Een schematische weergave van de werkelijkheid maken – een model – is niets nieuws. Al sinds jaar en dag wordt er gemodelleerd: van tastbare schaalmodellen van het zonnestelsel, gebouwen of bruggen, tot aan wiskundige modellen die allerlei fysieke systemen beschrijven. Volgens promovendus Bas Kessels heeft een goed model “oneindig veel mogelijkheden.” En dat is wel precies waar het wringt. Want wanneer kun je spreken van een ‘goed’ model?

“De wiskundige modellen die nu gemaakt worden van een fysiek systeem hebben natuurkundige, inzichtelijke wetten als basis. Maar we zien dat deze wetten niet voor de volle honderd procent in staat zijn om al het gedrag wat je observeert in een fysiek systeem precies te beschrijven. En zo krijg je een mismatch tussen model en fysiek systeem. Geen ideale situatie als je dat model bijvoorbeeld gebruikt om voorspellingen te doen of beslissingen te nemen voor je fysieke systeem.”

Heldere visualisatie

Een nieuwe generatie computers, met steeds meer rekenkracht, maakt het mogelijk om steeds meer gemeten data te gebruiken om systemen digitaal in kaart te brengen. Een zogenoemde digital twin – digitale tweeling - is in veel situaties heel handig, legt Kessels uit. “Stel dat je iets op een wafer scanner van ASML wilt testen. Het is al lastig om meettijd op dat druk gebruikte apparaat te krijgen, en bovendien moet je ook uitkijken dat je met jouw experiment niets aan het apparaat kapot maakt. Een goede kopie waar je qua experimenten op kunt losgaan is dan ideaal. Of neem een straaljager met een mankement aan de vleugel. Een goede digital twin herkent de schade, waarna je vervolgens in diverse testen kunt uitproberen welke manoeuvres de straaljager nog wel of niet kan maken en dit aan de piloot kunt doorgeven.”

En zo zijn er nog veel meer voordelen van een digital twin te noemen, somt Kessels op. Zo is het heel efficiënt wanneer je in de kopie kunt zien wanneer er schade aan een apparaat begint op te treden en je vervolgens preventief onderhoud kunt inplannen. Bovendien heb je beter zicht op welke componenten precies defect zijn, wat er allemaal aan bijdraagt dat een apparaat minder lang stilstaat. “En je kunt de prestaties van een apparaat met een goede digital twin verbeteren, en deze zo veiliger, nauwkeuriger en efficiënter maken. Dat geldt eigenlijk ook voor monteurs; een heldere visualisatie leidt tot een betere workflow.”

Natrilling in kaart brengen

Een goed model is dus inzichtelijk en nauwkeurig. Omdat het vooral aan dat laatste nog vaak schort, dook Kessels achter zijn computer om nieuwe methodes te ontwikkelen die moesten leiden tot nauwkeurigere digital twins, vooral van complexe systemen. Daarvoor gebruikte hij neurale netwerken, legt Kessels uit. “Deze neurale netwerken kun je namelijk trainen op basis van data die zijn gemeten op het fysieke systeem. En daarmee kunnen de netwerken compenseren voor het incorrect of niet gemodelleerd dynamisch gedrag van het fysieke systeem.” Uniek aan de aanpak van Kessels is dat ook dynamische, niet-lineaire systemen nu nauwkeuriger beschreven kunnen worden.

Kessels testte zijn nieuwe methodologie vervolgens bij semiconductor bedrijf ASMPT in Beuningen, dat een preciezer model wilde hebben van hun wire bonder. Dat 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 (sub-)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 kunnen we nu de natrilling veel beter in kaart brengen, waardoor de wachttijd korter kan. En dat betekent dat er meer chips per minuut afgehandeld kunnen worden.”

Longventilator

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, legt Kessels gedreven uit in een tweede praktijkvoorbeeld. “Iets totaal anders – 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 met vertrouwen 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, precisiemodelleren noemt Kessels het. “Voor sommigen lijkt het gepriegel in de marge, maar we hebben hiermee weer een stap kunnen zetten.  Niet alleen theoretisch, maar ook qua toepassing in het bedrijfsleven.” Hij glimlacht. “Het kan niet nauwkeurig genoeg.”