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 è quello di migliorare la sicurezza e l’efficienza nelle industrie in cui molte variabili potrebbero mettere in pericolo i materiali o influire sulla produttività. Ciò è particolarmente difficile in settori come quello alimentare, chimico ed energetico, a causa della quantità di variabili e di possibili pericoli che devono essere presi in considerazione per una previsione efficace delle anomalie.
Sfida iniziale
Considerando la necessità di un monitoraggio preciso e sicuro di ambienti classificati come le industrie alimentari, chimiche ed energetiche, il progetto progetterà un sistema per migliorare l’efficienza. Le variabili relative alla sicurezza e all’efficienza sono numerose, il che implica un certo grado di complessità del processo.
Soluzione
Le tecniche di IA generativa consentiranno lo sviluppo di modelli di generazione di dati sintetici che riproducono le anomalie operative. Il modello Edge AI verrà poi addestrato sull’architettura del modello più adatta alle esigenze del progetto.
Benefici
I sistemi Edge AI saranno addestrati su una notevole quantità di dati, che terranno conto delle anomalie esistenti registrate e concorreranno a creare un set di dati rilevanti. Inoltre, le diverse condizioni di malfunzionamento saranno testate prima in ambienti controllati per garantire che siano facilmente riconoscibili e risolvibili. In generale, il progetto sarà scalabile e utile a tutti i tipi di industria.
Il ruolo di IFAB
IFAB ha lavorato allo sviluppo tecnico e all’ottimizzazione di modelli di intelligenza artificiale. Il lavoro ha preso avvio dalla fase sensoristica: installazione e calibrazione di sensori di vibrazione e temperatura sul caso studio di un silo per miscelazione e riscaldamento di biomassa, con la costruzione di dataset validati e la definizione delle pipeline di gestione e trasformazione dei dati. Su questa base, sono state progettate, addestrate e confrontate diverse architetture di reti neurali per l’anomaly detection e la previsione su serie temporali multivariate (CNN-1D, LSTM, ibridi CNN+LSTM, Temporal Convolutional Networks, DeepAnT, DeepAR e modelli Transformer come Time-BERT).
Un fronte particolarmente sfidante ha riguardato la miniaturizzazione dei modelli per l’inferenza su microcontrollori ARM Cortex-M, ottenuta attraverso tecniche di quantizzazione int8, pruning e ottimizzazione compilativa con TensorFlow Lite for Microcontrollers e CMSIS-NN. In parallelo, l’analisi statistica avanzata e il feature engineering sui segnali vibrazionali, che ha incluso decomposizione STL, autocorrelazioni, ARIMA/SARIMA e rappresentazioni tramite complex networks come recurrence plots e visibility graphs, ha consentito di estrarre informazioni significative anche da segnali complessi e rumorosi. A completamento, l’infrastruttura HPC di IFAB è stata impiegata per la generazione di dati sintetici tramite reti generative avversariali (GAN), a supporto dell’addestramento e della validazione dei modelli.
SAFE ha rappresentato per Fondazione IFAB un banco di prova, in cui la padronanza degli algoritmi di deep learning ha dovuto confrontarsi con i vincoli reali dell’hardware industriale. Ne è emerso un patrimonio di competenze che spazia dalla progettazione di architetture neurali per serie temporali alla loro compressione per ambienti a risorse limitate, fino alla generazione sintetica di dati industriali — un insieme di capacità di crescente rilevanza nel panorama dell’industria 4.0.
Partners
Spoke coinvolti
Per informazioni rivolgersi a: projects@ifabfoundation.org
