Machine Learning e Resilienza dei Sistemi: un approccio all’implementazione di un modello di resilienza affidabile.

Gli strumenti di Machine Learning per migliorare la resilienza dei sistemi hanno ricevuto un maggiore slancio guidato dalla transizione energetica, dai cambiamenti climatici e dalla digitalizzazione, ma è necessario affrontare sfide critiche sulla definizione dei requisiti di sistema e sull’affidabilità dei processi di apprendimento.

Questo studio pubblicato sulla rivista “ScienceDirect” propone un quadro sistematico basato sull’ingegneria dei sistemi e focalizzato sull’affidabilità del processo di apprendimento del modello Hidden Markov (HMM) accoppiato con l’algoritmo Baum-Welsh.

Gli stati nascosti HMM possono rappresentare i precursori di eventi accidentali, essendo gli stati tra una prestazione regolare e un guasto di un sottosistema. L’algoritmo di Baum-Welch, stimando i parametri dell’HMM, aggiorna iterativamente le stime delle probabilità di transizione di stato e di osservazione.

Il framework è stato applicato a un caso reale di bunkeraggio di GNL, dimostrando che il sistema può apprendere da dati incompleti, migliorare la qualità dell’apprendimento data una nuova serie di osservazioni, fare previsioni sugli stati latenti e migliorare la resilienza del sistema.

La novità di questo lavoro sta nell’assicurare il processo di apprendimento e nel contribuire al raggiungimento di un approccio basato sui dati spiegabile, robusto e interpretabile.