Dipartimento di Ingegneria Elettrica e Tecnologie dell'Informazione 24

Sistemi di diagnostica industriale basati su architettura on-chip di reti neurali artificiali

L'attività di tirocinio riguarda lo studio di sistemi di monitoraggio e diagnostica, in tempo reale, di impianti ad elevata complessità. Grazie agli avanzamenti tecnici, i sistemi diventano sempre più complessi, pertanto, c’è un interesse crescente per sistemi di monitoraggio e diagnostica, che consentano di tenere sotto controllo le variabili più significative di ciascun sottosistema e di fornire indicazioni tempestive sulla eventuale presenza di un guasto. I sistemi di monitoraggio e diagnostica si avvalgono dei recenti sviluppi nell’ambito dei sistemi embedded, delle telecomunicazioni numeriche a larga banda, delle reti di sensori e dell’Internet of Things, con l’obiettivo di accrescere la conoscenza sul processo osservato e garantirne qualità e sicurezza.

- La progettazione e la caratterizzazione di sistemi di acquisizione a larga banda;
- Lo sviluppo di sistemi di misura embedded e distribuiti;
- Le tecniche di feature extraction per applicazioni di diagnostica;
- Le tecniche di fault detection e fault isolation. In questo ultimo ambito sarà considerato l’utilizzo di sistemi di embedded machine learning (Es. http://www.cognimem.com/products/chips-and-modules/CM1K-Chip/)

L'attività viene svolta in stretta collaborazione con Nexus TLC e con l'ingegneria del CERN. Il grado di innovazione della attività proposta è dimostrato dall’attualità dei temi di ricerca della diagnostica e del monitoraggio distribuito in tempo reale che coinvolgono le seguenti tecnologie: - Embedded computing: I nodi di monitoraggio saranno realizzati attraverso sistemi di misura e calcolo embedded basati su single-board-computer;
- Internet of Things: i nodi di monitoraggio saranno connessi alla rete attraverso meccanismi e protocolli tipici dell’Internet of Things;
- Machine learning e intelligenza artificiale: al fine di prendere decisioni e suggerire agli operatori, i nodi del sistema di monitoraggio dovranno implementare tecniche di machine learning e intelligenza artificiale, anche distribuite.

30