Bolderman deed zijn onderzoek op het gebied van regeltechniek, een vakgebied dat zich richt op het beheersen en optimaliseren van de prestaties van technische systemen en processen. “Eigenlijk zorgt regeltechniek dat het systeem doet wat je wil dat het doet”, aldus Bolderman. Een van de simpelste voorbeelden is de cruise control in de auto, maar de systemen kunnen variëren van 3D-printers tot autonome voertuigen, en van drones tot ruimteschepen.

Bolderman richtte zich in zijn thesis op toepassingen in de hightechindustrie in de Brainportregio. Zo speelt regeltechniek een cruciale rol in het nauwkeurig aansturen van de bewegingen in de lithografiemachines van ASML. De siliciumwafers moeten extreem precies worden gepositioneerd zodat lasers daarop de zeer fijne patronen van computerchips kunnen aanbrengen.

Feedforward control

Een van de cruciale concepten in de regeltechniek is de zogenaamde feedforward control. Ieder systeem heeft één of meerdere inputs en outputs, legt Bolderman uit. De input is wat je kan aansturen, zoals de mechanische krachten of de stroomsterkte. De output is vaak de positie die je wil bereiken. “De vraag is hoe we de input moeten kiezen om de juiste output te krijgen – dat is de control die je hebt over het proces”, vertelt hij. Traditioneel worden er wiskundige modellen gebruikt die beschrijven wat het systeem doet en laten zien: als je een bepaalde input hebt, wat gebeurt er dan met de output?

“Zo kunnen we terug gaan rekenen wat de input had moeten zijn om een bepaalde output te krijgen”, vervolgt hij. Maar wat blijkt is dat het daadwerkelijke systeem zich in de praktijk toch iets anders gedraagt dan het model beschrijft. “Het klopt in grote lijnen, maar het is niet nauwkeurig genoeg”, stelt de promovendus. “De op fysica gebaseerde modellen beschrijven in de basis heel goed wat er gebeurt, hoe het systeem ongeveer werkt, maar het mist een aantal zaken, zoals de ongewenste – zogeheten parasitische effecten, waaronder wrijving.”

Neurale netwerken

Een andere manier om deze processen te beheersen is aan de hand van neurale netwerken. “Dat zijn black box-methodes die op basis van een grote hoeveelheid data die het systeem genereert een model maken van hoe het systeem eruitziet”, legt hij uit. Deze modellen kunnen in theorie heel nauwkeurige resultaten opleveren, maar ze zijn niet altijd even betrouwbaar. “Het hangt heel erg van de kwaliteit van de data af”, aldus Bolderman. “Over het algemeen kan het goed werken, maar je weet het gewoon niet. En de resultaten zijn niet interpreteerbaar, dus dat kan gevaarlijk zijn.”

Om de goede punten van beide methodes te combineren voegde Bolderman de traditionele, op fysica gebaseerde modellen samen met neurale netwerken. Op die manier zou je modellen krijgen die accurater werken én tegelijkertijd betrouwbaar zijn. “Als je het enkel met een neuraal netwerk doet zonder fysische informatie, dan zie je fouten zoals dat wrijving meewerkt in plaats van tegenwerkt”, vertelt hij. Door fysica met neurale netwerken te combineren, worden de modellen betrouwbaarder. “Een groot voordeel van deze modellen is dat je veel minder afhankelijk bent van de neurale netwerken, dus van je data. Heel veel informatie haal je namelijk al uit je kennis van de mechanica”, aldus Bolderman. Daarnaast zijn de resultaten beter interpreteerbaar. “We kunnen nu het neurale netwerk bijvoorbeeld alleen de wrijving laten uitrekenen in plaats van de complete dynamica. Zo zien we wat het neurale netwerk precies doet en kunnen we het model beter valideren.”

Betere performance

Bolderman toonde in zijn onderzoek aan dat je met deze modellen bij gebruik van feedforward control een betere performance haalt. “Het systeem werkt beter en de positieregeling is accurater”, zegt de promovendus. Met deze significante verbetering van het systeem zouden fabrikanten complexere chips kunnen maken of het systeem sneller laten werken om meer chips te produceren in dezelfde tijd. “De fouten worden bij een hogere snelheid groter, maar met een accurater model blijven ze binnen de marge”, legt hij uit. “Het is dus net welk voordeel je belangrijker vindt. Je kunt het systeem ook iets sneller én iets accurater maken.”

Een andere mogelijke toepassing die hij noemt zijn de complexe medische apparaten die Philips maakt. “Als je je control beter doet, dan kun je misschien medische foto’s met een hogere nauwkeurigheid maken en daardoor beter diagnosticeren.” Er zijn veel verschillende toepassingen mogelijk, maar uiteindelijk komt het op hetzelfde neer: door fysica met neurale netwerken te combineren kun je accuratere modellen creëren en zo een betere controle krijgen over het systeem.