Progetti

ASTRAL

Analisi e monitoraggio di sistemi critici multi-scala attraverso l'intelligenza artificiale

Finanziamento: IFAB

Tecnologia abilitante: Artificial Intelligence, Big Data Analytics, Digital Twin, High Performance Computing, Machine Learning

Obiettivi di sviluppo sostenibile

Il progetto propone lo sviluppo di algoritmi di intelligenza artificiale per soluzioni diagnostiche, prognostiche e di gestione della salute per sistemi cyber-fisici complessi (CPS), in risposta alla richiesta di sistemi più accessibili e affidabili, adatti a condizioni di ciclo di vita complesse.
Intende inoltre sviluppare gemelli digitali dei CPS coinvolti, che alimenteranno l’algoritmo di intelligenza artificiale per monitorare l’affidabilità e l’attendibilità dei modelli.

Centro Nazionale di Ricerca in High Performance Computing Big Data e Quantum Computing (ICSC), progetto finanziato dall’Unione Europea – NextGenerationEU – e dal Piano Nazionale Ripresa e Resilienza (PNRR) – Missione 4 Componente 2.

Obiettivi

L’obiettivo principale è lo sviluppo di soluzioni avanzate nel campo del Predictive Health Management per sistemi complessi, con particolare attenzione al rilevamento di anomalie, all’analisi delle cause alla radice e alla stima della Residual Useful Life.

Sfida iniziale

Il progetto nasce dall’esigenza di affrontare una sfida comune nella manutenzione predittiva e nell’analisi di sistemi complessi: il rilevamento di anomalie in serie temporali, un aspetto cruciale nella gestione della salute predittiva.

La difficoltà principale risiede nella natura dei dati disponibili per addestrare i modelli di machine learning, che tendevano ad essere fortemente orientati verso campioni nominali o non nominali. Questo squilibrio ha reso problematico l’uso dell’apprendimento supervisionato con il set di dati originale.

Soluzione

Lo sviluppo di modelli di apprendimento automatico efficaci per identificare i problemi delle serie temporali aumenta l’affidabilità e la manutenzione del sistema. Una sfida chiave è la gestione di insiemi di dati sbilanciati, dominati da campioni nominali, attraverso approcci di apprendimento senza supervisione e l’inserimento di anomalie sintetiche. Questi metodi mirano a migliorare la capacità dei modelli ML di rilevare e prevedere anomalie.

Il progetto mira anche a integrare queste tecniche con i processi RCA per comprendere e prevenire i problemi nei sistemi. Un altro elemento cruciale è l’uso dell’IA per stimare il RUL, che è fondamentale per la gestione delle risorse e la pianificazione della manutenzione.

Infine, l’obiettivo è applicare queste soluzioni in ambienti data center e su dispositivi di edge computing, ottimizzando i modelli ML per l’efficacia in ambienti con risorse limitate. In sintesi, il progetto mira a sviluppare tecnologie ML e IA avanzate per una vasta gamma di applicazioni, migliorando la rilevazione, l’analisi e la prevenzione dei problemi in sistemi complessi.

Benefici

La creazione di una sinergia nazionale tra i principali centri di ricerca coinvolti darà una direzione precisa verso l’implementazione della gestione della salute e l’affidabilità dei sistemi mission-critical basati. Inoltre, i progetti mirano a costruire una piattaforma sicura per sfruttare i big data/segnali attraverso l’IA e le tecnologie HPC per le missioni spaziali e l’industria e rafforzare le competenze nazionali nel settore, basandosi sull’esperienza in altri settori industriali, quali le piattaforme meteorologiche per il trattamento dei dati.

Il ruolo di IFAB

IFAB ha partecipato al progetto nel ruolo di facilitatore, operando per creare le condizioni favorevoli alla sua realizzazione. Il contributo di IFAB si è concretizzato nell’attivare connessioni tra soggetti complementari, aprire canali di accesso a competenze e risorse, e costruire il contesto relazionale e operativo all’interno del quale il progetto ha potuto prendere forma e svilupparsi.