La diagnostica in àmbito meccanico si pone come obiettivo la prevenzione di disservizi mediante il monitoraggio di specifici “sintomi”, come per esempio le vibrazioni in parti significative della macchina.
L’interpretazione dei dati, comunemente affidata a personale esperto, può essere svolta in modo automatico durante il funzionamento stesso della macchina con tecniche di intelligenza artificiale, fra le quali le reti neurali artificiali sono fra le più diffuse. Una rete neurale artificiale, infatti, è in grado d’interpretare i sintomi e di estrarre da essi le condizioni operative della macchina.
Le reti neurali artificiali si ispirano ai sistemi nervosi biologici, modellizzandoli e semplificandoli. Tra le principali prerogative di questi strumenti di calcolo si annoverano: capacità di generalizzazione, flessibilità, recupero di informazioni in base al contenuto e robustezza. Questo li rende strumenti particolarmente adatti per sviluppare sistemi esperti, ossia sistemi in grado di estrarre conoscenza da una serie di dati. L’elemento base di ogni rete neurale artificiale è il neurone artificiale (figura 1), composto da una funzione di attivazione (o di trasferimento, f), da una soglia (o bias) e da una serie di connessioni (ciascuna caratterizzata da un peso sinaptico, wi) che consentono il trasferimento di segnali (informazioni) verso altri neuroni.
Fig. 1 – Neurone artificiale
Fig. 2 – Architettura di una rete neurale con un livello nascosto.
Il neurone risponde ai segnali in ingresso applicando la funzione di attivazione.
Più neuroni si interconnettono per creare una rete neurale con architetture il cui grado di complessità dipende dal compito da assolvere. In figura 2 è rappresentata una rete relativamente semplice, costituita da un livello (detto “nascosto”) interposto fra i livelli d’ingresso e d’uscita. L’addestramento (apprendimento) della rete può essere compiuto in vari modi: per esempio in quello “supervisionato” sono immessi nella rete una serie di dati (indici estrapolati da una o più grandezze misurate, come per esempio la densità di potenza delle vibrazioni) la cui risposta sia nota (per esempio il danneggiamento di un determinato cuscinetto, espresso mediante un opportuno indice). Per ogni insieme di pesi viene calcolato l’errore commesso dalla rete, o meglio la differenza fra l’uscita desiderata e quella reale, e mediante un procedimento iterativo i pesi sono aggiustati fino al momento in cui l’errore raggiunge il valore minimo. Per esempio, si attribuisce un indice a ognuno dei guasti possibili di un cuscinetto (ossia un guasto della pista interna, della pista esterna, di un corpo volvente e della gabbia), assumendo che sia uno quando l’elemento corrispondente è guasto e zero quando è integro; poi si immettono nella rete gli indici estratti dalle vibrazioni misurate nella macchina quando per esempio sia guasto un corpo volvente; quindi si tarano i pesi fino al momento in cui la rete fornisce in uscita tutti gli indici pari a zero tranne quello relativo al guasto di un corpo volvente, che deve avere un valore prossimo o pari a uno.
Una volta addestrata, la rete viene collaudata immettendole dati mai presentati prima (dati di validazione) per controllare che la risposta prevista sia coerente con la prestazione richiesta. In questo modo si ottiene una miglior capacità di generalizzazione.
Carlo Remino
Ricercatore in Meccanica Applicata alle Macchine presso la facoltà di ingegneria dell’Università degli Studi di Brescia. carlo.remino@unibs.it
