Link fonte: https://www.hse.ru/en/news/research/1162662721.html
Documento scaricabile/consultabile: articolo scientifico — Learning to hear broken motors: Signature-guided data augmentation for induction motor diagnostics, pubblicato su Engineering Applications of Artificial Intelligence, vol. 170, articolo 114137. DOI: 10.1016/j.engappai.2026.114137.
Una ricerca della HSE University mostra come l’intelligenza artificiale possa diagnosticare in anticipo i guasti nei motori industriali. Il nuovo framework SGDA raggiunge il 99% di accuratezza nel rilevamento dei difetti e l’86% nella classificazione, aprendo scenari per manutenzione predittiva, sicurezza produttiva e riduzione dei fermi impianto.
I ricercatori dell’AI and Digital Science Institute della Faculty of Computer Science della HSE University hanno sviluppato un metodo per insegnare a una rete neurale a riconoscere i guasti nei motori asincroni trifase a induzione, componenti essenziali in pompe, compressori, nastri trasportatori e ventilatori industriali.
La tecnologia si chiama Signature-Guided Data Augmentation — SGDA — e affronta un problema concreto: nelle fabbriche reali i dati sui guasti sono rari, perché i malfunzionamenti gravi sono eventi da evitare, non da riprodurre. Il metodo genera quindi anomalie artificiali ma fisicamente plausibili nei segnali di corrente di un motore sano, utilizzando le firme di frequenza tipiche dei difetti reali.
Secondo la pubblicazione, il sistema ha ottenuto 99% di accuratezza e 0,97 di macro-F score nel rilevamento binario dei guasti; nella classificazione multicategoria ha raggiunto 86% di accuratezza e 0,88 di macro-F score, testato su dati raccolti da due motori in condizioni diverse di carico e fase.
Il vantaggio industriale è evidente: diagnosticare prima il difetto può ridurre costi di riparazione, tempi di inattività e rischi per la sicurezza. Ma restano cautele importanti: il metodo dovrà essere validato su più motori e in ambienti produttivi reali, come indicano gli stessi ricercatori.
Sul piano etico, l’automazione della manutenzione non dovrebbe sostituire il controllo umano, ma affiancarlo. In settori critici, una diagnosi errata può causare sprechi, blocchi produttivi o rischi operativi. La vera sfida sarà integrare l’IA nei processi industriali con verifiche indipendenti, trasparenza tecnica e responsabilità decisionale.
Breve approfondimento: cronologia e contesto
2025/2026 — Pubblicazione dello studio su Engineering Applications of Artificial Intelligence, con il titolo Learning to hear broken motors.
25 maggio 2026 — HSE University diffonde la notizia sul framework SGDA e sui risultati ottenuti nei test.
Fase futura — I ricercatori prevedono ulteriori validazioni su altri motori e test in condizioni industriali reali.
Consigli di approfondimento
Fonte HSE University:
Scheda pubblicazione HSE:
ScienceDirect / articolo scientifico:
Abstract: pro, rischi e conseguenze sociali
La ricerca mostra un uso concreto dell’IA nella manutenzione predittiva: meno guasti, maggiore sicurezza e possibile riduzione dei costi industriali. Il rischio è una fiducia eccessiva in sistemi non ancora validati su larga scala. In futuro, l’interazione tra tecnici e IA potrà cambiare il lavoro industriale: meno diagnosi manuali ripetitive, più supervisione qualificata, ma anche necessità di nuove competenze, audit tecnici e responsabilità chiare in caso di errore.
