Intelligenza artificiale per la diagnostica

L’intelligenza artificiale costituisce un filone trasversale dell’attività scientifica del Prof. Silvano Vergura. Le prime ricerche hanno riguardato reti neurali non supervisionate per estrarre caratteristiche, riconoscere dati anomali e ridurre la ridondanza di dataset ambientali. Queste metodologie consentono di individuare strutture e relazioni nei dati anche quando non sono disponibili classificazioni preliminari complete.

Successivamente, reti neurali, visione artificiale e logica fuzzy sono state applicate alla diagnostica fotovoltaica, all’elaborazione delle immagini termografiche, al controllo di sistemi energetici ibridi e alla gestione del microclima delle serre, fino all’automotive. L’approccio combina apprendimento automatico, statistica, conoscenza fisica e controllo in tempo reale.

L’obiettivo è trasformare misure e immagini in informazioni utilizzabili per valutare le condizioni operative, individuare anomalie e migliorare la gestione dei sistemi. La scelta degli algoritmi dipende quindi dal problema applicativo, dalla qualità dei dati e dai requisiti di interpretabilità e rapidità. La conoscenza ingegneristica guida l’analisi, permettendo di collegare i risultati dell’elaborazione ai fenomeni fisici e alle esigenze dell’utilizzatore.

I dati provenienti da impianti e sensori possono essere rumorosi, incompleti, ridondanti o scarsamente etichettati. I guasti reali sono meno numerosi delle condizioni normali e le prestazioni cambiano con il contesto ambientale. Un modello addestrato su un singolo impianto può quindi non generalizzare ad altri siti o tecnologie.

Lo squilibrio tra esempi di funzionamento regolare e anomalie può penalizzare il riconoscimento dei difetti più rari. Inoltre, differenze tra sensori, modalità di acquisizione e condizioni operative possono essere interpretate erroneamente come segnali di guasto. La valutazione deve quindi considerare falsi allarmi, anomalie non rilevate e comportamento su dati indipendenti da quelli utilizzati nell’addestramento.

Nelle applicazioni diagnostiche è essenziale comprendere perché un componente sia stato segnalato e con quale grado di incertezza. Un algoritmo accurato ma opaco è difficilmente utilizzabile per decisioni manutentive o di sicurezza. Occorre distinguere la capacità di riconoscere una configurazione anomala dalla possibilità di identificarne la causa e valutarne le conseguenze operative.

Le reti neurali sono state utilizzate per apprendere il comportamento normale delle stringhe fotovoltaiche e riconoscere perdite dovute a invecchiamento, sporcamento o altri modi di guasto. Il confronto tra comportamento atteso e misure osservate permette di evidenziare scostamenti da approfondire, interpretandoli alla luce delle condizioni di esercizio e delle caratteristiche dell’impianto.

Nelle piattaforme termografiche, la visione artificiale identifica moduli e celle, elabora le immagini e classifica le anomalie. L’individuazione delle regioni di interesse consente di concentrare l’analisi sui componenti, facilitando il confronto tra distribuzioni termiche e la restituzione dei risultati al professionista.

La logica fuzzy gestisce invece sistemi non lineari e incerti: regola temperatura e umidità nelle serre, controlla convertitori e batterie, realizza strategie MPPT e ottimizza il raffreddamento dei sistemi fotovoltaici-termici. Le regole di controllo traducono conoscenze sul funzionamento del sistema in azioni graduate, considerando contemporaneamente più variabili e obiettivi.

Le implementazioni su FPGA permettono di trasferire tali controlli su dispositivi embedded con risposta rapida. L’integrazione tra algoritmi, misure e hardware avvicina così l’elaborazione al processo fisico, sostenendo applicazioni nelle quali i tempi di risposta sono determinanti.

Le future ricerche saranno orientate verso dataset multimodali, apprendimento semi-supervisionato e modelli physics-informed, nei quali l’apprendimento sia guidato anche dai vincoli fisici del sistema. L’integrazione di immagini, misure elettriche, condizioni ambientali e storico operativo potrà migliorare la comprensione delle anomalie e ridurre la dipendenza da grandi quantità di esempi etichettati.

L’intelligenza artificiale dovrà fornire diagnosi spiegabili, indicare le regioni dell’immagine rilevanti e quantificare l’incertezza delle stime. Sarà inoltre necessario riconoscere situazioni diverse da quelle incontrate durante l’addestramento, segnalando quando il risultato richiede ulteriori verifiche.

L’elaborazione sarà distribuita tra dispositivi edge, droni, FPGA e cloud, bilanciando rapidità, risorse di calcolo, cybersecurity e tracciabilità. La validazione su impianti e condizioni differenti sarà essenziale per verificarne l’affidabilità operativa.

Il passaggio successivo passerà dalla semplice rilevazione alla prognostica: stimare perdita energetica, probabilità di evoluzione del difetto, vita residua e priorità manutentiva. Queste informazioni dovranno supportare decisioni motivate e documentabili, lasciando all’esperto la responsabilità della valutazione finale e dell’intervento.

L’intelligenza artificiale avrà un ruolo rilevante nei sistemi dinamici di gestione della sicurezza del settore automotive. Dati elettrici e termici, informazioni sulla batteria e registri degli interventi potranno alimentare strumenti capaci di aggiornare la valutazione del rischio. Tali sistemi dovranno essere validati anche su eventi rari e mantenere una chiara supervisione umana. Procedure, attrezzature e formazione dovranno evolvere insieme alle nuove architetture di batteria, alle tensioni di trazione e alle tecnologie di ricarica. Saranno utili simulazioni di emergenza, percorsi formativi differenziati e criteri di audit per officine e flotte.

>>> Torna in alto <<<