Come può una rete ibrida prevedere la vita residua dei cuscinetti?

I cuscinetti a rotolamento sono il cuore di macchine industriali, ma quando iniziano a usurarsi è difficile capire quanto tempo rimanga prima di guastarsi. Gli scienziati hanno creato un nuovo metodo che mescola intelligenza artificiale e fisica per stimare la vita residua (RUL) dei cuscinetti. Prima, il segnale di vibrazione grezzo viene pulito e scomposto in piccole onde con la tecnica “windowed empirical mode decomposition” (EMD). Queste onde formano sequenze chiamate TIR, che catturano le variazioni temporali del segnale. Poi, una rete neurale unidimensionale, la TFCR, analizza le sequenze e produce una prima stima della RUL. Infine, un filtro di Kalman, basato su leggi fisiche, affina la previsione, rendendola più stabile e coerente con il comportamento reale del cuscinetto. I test sul dataset XJTU‑SY mostrano che questo approccio supera i metodi tradizionali, offrendo previsioni più accurate e meno sensibili a cambiamenti di carico o velocità. In pratica, la combinazione di analisi del segnale, deep learning e modellazione fisica permette di monitorare le macchine in modo più intelligente, riducendo i tempi di inattività e i costi di manutenzione.

Il metodo proposto si basa su tre pilastri fondamentali. 1) Decomposizione Empirica Modale (EMD) con finestra: l'EMD scompone il segnale non lineare in Intrinsic Mode Functions (IMF) che rappresentano oscillazioni a diverse scale temporali. L'uso di una finestra mobile consente di catturare dinamiche locali, riducendo l'effetto di rumore e migliorando la separazione delle componenti. 2) Rete TFCR (Temporal Feature Convolution‑Reallocation): è una CNN 1‑D con strati convoluzionali variabili e meccanismo di riallocazione che riorganizza le feature estratte per enfatizzare pattern temporali critici. La flessibilità della configurazione permette di adattare la profondità e la larghezza della rete a dataset con diverse lunghezze di sequenza. 3) Filtro di Kalman basato su modello fisico: il filtro utilizza un modello di stato lineare che descrive la degradazione del cuscinetto (ad esempio, legge di Fatigue di Lundberg). Le previsioni della rete forniscono la misura di osservazione, mentre il filtro corregge la stima tenendo conto delle incertezze sia del modello che della misura. Questo approccio ibrido riduce la varianza delle previsioni e garantisce che le stime rispettino le leggi di conservazione dell'energia meccanica. I risultati sperimentali sul dataset XJTU‑SY, che comprende condizioni operative variabili (carico, velocità, temperatura), mostrano un miglioramento medio del 15 % nell'errore assoluto medio (MAE) rispetto a metodi puramente data‑driven, e una riduzione della deviazione standard delle previsioni del 30 %. Inoltre, l'integrazione del filtro di Kalman migliora la robustezza contro outlier e rumore impulsivo, rendendo il sistema adatto a scenari industriali reali dove le condizioni operative cambiano rapidamente.