Modelli AI compatti per proteggere i sistemi elettrici degli aerei dai guasti nascosti

Confronto tra segnali sintetici e dati elettrici reali degli aerei

I segnali elettrici sintetici sono stati confrontati con i dati reali dei sistemi di alimentazione degli aeromobili attraverso tre verifiche. La prima analizzava il contenuto in frequenza: ogni segnale veniva trasformato in uno spettro di potenza, che indica la distribuzione dell’energia a ciascuna frequenza. Rispetto ai segnali reali, quelli generati presentavano errori spettrali trascurabili. L’errore quadratico medio si attestava sull’ordine di 10 alla meno nove per tutte le classi, un valore minimo che conferma come i dati sintetici conservino le principali impronte elettriche dei sistemi aerei: il funzionamento a 400 Hz, le componenti armoniche, le bande laterali legate al flicker e l’energia transitoria a banda larga. Un modello addestrato su questi segnali riconoscerebbe gli stessi schemi in frequenza attesi dalle linee di alimentazione reali durante il volo.

La seconda verifica confrontava la forma delle onde nel tempo. Utilizzando un metodo noto come warping temporale dinamico, si misurava la distanza tra i segnali, consentendo piccoli allungamenti o spostamenti senza considerarli grandi discrepanze. I record generati risultavano molto vicini a quelli reali. In molti casi, la loro vicinanza era paragonabile a quella esistente tra diversi record reali. Le perturbazioni con variazioni brusche, come interruzioni di tensione ed eventi di guasto, mostravano distanze maggiori, mentre quelle più lisce rimanevano più ravvicinate. La piccola distanza aggiuntiva tra segnali sintetici e reali non era interpretata come distorsione, ma come una variazione controllata dello stesso evento fisico.

La terza verifica posizionava i campioni reali e sintetici in uno spazio di caratteristiche compresso, una mappa matematica che raggruppa condizioni elettriche simili. I campioni generati cadevano negli stessi cluster delle classi reali, senza separarsi in grumi distinti. Non emergeva alcun segno chiaro di collasso modale, fenomeno per cui un generatore produce solo pochi schemi ripetuti. Al contrario, i campioni sintetici si distribuivano uniformemente all’interno di ogni cluster, aggiungendo varietà al funzionamento normale, alle perturbazioni della qualità dell’alimentazione e alle condizioni di guasto. Il risultato suggerisce che il generatore ha appreso la struttura sottostante dei dati elettrici aerei, senza inventare outlier anomali.

Confronto tra i rilevatori di guasti nelle perturbazioni dell’alimentazione aerea

Diversi rilevatori basati su deep learning sono stati sottoposti a test su disturbi simulati dell’alimentazione elettrica degli aeromobili. Tutti hanno superato una soglia elevata: ogni architettura ha raggiunto un’accuratezza in fase di test superiore al 94%. Questo risultato conferma che il compito di classificazione è risolvibile da diverse famiglie di modelli. Il rilevatore più efficace era una rete convoluzionale unidimensionale, che ha ottenuto il 97,29% sui segnali di test tenuti separati. La sua precisione, recall e punteggio F1 erano rispettivamente del 97,32%, 97,29% e 97,30%. Numeri così indicano che raramente classificava in modo errato il tipo di disturbo. Il costo era la dimensione: quella rete utilizzava 8,34 milioni di parametri. Una rete residua compatta si è avvicinata molto, raggiungendo circa il 96,94% di accuratezza con soli 175.685 parametri. La differenza era di appena 0,35 punti percentuali: una perdita minima, facile da accettare quando il modello è molto più piccolo. Le reti standard più grandi non hanno ripagato le loro dimensioni. VGG16 ha utilizzato circa 138 milioni di parametri e ha raggiunto il 96,55%. ResNet18 ha impiegato circa 11,3 milioni di parametri per ottenere il 96,41%. Una versione leggera di VGG19 ha usato circa 20,3 milioni di parametri e ha raggiunto il 96,48%. ResNet50 ha utilizzato circa 23,5 milioni di parametri ma è scesa al 95,88%. Il quadro era chiaro: più parametri non portavano guadagni proporzionali in termini di accuratezza. Anche i modelli convoluzionali più piccoli hanno funzionato bene. Una CNN bidimensionale semplice con circa 546.000 parametri ha raggiunto il 96,27%, mentre una CNN bidimensionale basata sulla rimozione del rumore con 177.334 parametri ha ottenuto il 96,33%. Questi risultati mostrano che i pattern di guasto utili possono essere catturati senza una rete molto grande. I modelli sequenziali non hanno aiutato quanto ci si aspettava. La CNN-LSTM unidimensionale aveva l’accuratezza più bassa al 94,57%, nonostante circa 480.000 parametri. La CNN-LSTM bidimensionale ha raggiunto il 95,68% con circa 756.000 parametri. Aggiungere memoria per le sequenze temporali non ha migliorato la classificazione su questi brevi registri elettrici: da sole, gli strati convoluzionali hanno trovato le forme importanti nei segnali. La rete residua compatta presentava anche prestazioni equilibrate tra le classi. La precisione è rimasta sopra il 92% e il recall sopra il 91% per tutte le 21 classi. La maggior parte delle classi ha superato il 95% di recall, con un tasso di falsi negativi che variava dallo 0,29% all’8,29%. La classe più debole aveva una precisione del 92,91%, un recall dell’91,71% e un F1 del 92,31%. Le classi più forti hanno perso meno di circa lo 0,6% degli eventi reali. Nel monitoraggio critico per la sicurezza, quel tasso di mancata rilevazione nel caso peggiore conta più della precisione media: un guasto non rilevato può essere peggio di un falso allarme.

Prova di stress del rilevatore con rumore elettrico

Per mettere alla prova la robustezza del rilevatore, i segnali di test sono stati contaminati con rumore elettrico aggiuntivo. Si è utilizzato il rumore bianco gaussiano, lo standard per simulare le interferenze casuali nei sistemi di alimentazione aerea. Il rumore è stato applicato variando il rapporto segnale-rumore da 20 dB fino a 0 dB: su questa scala, valori più bassi corrispondono a un livello di disturbo maggiore. A 0 dB, la potenza del rumore aggiunto eguaglia quella del segnale stesso.

L’accuratezza del rilevatore cala gradualmente all’aumentare del rumore. A 20 dB si attesta al 96,93%, scende leggermente al 96,41% a 12,5 dB e si mantiene al 96,04% a 10 dB. Il calo diventa più marcato a 7,5 dB (95,25%) e a 5 dB (92,74%), per poi precipitare all’86,55% a 2,5 dB e al 71,26% a 0 dB.

Questi dati sono cruciali perché i sistemi elettrici degli aerei operano in ambienti rumorosi. Il risultato dimostra che il rilevatore resta efficace sotto interferenze moderate: mantiene un’accuratezza superiore al 96% a 10 dB e sopra il 92% a 5 dB. Anche con rumore estremo a 0 dB, la maggior parte dei campioni viene classificata correttamente. Tuttavia, il calo è significativo per l’applicazione reale: un sistema operativo richiederebbe probabilmente sensori di alta qualità, filtri o meccanismi di verifica della confidenza prima di agire su un allarme.

Il test era più severo delle condizioni ordinarie di addestramento. Durante la fase di inferenza, il rumore aggiuntivo si somma a quello già presente durante l’apprendimento, creando uno stress test che supera ciò che il modello ha visto in precedenza. La discesa graduale suggerisce inoltre che il rilevatore non dipenda da dettagli fragili dell’ampiezza del segnale. Sfrutta invece pattern stabili nel tempo e in frequenza, caratteristiche che resistono meglio alla presenza di interferenza casuale.

Prestazioni del modello compatto su hardware aerospaziale

Per valutare il comportamento del classificatore su hardware aerospaziale, i ricercatori lo hanno implementato su una scheda Xilinx Zynq UltraScale+. Il modello non elabora le tracce di tensione grezze, ma immagini derivate dalla trasformata di Fourier a tempo breve. Di conseguenza, un sistema aeronautico deve prima convertire i segnali elettrici in rappresentazioni tempo-frequenza per poi procedere alla classificazione. La scheda riceveva lotti di 1.000 ingressi da un computer host tramite Ethernet. I tempi sono stati misurati ripetutamente e mediati per ottenere un valore medio per ogni ingresso, mentre un test separato ha escluso il ritardo di comunicazione di andata e ritorno. Il risultato di 6,90 millisecondi rappresenta esclusivamente l’elaborazione a livello del chip: lo spostamento dei dati all’interno del sistema su chip (SoC) e l’esecuzione della rete. Questa velocità equivale a circa 145 classificazioni al secondo, un ritmo che consente a un monitor di bordo di effettuare verifiche continue senza lunghi intervalli tra i test.

Il design hardware mantiene il traffico di memoria organizzato: segnali in ingresso, pesi e uscite risiedono nella memoria DDR esterna. Un pianificatore distribuisce le operazioni a blocchi distinti, dedicati rispettivamente agli strati convoluzionali, agli strati densi e alle piccole operazioni matematiche come addizioni e ridimensionamenti. Gli arbitri controllano letture e scritture tramite interfacce AXI4, mentre un profiler registra i tempi di inizio e fine per individuare dove viene speso il tempo. Dopo la sintesi, il processore utilizza 391 delle 2.520 slice DSP disponibili, pari a circa il 15,5% della capacità aritmetica del chip. Questo margine residuo è cruciale in avionica, poiché altre attività di elaborazione dei segnali possono condividere lo stesso hardware.

La versione a punto fisso impiega pesi e attivazioni da 8 bit. La sua accuratezza cala di 1,07 punti percentuali rispetto al modello software a virgola mobile, un calo minimo che dimostra come la rete continui a distinguere i pattern di guasto anche dopo la conversione a una precisione inferiore. Tuttavia, il ritardo medio di 6,90 millisecondi non racconta tutta la storia per l’uso in tempo reale: è stato osservato un tempo massimo per ingresso di 14,40 millisecondi, verificatosi nella classe 11. La possibilità di stabilire tempi massimi aiuta i team di avionica a pianificare orari prevedibili, dato che i sistemi critici per la sicurezza devono sapere quando arriverà un risultato.

Il ritardo misurato copre solo il nucleo della rete neurale sulla FPGA e non include la sensoristica, l’isolamento, l’acquisizione dati o il front-end della trasformata di Fourier a tempo breve. Un sistema di bordo completo integrerebbe queste componenti prima della classificazione. Sebbene sensori e convertitori rappresentativi possano operare in microsecondi, questa pipeline completa non è stata verificata sperimentalmente nel presente studio. Il risultato hardware evidenzia quindi un motore di inferenza rapido e compatto, con sufficiente margine sul chip per future integrazioni.

Un piccolo watchdog per i sistemi di alimentazione aerea

Un rilevatore compatto dimostra che i guasti elettrici degli aeromobili possono essere riconosciuti direttamente a bordo, senza la necessità di grandi data center. Il risultato è concettualmente semplice ma difficile da eguagliare nella pratica: una piccola rete residuale ha raggiunto circa il 97% di accuratezza sui guasti simulati dei sistemi di alimentazione, utilizzando appena 175.685 parametri. Si tratta di un ordine di grandezza inferiore rispetto a molti modelli standard di deep learning.

Le reti più grandi non hanno offerto vantaggi significativi. Un modello convoluzionale unidimensionale ha raggiunto il 97,29% di accuratezza, ma richiedeva 8,34 milioni di parametri. Il guadagno in termini di precisione era marginale rispetto al costo computazionale aggiuntivo. Per un aeromobile, questa differenza si traduce in meno calore dissipato, minore peso e più spazio disponibile per altre funzioni di sicurezza.

Su una scheda Xilinx Zynq, lo stesso modello compatto ha operato con una latenza media di 6,90 millisecondi per classificazione. Il caso peggiore è stato di 14,40 millisecondi. Questa prevedibilità temporale facilita la pianificazione nei sistemi avionici critici per la sicurezza. Il processore ha utilizzato solo 391 delle 2.520 slice DSP disponibili sul chip, lasciando ampio margine per altre attività di elaborazione del segnale.

Il rilevatore ha inoltre resistito meglio al rumore elettrico aggiunto rispetto a un modello fragile. L’accuratezza è rimasta superiore al 96% con interferenze moderate e sopra il 92% quando il rumore era più intenso. Con livelli estremi di rumore, le prestazioni sono calate bruscamente, ma senza collassare improvvisamente. Ciò suggerisce che il modello ha appreso pattern utili nel dominio del tempo e della frequenza.

L’ostacolo principale resta il fatto che le evidenze provengono ancora dalla simulazione. I campioni di addestramento e test erano varianti correlate dello stesso ambiente simulato di alimentazione aerea, il che può far apparire l’accuratezza più alta rispetto a quanto sarebbe su dati di volo realmente indipendenti. Nel monitoraggio critico per la sicurezza, il tasso di mancata rilevazione nel caso peggiore conta più dell’accuratezza media: alcune classi presentavano tassi di falsi negativi vicini all’8%. Un guasto non rilevato può essere più grave di un falso allarme.

La latenza misurata copre solo il nucleo della rete neurale, escludendo la rilevazione della corrente, l’isolamento della tensione, l’acquisizione dei dati e il front-end della trasformata di Fourier a tempo breve. Queste componenti sono veloci in linea di principio, ma non sono state validate come un’unica pipeline integrata a bordo.

L’opportunità è concreta: un modello compatto può posizionarsi vicino al sistema di alimentazione per monitorare i guasti in tempo quasi reale, supportando il monitoraggio della salute, la pianificazione della manutenzione e la logica di protezione sugli aeromobili più elettrici del futuro. La generazione di segnali sintetici può aiutare a colmare le lacune, ma non sostituisce le prove reali di volo. Il prossimo passo è passare dagli scenari simulati a un banco di prova terrestre per i sistemi di alimentazione degli aerei, verificando poi il sistema contro condizioni operative generate in modo indipendente e dati di volo reali.

Se un watchdog può funzionare a bordo in modo compatto, rapido e sostanzialmente accurato, quante prove di indipendenza dovrebbe acquisire prima di essere affidato alla salute elettrica dell’aeromobile?