Apprendimento di immagini fuse guidato dalla fisica con squeeze excitation potenziato per l’analisi dei guasti delle pompe centrifughe multistadio

Perché il monitoraggio più intelligente delle pompe conta

Dietro molte fabbriche, centrali elettriche e sistemi idrici ci sono pompe centrifughe multistadio che mantengono silenziosamente il flusso dei liquidi. Quando queste pompe sviluppano danni nascosti, le aziende possono perdere migliaia di ore per le riparazioni e milioni di dollari per fermi e incidenti. Questo studio dimostra come combinare la conoscenza fisica con l’intelligenza artificiale moderna basata su immagini possa individuare precocemente problemi sottili all’interno di queste pompe, anche quando i segnali sono rumorosi e le condizioni operative cambiano.

La vita nascosta delle pompe industriali

Le pompe centrifughe multistadio impiegano diverse giranti in serie per aumentare la pressione e spingere il fluido attraverso le tubazioni. Nelle realtà industriali, i guasti a queste pompe hanno portato a migliaia di ore di manutenzione e perdite per decine di milioni di dollari. I problemi più insidiosi spesso iniziano come guasti “morbidi”: piccoli fori o graffi nelle tenute meccaniche e corrosione iniziale sulle giranti. Questi difetti non fermano immediatamente la pompa ma erodono gradualmente prestazioni e sicurezza. Poiché le pompe lavorano a pressioni variabili e sono circondate da altra strumentazione vibrante, i segnali precoci di guasto sono sepolti in dati di vibrazione complessi e rumorosi.

Trasformare le vibrazioni in immagini informative

Gli autori hanno costruito un banco di prova basato su una pompa industriale e hanno introdotto deliberatamente tre guasti morbidi realistici: un foro praticato in una tenuta, un graffio su una tenuta e una perdita di materiale su una delle giranti, oltre a una condizione normale. Sensori di vibrazione sono stati montati sulla carcassa della pompa, vicino alle tenute e vicino alla girante. Invece di considerare l’intera registrazione di vibrazione altrettanto utile, il team ha prima suddiviso ogni segnale in molte brevi finestre temporali. Ha quindi valutato queste finestre usando tre misure di significato fisico: energia complessiva, impulsività e quanto dell’energia ricadesse in una banda di frequenza nota dalla fisica delle pompe come sensibile ai guasti. Sono state conservate per l’analisi successiva solo le finestre con i punteggi più alti, più probabilmente contenenti informazioni utili sui guasti.

Fondere tre prospettive dello stesso segnale

Da ciascuna finestra selezionata, i ricercatori hanno creato una speciale immagine “fusa” progettata per catturare diversi aspetti del comportamento della pompa. Un canale è una versione guidata dalla fisica di uno spettrogramma Mel, che mette in evidenza come l’energia delle vibrazioni si distribuisce nel tempo e nella frequenza, con un’enfasi aggiuntiva sull’intervallo di frequenze dove i guasti tipicamente emergono. Un secondo canale, chiamato Gramian Angular Difference Field, trasforma il segnale temporale in un’immagine a pattern che rivela come i punti del segnale si relazionano nel tempo, facendo risaltare impatti irregolari e cambiamenti non lineari. Un terzo canale, la Cross Interaction Map, rinforza le aree dove entrambe le altre viste concordano e attenua quelle probabilmente causate dal rumore. Impilando questi tre canali si ottiene un’immagine compatta che codifica insieme tempo, frequenza e struttura temporale.

Guidare l’intelligenza artificiale con la fisica

Queste immagini fuse vengono quindi immesse in una rete neurale convoluzionale compatta che impara a riconoscere pattern collegati a condizioni specifiche della pompa. Un’innovazione chiave è un meccanismo di attenzione chiamato “enhanced squeeze excitation”. In termini semplici, la rete non si limita a esaminare le caratteristiche delle immagini che ha imparato, ma riceve anche un piccolo vettore laterale di indicatori classici di vibrazione derivati dalla fisica, come il valore RMS, l’impulsività, il crest factor e la quota di energia nella banda sensibile ai guasti. Il modulo di attenzione usa queste informazioni laterali per decidere quali canali di feature interni enfatizzare o attenuare, orientando la rete a concentrarsi su pattern che corrispondono al comportamento meccanico reale piuttosto che su correlazioni spurie nei dati.

Quanto è efficace l’approccio?

Il framework è stato testato su dati di vibrazione reali provenienti dal banco di prova della pompa funzionante a tre pressioni rappresentative dell’uso industriale: 3 bar, 3,5 bar e 4 bar. Per ciascuna pressione il modello doveva distinguere il funzionamento normale dai tre tipi di guasto. Su tutte le pressioni ha raggiunto un’accuratezza di classificazione superiore al 99 percento, con un punteggio macro F1 (un equilibrio tra precisione e richiamo) anch’esso sopra 0,99, arrivando a punteggi perfetti alla pressione più alta. Gli autori hanno confrontato il loro metodo con diverse alternative avanzate, inclusi trasferimento di apprendimento da reti per immagini standard, estrazione di feature basata sull’entropia e altri modelli profondi ispirati dalla fisica. In ogni caso, l’immagine fusa guidata dalla fisica con il modulo di attenzione ha eguagliato o superato questi concorrenti, specialmente quando le condizioni operative variavano.

Cosa significa per la manutenzione nel mondo reale

Per ingegneri e gestori d’impianto, questo lavoro illustra un modo pratico per combinare la loro comprensione della fisica delle pompe con la capacità di scoperta di pattern del deep learning. Selezionando con cura le parti più informative dei segnali di vibrazione, convertendole in immagini ricche ma compatte e indirizzando la rete con semplici indicatori fisici, il metodo può segnalare in modo affidabile danni a tenute e giranti in fase iniziale molto prima di un guasto catastrofico. A lungo termine, strumenti di IA consapevoli della fisica come questo potrebbero aiutare a spostare la manutenzione delle pompe da interventi reattivi dopo rotture a interventi pianificati basati su avvisi precoci affidabili.

Citazione: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Parole chiave: guasti pompe centrifughe, monitoraggio vibrazioni, deep learning guidato dalla fisica, manutenzione basata sulle condizioni, diagnostica industriale