Come trasformare le vibrazioni in immagini per scovare crepe nelle turbine?

Le turbine eoliche sono come le ali di un aereo gigante: se una pala si incrina, l’intera macchina perde efficienza. Un team di ricercatori ha inventato un modo per “vedere” le crepe usando solo le vibrazioni della turbina. Prima hanno registrato i segnali di un accelerometro a tre assi, poi li hanno convertiti in immagini grazie al Gramian Angular Field (GAF). Immaginate di trasformare un brano musicale in una foto: il ritmo diventa una trama di colori. Queste immagini mantengono le relazioni temporali del segnale, rivelando pattern che un occhio umano non percepisce. A questo punto interviene una rete neurale convoluzionale (CNN), l’algoritmo che riconosce volti nelle foto. La CNN analizza le texture delle immagini GAF e impara a distinguere una vibrazione “normale” da una che indica una crepa. Il risultato? Un tasso di classificazione superiore al 99,9 %, cioè quasi nessun falso allarme. Il metodo è più veloce e meno sensibile al rumore rispetto alle tecniche tradizionali, che richiedono esperti e ispezioni manuali. In pratica, le turbine potrebbero auto‑diagnosticarsi, riducendo i costi di manutenzione e aumentando la sicurezza del parco eolico.

Il Gramian Angular Field (GAF) è una tecnica di codifica che mappa una serie temporale x(t) in una matrice simmetrica G, dove G_{i,j}=cos(\phi_i+\phi_j) con \phi_i=\arccos(x_i). Questa trasformazione conserva la struttura temporale e converte la sequenza in una rappresentazione bidimensionale adatta a CNN. La CNN utilizzata è composta da tre blocchi convoluzionali (kernel 3×3, ReLU, max‑pool 2×2) seguiti da due layer fully‑connected e un softmax per la classificazione. Il dataset comprende vibrazioni registrate da turbine a bassa potenza, con etichette di danno (nessuna crepa, crepa lieve, crepa severa). L’addestramento è stato effettuato con ottimizzatore Adam (learning rate 0.001) per 50 epoche, con data augmentation tramite rumore gaussiano per migliorare la robustezza. La curva ROC mostra un AUC di 0.9995, confermando l’elevata capacità discriminante del modello. Inoltre, l’analisi di saliency map evidenzia che le regioni di alta intensità nella GAF corrispondono a transitori di vibrazione tipici di fratture, fornendo interpretabilità al modello. Questo approccio può essere esteso a sistemi rotanti diversi, come generatori o motori, dove la diagnostica predittiva è cruciale.