Monitoraggio delle condizioni motori a freddo tramite segnali multi-sensore e apprendimento automatico pseudo-supervisionato

Sommario

I dati di telemetria multi-sensore (corrente, tensione, temperatura, umidità, vibrazione) provenienti dai servomotori vengono elaborati utilizzando clustering strutturale non supervisionato, rilevamento di anomalie basato sull'isolamento e mappatura del rischio informata dalla fisica. Questo framework produce pseudo-etichette binarie deterministiche e stati diagnostici in tempo reale altamente accurati per il monitoraggio delle condizioni.

Abstract

Con la transizione della manutenzione predittiva dal paradigma data-centrico dell'Industria 4.0 al quadro sostenibile e umanocentrico dell'Industria 5.0, la diagnosi delle condizioni servomotorie affronta la doppia sfida della scarsità di dati e della profonda carenza di campioni di guasto etichettati. Per affrontare questo problema di partenza a freddo, presentiamo un framework di machine learning pseudo-supervisionato valutato su un dataset personalizzato a cinque canali comprendente 199 campioni di telemetria servomotore (corrente, tensione, temperatura, umidità e vibrazione). La metodologia integra la partizione strutturale rigida (k-means) e la stimazione morbida della fiducia posteriore (modelli di miscela gaussiana) per caratterizzare le modalità operative senza annotazione preventiva. Contemporaneamente, un modello di Foresta di Isolamento quantifica l'intensità delle anomalie e stabilisce una soglia dinamica basata su quantili. Un'innovazione fondamentale di questa ricerca è la mappatura deterministica del rischio derivata dai precedenti ingegneristici; Definisce lo stato "ad alto rischio" (anomalo) ponderando inversamente i margini fisici di sicurezza dei sensori. Questo meccanismo mappa rigorosamente cluster non supervisionati su pseudo-etichette binarie. Queste etichette vengono successivamente utilizzate per supervisionare i discriminatori a valle (Random Forest e Support Vector Machine). La diagnostica finale online produce una fusione a livello di punteggio tra la probabilità del classificatore e la GMM posteriore, datata dalla soglia dell'anomalia. La valutazione quantitativa dimostra che il modello Random Forest ha raggiunto un punteggio F1 perfetto di 1.000, mentre l'SVM comparativo ha dato un punteggio F1 di 0.997, dimostrando che il quadro è una soluzione robusta, interpretabile e altamente accurata per il monitoraggio della salute industriale a freddo.

Introduzione

L'affidabilità dei sistemi di controllo servomotori è storicamente stata un indicatore critico delle prestazioni nell'automazione industriale. Man mano che la manutenzione predittiva evolve dal paradigma data-centrico dell'Industria 4.0 al quadro sostenibile e umano dell'industria 5.0, i sistemi devono garantire un'alta precisione promuovendo attivamente l'efficienza energetica e la resilienza ^{operativa 1,2,3}. I guasti che si verificano durante l'uso a lungo termine degli ioni in ambienti ostili possono portare a guasti catastrofici delle apparecchiature, gravi danni strutturali e perdite economiche^{significative 4,5,6}. Di conseguenza, la diagnosi precoce di guasti incipienti è passata da un lusso a un requisito fondamentale. Per ottenere una valutazione dello stato robusta, i sistemi industriali moderni si affidano sempre più alla tecnologia multisensore. Acquisendo simultaneamente diverse modalità di segnale—come corrente, tensione, temperatura e vibrazioni—gli ingegneri possono costruire una visione completa e ad alta dimensione dello stato di salute del^{motore 7,8}. La fusione di dati sensori multi-sorgente migliora significativamente la robustezza e la precisione dei sistemi diagnostici rispetto agli approcci a sensore^{singolo 9,10}.

Nonostante i progressi nella fusione dei sensori e nell'apprendimento automatico, rimane un collo di bottiglia critico nell'implementazione reale: la sfida del "cold start". In un tipico ambiente produttivo, le macchine funzionano normalmente per la stragrande maggioranza del loro ciclo di vita, causando squilibri di classe estremi in cui campioni sani superano di gran lunga quelli difettosi. I modelli standard di deep learning supervisionato richiedono dataset enormi, bilanciati e accuratamente annotati per convergere^{efficacemente 11,12}. Quando le etichette sono completamente indisponibili o proibitivamente costose da ottenere, questi paradigmi supervisionati si rompono¹³. Pertanto, il problema fondamentale affrontato in questo studio è convertire i dati motori multi-sensore non etichettati in un segnale di avvertimento diagnostico binario e affidabile senza la necessità di dati di addestramento etichettati manualmente.

In risposta alla sfida della scarsità di dati, le ricerche recenti si sono orientate verso tecniche di rilevamento non supervisionato delle anomalie. Gli approcci comuni includono macchine a vettori di supporto a classe unica (OC-SVM), autoencoder profondi e punteggio di anomalie basato su isolamento^{diretto 14}. Sebbene questi metodi individuino efficacemente le deviazioni statistiche, la loro applicazione diretta alla diagnosi dei guasti motori presenta limitazioni significative. Gli OC-SVM sono notoriamente sensibili alle caratteristiche non stazionarie dei carichi industriali dinamici, spesso con alti tassi di falsi positivi. Gli autoencoder, pur essendo potenti nel minimizzare gli errori^{di ricostruzione 15}, funzionano come scatole nere non interpretabili; Faticano a tradurre una perdita da ricostruzione matematica in una categoria di faglia^{fisica e azionabile 16}. Inoltre, gli approcci diretti di punteggio per anomalie, come le foreste di isolamento^{standard 17}, indicano semplicemente che un campione è un'eccezione statistica. Non riescono a stabilire un confine decisionale deterministico tra stati "funzionanti" e "fallimenti" radicati nelle realtà ingegneristiche. In sostanza, questi approcci mancano del ponte semantico necessario per mappare cluster di dati non supervisionati su etichette diagnostiche esplicite.

Per colmare questo divario metodologico, questo studio propone un framework unificato di apprendimento automatico pseudo-supervisionato. La logica progettuale del flusso di lavoro proposto differisce fondamentalmente da quella dei rivelatori di anomalie autonomi. Invece di affidarsi a un singolo errore o confine globale di ricostruzione, la pipeline suddivide prima lo spazio delle feature multi-sensore utilizzando clustering hard-soft non supervisionato (k-means e modelli di miscela gaussiana) per identificare modalità operative distinte. Successivamente, invece di assegnare etichette arbitrarie, viene costruita una funzione deterministica di mappatura del rischio basata su precedenti ingegneristici stabiliti (cioè i margini fisici di sicurezza per vibrazioni e temperatura). Questa mappatura fisica agisce come un ancoraggio euristico, assegnando automaticamente pseudo-etichette binarie ("Working" o "Failure") ai cluster non supervisionati. Queste pseudo-etichette informate dalla fisica vengono poi utilizzate per addestrare discriminatori supervisionati (Random Forest e SVM) per apprendere confini complessi e non lineari. Contemporaneamente, una Foresta di Isolamento funge da porta anomalica indipendente, filtrando outlier estremi che non corrispondono a alcun cluster consolidato. Questa pipeline combinata è molto vantaggiosa perché sfrutta il potere discriminativo dell'apprendimento supervisionato mantenendo al contempo l'autonomia senza etichetta del clustering non supervisionato.

L'obiettivo scientifico principale di questa ricerca è sviluppare un sistema automatizzato di monitoraggio delle condizioni in grado di operare sotto rigorosi vincoli di avviamento a freddo. Testiamo esplicitamente l'ipotesi che accoppiare un clustering strutturale non supervisionato con un meccanismo di pseudo-etichettatura guidata da engineering prior possa produrre un confine di classificazione supervisionato con prestazioni diagnostiche pari a quelle dei modelli addestrati su dati annotati manualmente. Validando questo framework semi-supervisionato su un dataset personalizzato multi-sensore servo-motore, questo studio dimostra che integrare l'interpretabilità classica delle caratteristiche con il gate di anomalie consente una classificazione altamente accurata dei guasti senza dati di addestramento etichettati, riducendo così il carico cognitivo sugli ingegneri sul campo e promuovendo l'etica collaborativa dell'Industria 5.0.

Protocollo

1. Configurazione sperimentale e preprocessing dei dati

NOTA: Il framework di elaborazione e modellazione dei dati proposto in questo studio è stato implementato tramite script personalizzati sviluppati in un linguaggio di programmazione di alto livello, sfruttando librerie open source standard per calcoli numerici e apprendimento automatico. La validazione sperimentale è stata condotta su una workstation computazionale ad alte prestazioni equipaggiata con un processore multi-core e un'unità di elaborazione grafica (GPU) discreta. Dettagli specifici riguardanti tutti gli ambienti software, l'hardware computazionale e i componenti dei sensori sono forniti nella Tabella dei Materiali. Una panoramica schematica del framework proposto, che illustra il flusso di dati dall'apprendimento offline non supervisionato al processo decisionale online a doppia soglia, è presentata nella Figura 1. Il dataset comprende 203 campioni aggregati per finestra temporale anziché letture grezze istantanee, raccolte mentre il servomotore operava sotto vari regimi di carico per simulare condizioni realistiche sul pavimento dell'officina.

1. Schiera strategicamente i nodi sensori.
2. Montare accelerometri a vibrazione sul involucro del motore, mentre le sonde di corrente, tensione e temperatura erano integrate nel circuito di propulsione.
3. Sincronizza tutti i segnali dei sensori tramite una scheda centralizzata di acquisizione dati (DAQ) a una frequenza di campionamento di 10 kHz.
4. Applicare procedure standard di calibrazione e filtraggio digitale passa-basso per eliminare il rumore elettromagnetico ad alta frequenza prima dell'estrazione della caratteristica.
5. Estrarre un riepilogo statistico (ad esempio, media o quadrato medio radice) da un ciclo di misurazione di 1 secondo per ciascuno dei 203 campioni. Queste cinque variabili specifiche—corrente (A), tensione (V), temperatura (°C), umidità (%) e vibrazione (mm/^{s 2} o g)—sono state selezionate deliberatamente.
6. Rimuovere i record contenenti valori mancanti (NaN) per garantire la stabilità della modellazione, stabilendo un dataset raffinato di 199 campioni validi.
7. Applicare la normalizzazione Z-score a ogni canale sensore per ogni campione per eliminare disparità di scala critiche per gli algoritmi di apprendimento strutturale basati sulla distanza:
   (1)
   dove x_ij rappresenta il valore grezzo, μ_j è la media della caratteristica j, e σ_j è la deviazione standard.
8. Memorizza la matrice normalizzata come X_s per tutti i passaggi successivi di elaborazione.
   NOTA: L'Analisi a Componente Principale (PCA) è stata utilizzata esclusivamente per la visualizzazione proiettando X_s in una matrice di embedding bidimensionale (Figura 5), e non serviva come input ai modelli a valle.

2. Apprendimento strutturale non supervisionato

1. Determinare il numero ottimale di cluster (K*) valutando i candidati K valori (che vanno da 2 a 10).
2. Calcolo la somma all'interno del cluster dei quadrati (WCSS) per generare una curva a gomito (Figura 3):
   (2)
3. Calcola contemporaneamente il coefficiente di silhouette S(I) per ogni K (Figura 4) per valutare la coesione strutturale e la separazione:
   (3)
4. Stabilire il numero ottimale di cluster al punteggio medio massimo di Silhouette (ad esempio, K*=2).
5. Applicare l'algoritmo k-means a X_s, minimizzando il WCSS per ottenere i centroidi _{μ c} e le etichette rigide del cluster per ciascun campione.
6. Addestrare un Modello di Miscela Gaussiana (GMM) con K* componenti per catturare l'incertezza intrinseca dei confini delle condizioni.
7. Calcola la probabilità a posteriori per ciascun campione dopo aver stimato i parametri , ed estrai la probabilità massima a posteriori come metrica soft confidence:
   (4)

3. Modellazione delle anomalie e soglia dinamica

1. Addestrare un modello di Foresta di Isolamento su X_s per identificare gli outlier che si discostano dalle strutture principali del cluster.
2. Calcolare il punteggio dell'anomalia_{s se}(z), che varia da 0 a 1, basandosi sulla lunghezza del percorso attesa E[h(z)]:
   (5)
3. Determinare la soglia statica τ_anom dell'anomalia modellando analiticamente la distribuzione del punteggio (s_if) dell'anomalia utilizzando la Stimazione della Densità del Kernel (KDE).
4. Derivare matematicamente il quantile per limitare l'intervallo di fiducia del 90% della normale varianza operativa.
   NOTA: In questo dataset, ciò ha prodotto una soglia deterministica di τ_anom = 0,592, per cui i campioni con _{s se}(z) > 0,592 venivano segnalati come anomalie.
5. Stabilire una finestra scorrevole che copra i N campioni di telemetria più recenti per ricalcolare periodicamente la distribuzione del punteggio dell'anomalia.
6. Aggiornare dinamicamente la soglia utilizzando una Media Mobile Ponderata Esponenzialmente (EWMA): , dove α funge da fattore di dimenticamento e Y_locale è il quantile derivato dalla finestra operativa corrente.

4. Generazione di pseudo-etichette tramite risk mapping

1. Calcola il punteggio di rischio r_i per ogni campione come una combinazione lineare delle caratteristiche normalizzate per colmare il divario semantico:
   (6)
2. Definire il punteggio di rischio R per ciascun centroide di cluster applicando una combinazione lineare ponderata delle medie delle caratteristiche normalizzate.
3. Calcola il valore specifico di ogni peso (w_j) come inverso del margine fisico di sicurezza del canale sensore corrispondente.
4. Normalizzare questi margini inversi usando la seguente equazione, dove v_j rappresenta il margine di sicurezza inverso per il canale :
   (7)
   \mu_r()g\max_cm
5. Validare questi pesi inizializzati assicurando una correlazione positiva nel rango di Spearman () tra i punteggi di rischio del cluster e i punteggi mediani delle anomalie della Foresta di Isolamento.
6. Calcola il punteggio medio di rischio per ciascun cluster k-media.
7. Identificare il cluster che presenta il rischio medio massimo come modalità di guasto: .
8. Genera pseudo-etichette binarie y_super per tutti i campioni, assegnando 0 (Guasto) al cluster ad alto rischio e 1 (Funzionante) altrimenti:
   (8)

5. Formazione supervisionata con classificatori e fusione online

1. Implementare uno schema di validazione incrociata a 5 punte per valutare rigorosamente le prestazioni del modello e prevenire la fuga di informazioni.
2. Confinare l'intera pipeline di pseudo-etichettatura strettamente alla divisione di addestramento all'interno di ciascuna piegatura.
3. Trasformare la divisione di validazione isolata usando solo i parametri appresi esclusivamente dal folding di addestramento.
4. Addestra un classificatore Random Forest (RF) utilizzando X_s come caratteristiche e il _{y super} dinamicamente generato come bersaglio. Il modello produce la stima di probabilità per la classe operaia, indicata come p_rf(z).
5. Addestrare una Support Vector Machine (SVM) dotata di un kernel RBF per generare un valore della funzione decisionale f(z) come validatore comparativo.
6. Implementare un meccanismo di fusione a livello di punteggio durante la fase di inferenza online.
7. Sintetizza un punteggio fuso s(z) per un campione appena acquisito combinando la probabilità RF supervisionata e la fiducia GMM non supervisionata:
   (9)
8. Classificare lo stato finale usando una logica a doppia soglia: uno stato è classificato come "Funzionante" se e solo se E .
   (.

Risultati

Il framework proposto è stato validato utilizzando un dataset multi-sensore autoraccolto. Dopo la rimozione dei record incompleti, il dataset finale comprendeva 199 campioni aggregati validi per finestra temporale. L'ambiente di sistema e i parametri dell'algoritmo sono dettagliati nella Tabella 1.

Correlazione delle caratteristiche e composizione dei dataset
Per valutare la ridondanza e la complementarità dei canali dei se...

Discussione

Questo protocollo presenta una metodologia robusta per l'identificazione delle condizioni motorie in scenari di avviamento a freddo in cui i dati etichettati sono assenti. Integrando l'apprendimento strutturale non supervisionato con la classificazione pseudo-supervisionata, il metodo supera i limiti dell'apprendimento supervisionato tradizionale, che si basa fortemente sull'annotazione^{umana 13, 18 e ...}

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Categoria			Componente e versione
Sistema operativo			Windows 11 Professional 23H2
Processore			Intel Core i9-14900HX
Memoria			32 GB
Processore grafico			NVIDIA GeForce RTX 4070 Laptop GPU (8 GB)
Python			3.12
NumPy			1.26
pandas			2.2
scikit-learn			1.5
Matplotlib			3.8
Seaborn			0.13
Seme casuale