I ricercatori della ZHAW sviluppano una soluzione di intelligenza artificiale per la pulizia dei dati delle macchine
I ricercatori della ZHAW School of Engineering hanno sviluppato un framework innovativo che riconosce in modo più efficiente anomalie e difetti nelle macchine, anche quando i dati di addestramento sono contaminati. Questo sviluppo affronta una sfida centrale nella ricerca sull'IA: il rilevamento preciso degli errori senza poter contare su dati di addestramento privi di errori.
Il riconoscimento di modelli insoliti o anomali nei dati industriali è uno dei compiti più comuni degli algoritmi di intelligenza artificiale nelle applicazioni commerciali. Consente di individuare precocemente degrado, difetti ed errori di produzione e di correggere tempestivamente questi problemi, risparmiando così sui costi e riducendo i tempi di fermo.
Il rilevamento delle anomalie nelle macchine si basa solitamente sull'"apprendimento dalla normalità". Ciò significa che gli algoritmi di IA vengono addestrati utilizzando i dati di macchine perfettamente funzionanti per riconoscere successivamente le deviazioni nei dati operativi. In pratica, però, spesso non sono disponibili dati completamente privi di errori, il che compromette notevolmente l'efficacia dei modelli. L'addestramento con dati contaminati significa che i modelli non sono più in grado di distinguere tra condizioni operative normali e difettose: una sfida che la ricerca non è quasi mai riuscita a risolvere.
Utilizzo di algoritmi di IA senza intervento umano
"Grazie alla collaborazione con diverse aziende, ci siamo resi conto della necessità di algoritmi di intelligenza artificiale che possano essere utilizzati direttamente per l'etichettatura dei dati senza alcun intervento umano", spiega la dott.ssa Lilach Goren Huber del team Smart Maintenance dell'Istituto ZHAW per l'analisi dei dati e la progettazione dei processi (IDP).
Un nuovo quadro per il raffinamento dei dati non supervisionati
Per colmare questa lacuna, i ricercatori di ZHAW hanno sviluppato un nuovo framework che analizza automaticamente i dati storici potenzialmente contaminati ed estrae campioni di dati normalmente funzionanti in modo completamente non supervisionato. In questo modo, i dati puliti possono essere utilizzati per addestrare gli algoritmi di rilevamento delle anomalie senza dover ricorrere a un lungo lavoro di selezione manuale.
Concetto semplice, effetto potente
Il framework si basa su un'osservazione centrale: i campioni di dati errati hanno un'influenza maggiore sulle prestazioni dei modelli di intelligenza artificiale rispetto ai campioni normali. In base a questo principio, a ogni campione di dati viene assegnato un punteggio che misura la sua influenza sulla formazione. I campioni con un punteggio elevato vengono identificati come potenzialmente errati e rimossi dai dati di addestramento. Nei test, il framework ha ottenuto prestazioni paragonabili a quelle dei set di dati puliti manualmente con questi dati raffinati.
Applicazione e prospettive di successo
La ZHAW ha testato il metodo su diversi tipi di macchine, tra cui pompe, valvole, ventole e motori, ottenendo risultati promettenti. Nella maggior parte dei casi, il framework è stato in grado di compensare completamente la mancanza di dati di addestramento privi di errori. "Il nostro approccio non è solo semplice e robusto, ma anche universalmente applicabile. Può essere combinato con qualsiasi tipo di dati e con i metodi di rilevamento dei guasti esistenti", spiega la dottoressa Lilach Goren Huber.
Fonte: www.zhaw.ch
Questo articolo è apparso originariamente su m-q.ch - https://www.m-q.ch/de/zhaw-forschende-entwickeln-ki-loesung-zur-bereinigung-von-maschinendaten/
