| KEYWORD |
20-Industrial Systems Engineering and Design
Intelligenza Artificiale e sviluppo di “Foundation Models” per la Diagnosi di Macchinari Rotanti tramite Self-Supervised Learning
Parole chiave INTELLIGENZA ARTIFICIALE, MODELLAZIONE E PROVE SPERIMENTALI
Riferimenti CRISTIANA DELPRETE
Riferimenti esterni Ing. Luigi Di Maggio (assegnista di ricerca post-doc)
Gruppi di ricerca 20-Industrial Systems Engineering and Design
Descrizione L'applicazione dell'Intelligenza Artificiale (IA) nel campo della diagnosi di macchinari rotanti offre benefici significativi, ma si confronta anche con sfide notevoli. Tra queste, emergono la difficoltà di acquisire dati etichettati e la limitata capacità di generalizzazione dei modelli esistenti in scenari diversi o su nuovi tipi di macchinari. Si osserva inoltre una scarsità di dati riguardanti macchine danneggiate rispetto a quelli disponibili per macchine in condizioni operative normali.
L'IA è attualmente in una fase di rapida evoluzione, con applicazioni che si estendono a svariati ambiti. I modelli di IA più avanzati e di maggior impatto (e.g. GPT-4) si basano su vasti insiemi di dati, ma è principalmente il loro approccio “self-supervised” che rende praticabile l'utilizzo di datasets così ampi. Senza queste tecniche di apprendimento auto-supervisionato, la gestione e l'elaborazione efficace di dataset estremamente grandi sarebbero alquanto complesse e probabilmente impraticabili. Tale paradigma sembra ad oggi offrire modelli altamente generalizzabili, spesso descritti come “foundation models” in ragione delle loro capacità di fungere da base generale su cui sviluppare modelli più specializzati.
Obiettivi della Tesi:
• Investigare la fattibilità di costruzione di “foundation models” per la diagnosi di macchinari rotanti, applicando tecniche di self-supervised learning;
• Esplorare le modalità attraverso cui questi modelli possono essere adattati (fine-tuned) a specifiche macchine, utilizzando un numero limitato di dati, principalmente relativi a macchine in condizioni di normalità operativa.
Metodologia
1. Studio teorico: un'analisi approfondita dei modelli esistenti per comprendere l'approccio self-supervised.
2. Raccolta e analisi dei dati: identificazione e acquisizione di dataset adatti per la diagnosi di macchine rotanti. I dati acquisiti riguardano un banco prova di dimensioni industriali, disponibile presso il Laboratorio di Meccanica.
3. Sviluppo di un modello foundation: ipotesi di costruzione di un modello self-supervised in grado di apprendere da dati non etichettati o con etichette limitate.
4. Realizzazione di un modello prototipale che applichi su scala ridotta i principi del self-supervised learning nella diagnosi di macchinari, al fine di dimostrare in modo pratico i concetti teorici e la realizzabilità dell'approccio proposto.
5. Fine-tuning su macchine specifiche: testare l'adattamento del modello a diverse macchine per ottimizzare la diagnosi.
6. Valutazione e confronto: misurare le prestazioni del modello rispetto ai metodi esistenti, analizzando vantaggi e limitazioni.
Conclusione e prospettive future:
• Sintesi dei risultati ottenuti e discussione su come i foundation models possano influenzare significativamente il campo della diagnosi di macchine;
• Esplorazione di potenziali sviluppi futuri e applicazioni in altri settori industriali e di ricerca.
Scadenza validita proposta 23/01/2025
PROPONI LA TUA CANDIDATURA