Deep Learning e Metodi di Explainable AI per l'Anomaly Detection Industriale Basata su Segnali Acustici

Nel panorama dell’Industria 5.0, volta alla creazione di una coesione tra uomo e AI, la manutenzione predittiva basata su Deep Learning (DL) per l’Anomaly Detection sta divenendo imprescindibile per il monitoraggio e la continuità operativa di un impianto. In tale scenario si colloca il presente lavoro di tesi, volto a esplorare le potenzialità dell’analisi acustica e di approcci di elaborazioni DL dedicati. L’impiego di segnali acustici costituisce un’ottima strategia di monitoraggio, consentendo l’individuazione precoce di anomalie senza entrare in contatto diretto con i macchinari. La tesi esplora quattro differenti architetture, appartenenti a soluzioni supervisionate e non, confrontandole sul piano prestazionale e della spiegabilità. Attraverso metodi di Explainable AI, si analizza l’interpretabilità dei modelli, per renderne chiaro il processo decisionale. I risultati mostrano come le reti supervisionate ottengano prestazioni migliori: una ROC-AUC del 96.4% per Conv1D e del 95.96% per Conv2D. Tuttavia, poiché necessitano di un numero adeguato di dati relativi ai guasti, spesso irreperibili in ambito industriale, i modelli non supervisionati costituiscono un’alternativa valida, seppur con alcuni trade-off. Il Convolutional Autoencoder (CAE) ottiene una ROC-AUC dell’ 89.2%, mentre il Convolutional Transformer Autoencoder del 91.7%. Sul piano della spiegabilità, l’approccio ottimale dipende più dall’architettura che dal paradigma. Sui modelli supervisionati l’utilizzo di GradCAM e distanza di Mahalanobis fornisce un’AUROC sullo score di spiegazione di 0.9541 (Conv1D) e di 0.8512 (Conv2D), mentre sulle reti non supervisionate si rivela insufficiente, richiedendo metodi dedicati: Layer Integrated Gradients con entropia di Shannon per il Transformer (AUROC = 0.8216) e Layer Activation per il CAE (AUROC = 0.6795). Nel complesso, le architetture analizzate risultano quindi complementari, lasciando allo scenario applicativo specifico la scelta del modello più adatto.