La diagnostica in tempo reale consente d’individuare guasti potenziali o effettivi mediante il monitoraggio d’un sistema durante il suo funzionamento. I sensori utilizzati e l’analisi dei loro segnali naturalmente dipendono dall’applicazione, e uno dei settori in cui la diagnostica viene sempre più impiegata è la pneumatica, nella quale informazioni utili sullo stato del sistema vengono ottenute da grandezze quali per esempio pressioni, leggi di moto, vibrazioni. Queste informazioni tuttavia possono non essere evidenti per la loro natura o perché combinate con altre che le mascherano, pertanto in questi casi sono necessari metodi che le estraggano e le mettano nella forma più utile ai fini dell’analisi.
Un esempio concreto deriva da una ricerca condotta presso il Dipartimento d’Ingegneria Meccanica e Industriale dell’Università di Brescia. La ricerca aveva lo scopo di verificare l’efficacia delle reti neurali nell’identificare e classificare guasti in pistoni pneumatici, come viti di fissaggio allentate o perdite di pressione nelle camere o nei condotti. Le grandezze misurate erano le vibrazioni rilevate in punti diversi del pistone con accelerometri di tipo diverso, come i tradizionali piezometrici monoassiali e il triassiale Arduino. Particolare enfasi era posta in quest’ultimo confronto, perché un accelerometro Arduino richiede meno hardware dedicato rispetto a un accelerometro tradizionale, e quindi costituisce una soluzione più economica a parità d’efficacia. Da ogni segnale di vibrazione veniva estratto lo spettro PSD (Power Spectral Density), che veniva utilizzato per l’addestramento o per il test. La bontà della rete veniva determinata mediante un indice numerico che ne esprimeva l’accuratezza secondo un determinato criterio.
In sintesi è emerso che l’accuratezza fornita dall’Arduino è inferiore a quella dei monoassiali piezoelettrici, e che relativamente a questi è preferibile la misurazione delle vibrazioni al corpo del pistone rispetto a quella allo stelo. Un’altra indicazione importante è che l’accuratezza va calcolata tenendo conto dell’errore commesso: rilevare come guasto un allentamento delle viti di fissaggio anteriori in luogo di quelle posteriori non è un grave errore, perché il guasto è stato comunque individuato anche se è necessaria un’ispezione per individuare quello effettivo; rilevare invece un guasto quando non c’è, o peggio ancora non rilevarlo quando invece c’è, sono errori gravi che dovrebbero pesare di più nel calcolo dell’accuratezza, per riflettere meglio l’efficacia della rete. A titolo di chiarimento, in figura sono rappresentate le confusion map nel caso dei segnali misurati allo stelo in rapporto alla percentuale utilizzata nei test (rispettivamente 20%, 50%, e 80%). Le accuratezze determinate col metodo standard sono molto alte (0,986 a sinistra, 0,971 al centro, 0,907 a destra), ma si osservi che nei due primi casi una situazione di normalità (True Class pari a N) è stata classificata come guasto (Predicted Class diversa da N), mentre negli ultimi due casi è avvenuto che effettivi guasti (True Class diversa da N) non siano stati riconosciuti come tali (Predicted Class uguale a N). Questo dimostra che il calcolo dell’accuratezza deve tener conto del tipo di errore commesso al fine di penalizzare reti che commettono questo tipo di errore.
Carlo Remino
Ricercatore in Meccanica Applicata alle Macchine presso la facoltà di ingegneria dell’Università degli Studi di Brescia. carlo.remino@unibs.it
