Reti neurali convoluzionali basate sulla codifica della posizione per la previsione della vita utile rimanente della macchina

Un nuovo studio su IEEE/CAA Journal of Automatica Sinica descrive il framework della rete neurale convoluzionale per prevedere la vita utile rimanente nelle macchine 

Le industrie moderne richiedono macchinari efficienti e affidabili. Per garantire la stabilità delle apparecchiature industriali ed evitare inutili tempi di fermo macchina, è importante misurare con precisione la vita utile residua (RUL) di una macchina. Ciò è stato fatto utilizzando approcci basati sul deep learning. In particolare, le reti neurali profonde sono considerate promettenti in questo senso.

Questi includono reti neurali ricorrenti (RNN), reti neurali convoluzionali (CNN) o reti ibride. Tra questi, gli approcci basati su RNN acquisiscono efficacemente informazioni sequenziali, consentendo loro di funzionare meglio dei metodi basati su CNN. Tuttavia, a differenza delle CNN, impiegano più tempo per addestrarsi e perdono funzionalità importanti dei sistemi industriali. Anche gli ibridi RNN-CNN, esplorati da studi precedenti, tendono ad essere non ottimali.

Recentemente, un team di ricercatori, guidato dal dottor Zhenghua Chen dell’Agenzia per la scienza, la tecnologia e la ricerca, Singapore, ha messo in dubbio la scelta convenzionale di scegliere RNN rispetto alle CNN e ha proposto una serie di nuove CNN, che hanno mostrato risultati paragonabili ai metodi RNN per la previsione RUL. “Gli approcci esistenti basati sulla CNN non sono progettati secondo il principio classico della CNN, ovvero una dimensione del kernel più piccola (filtro di estrazione delle funzionalità) e un numero di canale maggiore, che riduce le loro prestazioni. Inoltre, trascurano il ruolo del campo ricettivo e la dimensione della regione nell’input che produce la caratteristica”, ha spiegato il dottor Chen, parlando della loro motivazione alla base dello studio, che è stato pubblicato nel numero di agosto 2022, IEEE/ Giornale CAA di Automatica Sinica .

In primo luogo, lo studio ha stabilito che sono desiderabili kernel di convoluzione unidimensionale di piccole dimensioni e reti profonde con ampio campo ricettivo, poiché sono efficienti nell’apprendimento delle caratteristiche dai segnali di serie temporali di input e modellano meglio le informazioni sequenziali. Sulla base di ciò, il team ha proposto una nuova architettura CNN utilizzando una combinazione a tre strati: uno strato di convoluzione seguito da normalizzazione batch e strati di unità lineari rettificati per formare un’unità convolutiva. Queste unità sono state impilate insieme per formare una rete in modo tale che la loro altezza e larghezza diminuissero e il numero di canali aumentasse con la profondità della rete. Gli strati completamente connessi sono stati quindi utilizzati per prevedere i valori RUL.

Successivamente, il team ha ideato uno schema di codifica della posizione per sviluppare PE-Net, in cui due trasformazioni hanno tradotto le informazioni di posizione codificate e i segnali di input nello stesso spazio per la fusione. Inoltre, le CNN sono state ottimizzate utilizzando la perdita di errore quadratico medio (MSE) come metrica delle prestazioni. Infine, il team ha messo alla prova PE-Net eseguendo esperimenti sul set di dati C-MAPSS, un noto benchmark per la previsione RUL.

Con loro grande entusiasmo, PE-Net ha funzionato meglio delle CNN esistenti sulla maggior parte dei set di dati e ha sovraperformato significativamente le reti neurali artificiali di “memoria a lungo termine” per casi complessi. Inoltre, le trasformazioni sottostanti seguite dalla fusione “addizione per elemento” hanno migliorato l’accuratezza della previsione RUL in misura tale da superare gli approcci RNN standard.

“PE-Net utilizza big data e tecnologia di deep learning per identificare automaticamente e con precisione i componenti da riparare raccogliendo dati da sensori installati su sistemi industriali. In futuro, con il progresso dell’IA, questa tecnologia potrebbe aiutare a ridurre significativamente il costo del lavoro per la manutenzione delle macchine industriali evitando errori fatali”, conclude il dottor Chen, parlando delle potenziali applicazioni del loro lavoro.

RB Jin, M. Wu, KY Wu, KZ Gao, ZH Chen e XL Li, “Reti neurali convoluzionali basate sulla codifica della posizione per la previsione della vita utile rimanente della macchina” 

Chinese Association of Automation