Uno studio malese illustra un nuovo modello per la diagnosi dei guasti ai motori basato su una versione potenziata della computer vision di Google

I ricercatori della School of Electrical and Electronic Engineering della Universiti Sains Malaysia, a Nibong Tebal, hanno sviluppato un metodo in grado di rilevare diversi guasti ai motori elettrici con un’accuratezza del 100%.

Il nuovo sistema si basa sulla termografia e su InceptionV3, un modello di rete neurale convoluzionale profonda sviluppata da Google e ampiamente utilizzata per l’analisi delle immagini, anche nella diagnostica.

I risultati dei test mostrano un’accuratezza superiore a quella degli altri modelli di deep learning pre-addestrati allo scopo. I ricercatori, inoltre, credono che in futuro il nuovo approccio potrebbe essere esteso incorporando segnali d’altro tipo, come suoni e vibrazioni.

Il deep learning per il monitoraggio dei motori elettrici

I motori elettrici consumano circa il 53% dell’energia globale: automobili, sistemi di riscaldamento e ventilazione, ascensori, macchinari industriali di ogni genere dipendono dal loro funzionamento. Spesso nascosti dalle scocche imponenti dei macchinari, i motori elettrici sono i dispositivi silenziosi che muovono l’industria globale.

Il lavoro prolungato, le condizioni ambientali non sempre ideali e una manutenzione a volte inadeguata li rendono però soggetti a diversi guasti, che possono portare a gravi inefficienze, fermi di produzione e spese impreviste. Perciò si sono fatti strada concetti come quello di Condition-based monitoring (CBM) e manutenzione predittiva: il monitoraggio costante delle apparecchiature permette di poter intervenire sui problemi prima che un malfunzionamento possa provocare danni ai componenti del motore – un’evoluzione cruciale, a maggior ragione se si considera che una buona percentuale dei guasti ai motori è direttamente causata da usura e deterioramento.

Tra i diversi metodi di monitoraggio sperimentati negli anni, sono emersi come prevalenti quelli basati sull’analisi delle vibrazioni e sulle immagini termiche, con questi ultimi che offrono l’innegabile vantaggio di poter operare senza un contatto fisico diretto con la macchina in movimento.

A potenziare enormemente questi sistemi di monitoraggio, le possibilità dimostrate dai modelli di deep learning nel campo della computer vision e alcune tecnologie che permettono di migliorare costantemente le capacità della visione artificiale. L’ultimo esperimento in tal senso è quello illustrato dai ricercatori della Universiti Sains Malaysia: il nuovo approccio, spiegano gli scienziati nell’articolo pubblicato su Nature Scientific Reports, supera le performance di altri sistemi simili sfruttando un modello potenziato di InceptionV3, la rete neurale convoluzionale per la computer vision di GoogleAI anche nota come GoogLeNet.

Una versione potenziata di InceptionV3 per la termografia

Rilasciato nel 2016, il modello InceptionV3 si è rivelato subito molto evoluto, soprattutto grazie alla sua capacità di catturare caratteristiche spaziali complesse attraverso l’uso di moduli di Inception, dei moduli convoluzionali progettati per generare attributi discreti e allo stesso tempo ridurre i parametri di input.

Le capacità di questo modello, si legge nello studio, possono essere ulteriormente potenziate adottando delle tecnologie per il miglioramento delle immagini e dei meccanismi che permettono di ottimizzare la loro analisi. Nello specifico, i ricercatori hanno deciso di utilizzare la tecnica dell’equalizzazione adattiva dell’istogramma (CLAHE)14 per migliorare il contrasto delle immagini e di integrare nel modello InceptionV3 un meccanismo d’attenzione del canale Squeeze-and-Excitation (SE). Questo meccanismo, che si è già dimostrato molto promettente nello svolgimento di diversi compiti visivi, permette di concentrare l’attenzione della visione artificiale (e le sue risorse) sulle caratteristiche più importanti dell’immagine.

I ricercatori hanno testato il nuovo modello utilizzando un set di dati contenente 369 immagini termiche di un motore elettrico con 11 tipi di guasti raccolte dal Laboratorio di Macchine Elettriche dell’Università di Tecnologia di Babol Noshirvani. Hanno poi valutato le immagini secondo quattro metriche di performance molto comuni nell’ambito del machine learning: l’accuratezza (la veridicità delle predizioni), la precisione (la capacità di non etichettare un campione negativo come positivo), la sensibilità (la capacità di trovare veri positivi) e il punteggio F1, che combina le ultime due. Ebbene, il sistema si è rivelato capace di raggiungere un’accuratezza del 98,82%, una precisione del 98,93%, una sensibilità del 98,82% e un F1 del 98,87%. Ma i ricercatori malesi hanno deciso di migliorare ancora il modello.

Velocità di elaborazione compatibile con il monitoraggio real-time

Per potenziare ulteriormente le performance del nuovo modello per la diagnosi dei guasti, i ricercatori hanno deciso di sostituire il livello di classificazione del modello originale con un classificatore SVM (Support Vector Machine), un algoritmo che classifica i dati trovando la miglior linea di separazione possibile tra due classi.

Come si legge nello studio,

“Congelando i livelli completamente connessi del modello InceptionV3 per l’estrazione delle caratteristiche e addestrando una Support Vector Machines (SVM) per eseguire la classificazione, il nuovo modello è in grado di raggiungere un tasso di rilevamento del 100% in tutte e quattro le metriche di valutazione”.

Un altro risultato promettente riguarda i tempi di elaborazione, decisamente cruciali quando si tratta di rilevare dei guasti a un motore: il modello proposto impiega mediamente 4,41 secondi per processare 1000 immagini termiche di motori. Ovviamente includendo nel computo il miglioramento delle immagini, l’estrazione dei dati con la versione potenziata di InceptionV3 e la classificazione tramite SVM.

“Una tale velocità di elaborazione è sufficiente per diverse applicazioni in tempo reale ed è capace di gestire il rilevamento automatizzato dei guasti e il monitoraggio in tempo reale dei motori elettrici”,

si legge nello studio. Come spiegano i ricercatori, questo approccio innovativo che combina termografia e deep learning permette di fare un ulteriore passo avanti nell’identificazione accurata dei guasti ai motori elettrici, permettendo un’evoluzione significativa nel campo della manutenzione predittiva. In futuro, poi, l’approccio potrà essere esteso all’apprendimento multimodale, integrando segnali acustici e vibrazioni per un rilevamento ancora più accurato e consistente.

Ecco tre approfondimenti che potrebbero interessarti:

Internet of Things: il futuro delle fabbriche intelligenti
Ferraris contro Tesla: chi ha inventato il motore a induzione?
IA sostenibile: nuovo metodo per prevedere consumi ed emissioni