Manutenzione intelligente per l'innovazione delle imprese - Appunti completi

Perché sono importanti e per cosa si usano?

Le reti neurali sono importanti per diverse applicazioni grazie alla loro capacità di riconoscere pattern e classificare oggetti o segnali in diversi contesti come il parlato, la visione e i sistemi di controllo. La loro importanza è evidente in svariati ambiti:

Riconoscimento di pattern

Le reti neurali sono efficaci nel riconoscimento di pattern, consentendo l'identificazione e la classificazione di oggetti o segnali.

Previsione e modellazione

Possono essere impiegate per la previsione e modellazione di serie storiche.

Le reti neurali artificiali sono utilizzate in diversi settori dove è disponibile un ampio volume di dati da elaborare come input per i nodi della rete. Tra le principali applicazioni si includono il riconoscimento di immagini (come il volto in diverse foto), la voce, e i testi. Altre aree di utilizzo comprendono il marketing, le previsioni finanziarie, il controllo della qualità alimentare, la diagnostica medica, la sicurezza informatica, il riconoscimento di targhe e banconote, le previsioni sul consumo energetico, e molti altri.

Le reti neurali vengono addestrate con diversi approcci di apprendimento, che vanno dal machine learning (supervisionato, non supervisionato, rinforzo) alle più complesse tecniche di deep learning. La ricerca in questo campo continua a evolversi, aprendo nuove possibilità di applicazione nelle intelligenze artificiali. Molte di queste tecnologie hanno un impatto significativo nel nostro quotidiano, spesso senza che ne siamo pienamente consapevoli.

Tipologie reti neurali

Le reti neurali comprendono diverse tipologie, differendo sia dal punto di vista matematico che per gli scopi di utilizzo. Le tipologie più diffuse sono:

Reti neurali feed forward

Le reti neurali feed forward, conosciute anche come percettroni multilivello (MLP), hanno una struttura a strati classica, con un livello di input, uno o più livelli nascosti e un livello di output. Nonostante il nome "percettrone multilivello", queste reti sono composte da neuroni sigmoidi, più adatti a rispondere a problemi di natura non lineare rispetto al percettrone classico.

I neuroni sigmoidi sono una tipologia di funzione di attivazione utilizzata nelle reti neurali, caratterizzate da una forma a "S". Nella pratica, la loro principale funzione è introdurre non linearità nel modello, rendendo le reti neurali feed forward più adatte a risolvere problemi complessi, come quelli che coinvolgono relazioni non lineari tra input e output. Il passaggio di informazioni va in un’unica direzione.

Reti neurali convolutive

Le reti neurali convolutive (CNN) sono simili alle reti neurali feed forward ma sono progettate per scopi specifici, in particolare per il riconoscimento delle immagini e altri compiti derivati dalla visione artificiale. La matematica delle CNN si basa principalmente sull'algebra lineare, utilizzando strumenti come la moltiplicazione di matrici per identificare pattern all'interno delle immagini.

Queste reti sono un tipo specifico di rete feed forward multistrato, con almeno cinque strati (uno di input, strati nascosti e uno di output). Gli strati nascosti, chiamati "strati convoluzionali", svolgono calcoli specializzati per produrre una mappa di caratteristiche dell'input ricevuto dallo strato precedente. Questa mappa viene utilizzata come informazione aggiuntiva per migliorare la precisione e i dettagli dell'output nello strato successivo.

Reti neurali ricorrenti

Le reti neurali ricorrenti (RNN) sono ampiamente utilizzate nell'analisi predittiva, specialmente per elaborare dati storici relativi a serie temporali e prevedere risultati futuri. Queste reti hanno la capacità di correlare molte variabili e trattare grandi quantità di dati numerici. Le RNN sono reti multistrato in cui i segnali che escono dai nodi di uno strato superiore diventano input per strati inferiori. Questo meccanismo di utilizzo dell'output di un livello come input per il livello inferiore è sfruttato per creare una memoria nella rete, rendendole particolarmente efficaci nella gestione di dati sequenziali e temporali.

Schema riassuntivo

Diversi modelli di apprendimento

Un modello di apprendimento usa tecniche matematico-informatiche per imitare il funzionamento dei neuroni nel cervello umano. Le reti neurali devono essere istruite su come risolvere un problema. Questo processo di istruzione implica la configurazione della rete per elaborare soluzioni utili in diverse situazioni. Durante l'addestramento, la rete impara e si perfeziona nel tempo, adattandosi ai dati e migliorando le sue capacità specifiche.

Il machine learning è focalizzato sull'apprendimento automatico attraverso l'utilizzo di algoritmi basati su approcci matematici e computazionali. Questi algoritmi hanno la capacità di generare conoscenza attraverso l'esperienza, adattandosi ai dati forniti. Questo concetto è essenziale nel contesto delle reti neurali, che a loro volta rientrano nel più ampio ambito del deep learning, una sotto-branca specifica del machine learning.

I principali metodi utilizzati nell'apprendimento automatico includono:

Apprendimento supervisionato

• Un tipo di apprendimento automatico in cui il modello è addestrato su un insieme di dati etichettati, cioè dati in cui l'output desiderato è già noto.
• Classificazione: È un tipo di problema di apprendimento automatico supervisionato in cui l'obiettivo è assegnare una categoria o una classe ad un'istanza di input.
• Regressione: Un altro tipo di problema di apprendimento automatico supervisionato, ma in questo caso, l'obiettivo è prevedere un valore numerico anziché una classe.
• Pattern recognition (riconoscimento di pattern): Il processo di identificare modelli ricorrenti o tendenze in dati complessi al fine di estrarre informazioni significative.

Apprendimento non supervisionato

• Un tipo di apprendimento automatico in cui il modello è addestrato su dati non etichettati, senza informazioni sulla corrispondenza tra input e output.
• Clustering: Una tecnica di apprendimento non supervisionato che organizza gli oggetti in gruppi (cluster) basati sulle somiglianze tra di loro, senza etichette predefinite.

Apprendimento per rinforzo

• Un approccio di apprendimento automatico in cui un agente impara a compiere azioni in un ambiente per massimizzare una ricompensa. L'agente esplora l'ambiente, prende decisioni e impara dagli esiti delle sue azioni.

Apprendimento semi-supervisionato

• Una combinazione di apprendimento supervisionato e non supervisionato, in cui il modello è addestrato su un insieme di dati contenente sia esempi etichettati che non etichettati.

Con il termine etichettati ci si riferisce al fatto che i dati utilizzati per addestrare un modello nel contesto dell'apprendimento automatico hanno associati degli output noti o delle classificazioni predefinite. In altre parole, ogni esempio di input è associato a un'etichetta che indica quale dovrebbe essere l'output corrispondente. Questa informazione è utilizzata dal modello per apprendere la relazione tra gli input e gli output desiderati durante il processo di addestramento.

Queste tecniche consentono alle reti neurali di adattarsi a varie situazioni e problemi, fornendo soluzioni efficaci in diversi contesti applicativi.

Capitolo 8

Rilevamento guasti mediante equazioni di parità

Il rilevamento dei guasti mediante equazioni di parità è una tecnica utilizzata per individuare anomalie o guasti in un processo confrontando il comportamento del sistema reale con quello di un modello che descrive il suo funzionamento normale. Questa tecnica sfrutta le differenze, chiamate residui, tra i segnali del processo reale e quelli del modello nominale.

Le informazioni contenute nei residui includono incertezze di modello, rumore in ingresso (generato dagli attuatori), rumore in uscita (dovuto ai sensori), disturbi di processo (come il rumore) e eventuali guasti. Le tecniche basate sulle equazioni di parità si concentrano su due approcci principali: l'approccio mediante funzione di trasferimento e l'approccio mediante rappresentazione in spazio di stato.

Approccio mediante funzione di trasferimento

L'approccio mediante funzione di trasferimento coinvolge l'analisi dei residui attraverso le funzioni di trasferimento del sistema. Questo approccio fornisce una comprensione delle proprietà fondamentali dei residui, che possono essere utilizzate per individuare e diagnosticare guasti nel sistema.