La via cognitiva alla manutenzione preventiva nei sistemi di energie rinnovabili

La ricerca affrontata durante questo triennio di dottorato, e descritta in questa tesi, fa parte delle iniziative PON, Azione 1.I Dottorati Innovativi con Caratterizzazione Industriale, e in particolare costituisce l'attuazione della proposta di progetto intitolata “Big Data Analytics for Predictive Maintenance in Renewable Energy Power Plants”. Si ritiene utile partire da una giustificazione riguardo l'attinenza di un progetto di questo genere, con la Scuola di Dottorato in Scienze Cognitive, a cui fa capo la ricerca qui descritta, nonché con la personale formazione in psicologia della scrivente. È evidente come l'oggetto finale della ricerca, ovvero la problematica della manutenzione di impianti di energie rinnovabili, si configuri nettamente come inerente all'ingegneria, e pertanto apparirebbe come di competenze di quell'ambito, evidentemente lontano dalle scienze cognitive. L'appropriatezza di questo progetto all'interno del dottorato in scienze cognitive, apparentemente anomala, deriva dal genere di soluzione che è stato proposto per la problematica della manutenzione. Ovvero, l'adozione di metodi previsionali che derivano dalla cognizione naturale, e da come viene realizzata nel cervello, in particolare da come, in senso ampio, la cognizione è in grado di formulare scenari futuri dello stato dell'ambiente circostante, partendo dallo stato attuale a quelli pregressi. Questa motivazione sulla pertinenza dell'ambito delle scienze cognitive rispetto al progetto sopra citato, inevitabilmente ne circoscrive subito anche le direzioni di indagine. Contrariamente ad un convenzionale ciclo di sviluppo di una ricerca ingegneristica, risulta qui superflua una preliminare ricognizione dello stato dell'arte sulle possibili alternative da adottare, e una eventuale loro comparazione a livello prototipale, giacché è immediatamente la sola direzione dell'emulazione cognitiva a costituire la direttiva da percorrere, senza interesse alle alternative tradizionali. Si tratta, tuttavia, di una limitazione ragionevole, considerando che da 5 oltre un decennio l'imitazione della cognizione ha messo sul campo uno degli strumenti informatici più potenti e di più ampio spettro mai prima disponibile, che va sotto il nome di Deep Learning. Esiste dunque una ragionevole confidenza su un ridotto rischio di ricerca nel percorrere una direzione univoca, segnata dalla famiglia di tecniche che fanno capo al Deep Learning. Il primo capitolo della tesi è dedicato proprio al Deep Learning, delineandone anzitutto la sua storica derivazione dalla cognizione, anzi dalla “microstruttura della cognizione”, citando il titolo del celebre volume dei primi ideatori delle reti neurali artificiali, David Rumelhart e James McClelland; contestualizzando la sua collocazione all'interno dell'Intelligenza Artificiale; ripercorrendo la sua recente transizione alla forma “deep” e il conseguente inatteso successo in una moltitudine di ambiti applicativi. Si tratta necessariamente di una estrema sintesi, che dà maggiore respiro ad alcune tipologie di reti neurali artificiali, la cui imitazione di funzioni cognitive risulterà particolarmente proficua nelle applicazioni qui di interesse. L'ultima sezione del capitolo ha carattere tecnico, ed illustra i modi possibili con cui oggi il concetto di rete neurale artificiale si concretizza in implementazioni, grazie ad uno dei possibili sistemi di sviluppo specifici per Deep Learning oggi disponibili. Questa sezione oltre al suo scopo illustrativo sulla metodologia concreta messa in campo nel progetto, sintetizza anche il percorso formativo attraversato dalla scrivente, per poter acquisire la capacità di realizzare in software i vari modelli neurali ideati per gli scopi della ricerca. Mentre lo strumento utilizzato nella ricerca è sostanzialmente uno solo, la modellistica tramite reti neurali artificiali, come appena detto, il caso applicativo si è invece andato via via articolandosi nel corso del dottorato, e di conseguenza anche il genere di modello, pur se sempre nella categoria generale del Deep Learning, si è via via diversificato in varie sue istanze. 6 L'ambito applicativo affrontato per primo riguarda i sistemi di produzione energetica rinnovabile con l’utilizzo di turbine eoliche, della cui manutenzione si occupa il partner industriale) inizialmente partecipante al progetto. Conseguentemente, una parte della ricerca ha riguardato la necessaria presa di conoscenza sul quadro dei malfunzionamenti a cui vanno soggetti questi tipi di impianti, e sul genere di informazioni sensoriali disponibili, su cui poter costruire modelli previsionali. È l'argomento del secondo capitolo, in cui viene preliminarmente illustrata la modalità di produzione energetica di tipo eolica e le sue tipiche problematiche di manutenzione; viene riportata una ricognizione in letteratura sull'impiego del Deep Learning in questo ambito; descritto infine il modello prototipale sviluppato su una simulazione realistica di turbine eoliche. Fin da subito si sono evidenziati due elementi, tra di loro connessi: la scarsa e ancora immatura penetrazione delle reti neurali artificiali nel settore, e l'oggettiva difficoltà alla loro adozione derivante da una ridotta disponibilità di dati storici. Il Deep Learning funziona molto bene dovunque esista una casistica di esempi ampia e generalizzata, diventa via via più problematico da impiegare tanto più i dati sono pochi e scarsamente rappresentativi. La disponibilità dei dati è stato anche il motivo di cambiamento di partner industriale nel progetto, e conseguente cambiamento di tipologia di impianto energetico preso a caso di studio. In questo caso il Deep Learning non c'entra nulla, vi sono state problematiche relative alla pubblicità dei dati, che hanno costretto a lavorare solamente su dati simulati, fondamentali per una fase prototipale, ma penalizzanti nel voler indagare in modo rigoroso ed oggettivo sulla applicabilità dei modelli Deep Learning in ambito di manutenzione preventiva. Si è pertanto provveduto all'individuazione di un nuovo partner industriale, la cui collaborazione è stata autorizzata dal Ministero dell'Università e Ricerca Scientifica nel giugno 2021. La tipologia principale di impianti energetici gestiti da questa azienda ricade nel fotovoltaico, divenuto quindi il nuovo obiettivo applicativo, a cui è qui 7 dedicato il terzo capitolo. La sua articolazione non è dissimile dal secondo, iniziando con una breve introduzione a questa forma di produzione di energia rinnovabile, e alle sue principali fonti di possibili malfunzionamenti; proseguendo con una ricognizione di letteratura sull'applicazione di modelli neurali artificiali in questo ambito; illustrando il modello prototipale ideato su una prima semplice simulazione di impianto e suoi malfunzionamenti. In questo caso però si è potuti andare ben oltre, progettando un modello atto a funzionare con dati reali degli impianti, come descritto nell'ultima sezione, che comprende diversi inevitabili dettagli tecnici sull'interfacciamento tra il modello neurale e il sistema di collezione dei dati sensoriali degli impianti. Il caso degli impianti fotovoltaici ha ribadito il limite critico di applicabilità del Deep Learning alla predizione di malfunzionamenti, derivante dalla scarsa disponibilità di dati. Stavolta la disponibilità del partner aziendale è stata piena, mettendo a disposizione l'intero loro archivio costituito da quasi 20,000 interventi di manutenzione. È però presto emerso che la maggior parte degli interventi derivano da una miriade di fattori eterogenei, ben pochi dei quali riconducibili a degradi di componenti critici che abbiano qualche riflesso nei dati sensoriali misurati. Una selezione mirata della tipologia di componente più frequentemente indiziata di malfunzionamento, l'inverter, ha permesso di restringere in modo oculato il campo, al prezzo però di non avere più di qualche decina di campioni. Si sono tuttavia ottenuti dei risultati sperimentali che, pur con molta cautela, sembrano indicare il metodo come promettente. Trasversalmente agli obiettivi costituiti dalle due tipologie di impianti energetici sopra descritti, esiste un altro fattore di possibili malfunzionamenti, che è stato oggetto applicativo di studio in questa ricerca. Per qualunque installazione tecnologica in cielo aperto, una delle possibili fonti di degrado è costituita dalla corrosione, soprattutto a carico degli elementi metallici, dovuta all'ossigeno nell'atmosfera. Questo vale naturalmente anche per le turbine eoliche e gli impianti 8 fotovoltaici. Si tratta quindi di un terzo ambito, non più costituito da una tipologia di impianto, ma da un fattore generico di guasti ad impianti. In questo caso non si tratta di una scelta maturata nel corso del progetto, ma di una specifica all'interno della proposta di progetto PON, da cui deriva questa ricerca di dottorato. Se la competenza dettagliata sui sistemi di produzione di energia era del tutto ingegneristica, e lontana dall'ambito delle scienze cognitive, lo è ancor di più quella sui fenomeni corrosivi, che riguarda la chimica e la scienza dei materiali. Questa carenza non è stata lesiva della ricerca, in quanto la proposta di progetto PON includeva un rapporto di collaborazione con un partner accademico, depositario della più elevata competenza a livello europeo sui fenomeni corrosivi. Si tratta del Department of Metallic Construction Materials at Technopark Kralupy presso la University of Chemistry and Technology (UCT) Prague, e il riferimento scientifico è proprio il direttore, Tomas Prosek, autorità internazionale sulla corrosione nei metalli. L'argomento corrosione, e la sperimentazione di una modellistica tramite Deep Learning come contributo ad un caso di studio, costituiscono il quarto capitolo. La collaborazione con la UCT Prague è stata fruttifera e anche reciproca, così come per la scrivente e il dottorato a cui afferisce la corrosione era una fetta di scienza sconosciuta, altrettanto per loro erano sconosciuti i metodi basati su reti neurali artificiali e Deep Learning in particolare, ed incuriositi sul loro utilizzo. Lo stesso Prosek ha suggerito come caso il loro attuale sviluppo di un sensore di corrosione innovativo, in grado di offrire diversi vantaggi ma ancora afflitto da problemi di rumore nella misura. Si è pertanto ideato e sperimentato un modello neurale artificiale che fungesse da correttore della misura grezza del sensore, fornendone una più vicina alla reale entità di corrosione. Pur trattandosi di una problematica diversa dalle due descritte precedentemente, anche qui la criticità principale nell'uso del Deep Learning è stata analoga: la limitatezza dei campioni storici a disposizione. Trattandosi di un sensore nuovo, ed essendo particolarmente laborioso effettuare simulazioni controllate di corrosione, le serie di 9 dati sperimentali a disposizioni erano limitate, e riguardavano una varietà ampia di leghe metalliche, ciascuna con comportamenti diversi. Anche in questo caso, comunque, il modello ha dimostrato una leggera superiorità nel correggere le misure del sensore, rispetto al metodo matematico che UCT Prague aveva utilizzato finora.