, eindige elementen, modellen met vaste parameters...). Deze modellen kunnen een redelijke nauwkeurigheid hebben in de orde van 1-2 °C, maar gaan gepaard met enorme rekenkosten, waardoor monitoring in realtime vaak onmogelijk is.

In DTF-PINN willen we op PINN (Physics Inspired Neural Networks) gebaseerde virtuele sensoren voor thermische toepassingen ontwikkelen die rekenkundig lichter zijn dan hun fysisch gebaseerde tegenhangers. Op fysica geïnspireerde neurale netwerken kunnen nauwkeurig thermische fenomenen vastleggen die beheerst worden door PDE's terwijl ze het potentieel hebben om aanzienlijk sneller te werken dan hun op fysica gebaseerde (FE, FV, LP...) tegenhangers. Door fysische wetten en randvoorwaarden op te nemen, heeft de PINN-architectuur de mogelijkheid om te leren van minder en beperktere gegevens in vergelijking met gewone 'gegevenshongerige' black box Machine Learning-technieken.

Als dit project succesvol is, zal het de integratie van lichtgewicht PINN-gebaseerde virtuele sensoren in het raamwerk van industriële machines en processen mogelijk maken en zal het leiden tot de ontwikkeling van betere ontwerp- en bewakingstools voor een veelheid aan toepassingen. Het PINN-raamwerk maakt gebruik van de nauwkeurigheid van beschikbare modellen in de ontwerpfase maar werkt aanzienlijk sneller en vermindert de inspanning die nodig is om computationeel lichte temperatuurschatters te bouwen en aan te passen. Als we erin slagen om een robuuste PINN architectuurselectierichtlijn of geautomatiseerde zoekactie te ontwikkelen, zal dit de implementatietijd voor snelle thermische bewaking aanzienlijk verkorten van de orde van maanden tot de orde van dagen of weken. Het virtuele-sensorframework kan ook de kosten van sensoroplossingen verlagen omdat sensoren in de buurt kunnen helpen om de nauwkeurigheid van temperatuurschattingen te verhogen.