Come può una nuova intelligenza artificiale capire i guasti dei cuscinetti?

Immagina di dover capire se un motore sta per rompersi solo ascoltando il suo ronzio. Gli ingegneri hanno creato un modello chiamato TK‑KELM, una specie di cervello artificiale che impara a riconoscere i segnali di vibrazione dei cuscinetti, quelle piccole parti che fanno girare gli assi. Il trucco sta nel "transfer learning": il modello prende quello che ha imparato da un macchinario (dominio sorgente) e lo applica a un altro (dominio target), anche se le condizioni sono diverse.

A differenza dei metodi tradizionali, TK‑KELM non si limita a pesare le differenze tra i due domini con un valore da 0 a 1. Inserisce anche le differenze interne al dominio, così il kernel – la funzione che misura le somiglianze – diventa più flessibile. Inoltre, una strategia chiamata SFTKOS confronta la somiglianza tra domini su più scale di frequenza, scegliendo le caratteristiche più utili.

Il risultato è una fusione di kernel multi‑scala che, grazie a una tecnica di riduzione dimensionale chiamata FPCA‑MMD, estrae un indicatore di degrado universale. In pratica, il modello riesce a distinguere un cuscinetto sano da uno difettoso con una precisione più alta rispetto ai metodi precedenti. Gli esperimenti mostrano che TK‑KELM può prevedere guasti prima che diventino catastrofi, aprendo la strada a manutenzioni più intelligenti e sicure.

Il TK‑KELM (Transfer Kernel‑enabled Kernel Extreme Learning Machine) combina due concetti chiave: il kernel extreme learning machine (KELM) e il transfer learning basato su kernel (KTL). Il KELM è una rete a singolo strato con pesi casuali e una soluzione analitica per l'output, che garantisce velocità di addestramento elevata. Il KTL, invece, mappa i dati di un dominio sorgente in uno spazio di caratteristiche dove la distribuzione è più simile a quella del dominio target, riducendo il cosiddetto "domain shift".

Nel TK‑KELM, la funzione kernel è arricchita da due componenti: una che cattura la correlazione inter‑dominio (tradizionalmente pesata tra 0 e 1) e una che incorpora la correlazione intra‑dominio, eliminando il vincolo di normalizzazione. Questo permette al modello di bilanciare simultaneamente le differenze tra domini e le variazioni interne, migliorando la capacità discriminante.

La strategia SFTKOS (Similarity‑Guided Feature‑Directed Transfer Kernel Optimization) calcola la similarità tra domini a diverse scale di frequenza mediante la distanza di MMD (Maximum Mean Discrepancy). I kernel estratti da ciascuna scala vengono poi fusi mediante una ponderazione ottimizzata, creando un kernel composito più robusto.

Infine, il framework FPCA‑MMD applica la Principal Component Analysis sui kernel per ridurre la dimensionalità, mantenendo le componenti che massimizzano la differenza media tra le distribuzioni sorgente e target. Il risultato è un indicatore di degrado invariato rispetto al dominio, capace di generalizzare su macchine diverse e condizioni operative variabili. Gli esperimenti su dataset reali di vibrazioni di cuscinetti mostrano un aumento della precisione diagnostica superiore al 5% rispetto ai metodi di stato dell'arte, confermando l'efficacia dell'approccio multi‑scala e della fusione di kernel.