DESCRIZIONE
L’architettura sviluppata, integrata nella MESP-DT, utilizza tecniche di graph embedding per sintetizzare i dati di rete che contestualizzano le misure, e impiega modelli di streaming machine learning per generare indicatori a supporto della manutenzione predittiva. Gli embedding numerici ottenuti vengono combinati con i dati in tempo reale dai sensori sul campo, creando un flusso arricchito che rappresenta sia lo stato fisico dell’asset che il suo contesto topologico e operativo. I modelli di machine learning in streaming si aggiornano automaticamente, apprendendo continuamente dai dati ricevuti, migliorando così la capacità predittiva del sistema e aumentando la sua flessibilità e adattabilità a nuovi scenari e requisiti operativi.
 
APPLICAZIONI
Questo approccio potenzia la capacità predittiva del sistema, rendendolo più flessibile e adattabile a nuovi scenari e requisiti operativi.
 
UTILIZZATORI
Ricercatori.
 
FOCUS
E. Bionda, F. Soldan, G. Paludetto, A. Maldarella, C. Sesto, B. Vitali, A. Guagliardi, «Dimostratori di digital twin per reti energetiche e di sistemi di caratterizzazione di fenomeni fisici da filmati,» Ricerca di Sistema, RSE, n. 24008492, Milano, 2024.