Manutenzione intelligente per l'innovazione delle imprese - Appunti completi

PERCHÈ 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. 80

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. Queste si dis�nguono in re� monostrato, se si

ha solo uno strato di input e uno di output, e re� mul�strato se ci sono più stra� intermedi di nodi

che restano “nascos�”.

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.

I pattern sono configurazioni ricorrenti o strutture riconoscibili in dati o informazioni, spesso utilizzati nelle reti neurali

per identificare e interpretare regolarità o tendenze.

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. 81

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:

CARATTERISTICA RETI NEURALI FEED RETI NEURALI RETI NEURALI RICORRENTI

FORWARD (MLP) CONVOLUTIVE (CNN) (RNN)

STRUTTURA Struttura a strati Struttura a strati con Struttura multistrato con

con input, strati almeno cinque strati segnali che si propagano in

nascosti e output (input, strati avanti e all'indietro tra i

convoluzionali, output) livelli

FUNZIONE DI Neuroni sigmoidi Utilizza l'algebra Utilizza la memoria

ATTIVAZIONE per introdurre non lineare e la sequenziale, trattando

linearità nel moltiplicazione di grandi quantità di dati

modello matrici per identificare numerici

pattern

DIREZIONE DEL Unidirezionale, va Unidirezionale, ma con Bidirezionale, con segnali

PASSAGGIO DI dal livello di input strati convoluzionali che si propagano in avanti e

INFORMAZIONI al livello di output per identificare pattern all'indietro tra i livelli

nelle immagini

APPLICAZIONE Adatte a risolvere Progettate per il Utilizzate per l'analisi

TIPICA problemi complessi riconoscimento delle predittiva e la gestione di

non lineari immagini e compiti di dati sequenziali/temporali

visione artificiale

NUMERO DI STRATI Monostrato (solo Almeno cinque strati Multistrato, con segnali che

input e output) o (input, strati si propagano in avanti e

Multistrato convoluzionali, output) all'indietro tra i livelli

UTILIZZO Problemi Riconoscimento di Analisi predittiva, serie

PRINCIPALE complessi, inclusi pattern nelle immagini temporali, dati sequenziali

quelli con relazioni e visione artificiale

non lineari 82

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:

1. 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.

Il modello impara a fare previsioni o classificazioni basate su esempi di input e output.

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:

2. Un tipo di apprendimento automatico in cui il modello è addestrato su dati non etichettati,

senza informazioni sulla corrispondenza tra input e output.

Trovare modelli o relazioni intrinseche nei dati senza la guida di output etichettati.

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:

3. 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:

4. 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. 83

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. 84

CAPITOLO 8

Rilevamento guasti mediante equazioni di parità

SCHEMA - METODI DI IDENTIFICAZIONE DEI GUASTI

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:

1. L'approccio mediante funzione di trasferimento coinvolge l'analisi dei residui atraverso le

funzioni di trasferimento del sistema. Questo approccio fornisce una comprensione delle

proprietà fondamentali dei residui, che possono essere u�lizzate per individuare e

diagnos�care guas� nel sistema.