EO_487

EDA/SW/T&M 60 - ELETTRONICA OGGI 487 - GIUGNO-LUGLIO 2020 MACHINE LEARNING M olti dispositivi e sistemi elettronici svolgono funzioni essenziali che devono essere ese- guite in modo impeccabile per lunghi periodi di tempo. Ad esempio, le reti elettriche, i sistemi di te- lecomunicazione e i dispositivi medici impiantati non possono permettersi che si verifichino errori, neppure una sola volta su milioni di eventi. Per ovvie ragioni, la capacità di catturare e isolare anomalie estremamente rare rappresenta la sfida chiave per garantire questo livello di affidabilità. Il monitoraggio della tensione non è efficace nell’identificare i problemi più sottili del dispositivo o del sistema poiché è generalmente con- trollata in modo così efficace che le variazioni minime sono difficili da rilevare. Al contrario, le forme d’onda di corrente contengono informazioni molto più ricche relative al funzionamento del dispositivo o del sistema. Tuttavia, poiché le forme d’onda di corrente possono fluttuare rapidamente su ampi intervalli dinamici, è im- portante campionarle a un’alta frequenza di campio- namento per catturare l’intera larghezza di banda. Ciò può generare enormi file di dati, poiché l’acquisizione di dati a 10 Mega-sample/secondo in un periodo di 24 ore crea un file di dati superiore a 1 terabyte. “Passare al setaccio” un database così enorme per individuare eventi anomali è ovviamente un compito scoraggiante. Fino a poco tempo fa non esistevano soluzioni in gra- do di soddisfare i requisiti hardware appena descrit- ti. I data logger possono acquisire grandi quantità di dati, ma hanno una larghezza di banda relativamente Nuove tecniche per semplificare l’analisi di grandi database di forme d’onda Utilizzando nuove tecniche di apprendimento automatico sviluppate da Keysight è possibile analizzare in modo efficiente database di forme d’onda di grandi dimensioni e individuare rapidamente le eventuali anomalie bassa e possono facilmente perdere i componenti del segnale ad alta frequenza. Gli oscilloscopi convenzio- nali sono perfetti per catturare segnali con elevata larghezza di banda, ma hanno una capacità di me- morizzazione dei dati limitata. Persino gli oscilloscopi ad alte prestazioni con grandi profondità di memoria non sono in grado di acquisire dati a una frequenza di campionamento elevata per periodi di ore o giorni. Le sonde di corrente dell’oscilloscopio inoltre non hanno un range dinamico sufficiente per catturare correnti sia di basso sia di alto livello. Infine, nessuna di queste soluzioni hardware supporta alcun mezzo efficiente per analizzare i dati raccolti e identificare rapidamente le anomalie. Questo diventa un problema di analisi di big data. Apprendimento automatico Una soluzione per gestire questo tipo di sfide relative ai big data è l’apprendimento automatico. Una tecnica iniziale che abbiamo esplorato è stata la Deep Lear- ning Neural Networks (DLNNs), che ha avuto molto successo nel riconoscimento d’immagini e voce. Sfor- tunatamente, la tecnologia DLNN ha dimostrato di fun- zionare marginalmente bene quando applicata all’a- nalisi di database di forme d’onda, oltre a richiedere una notevole potenza di calcolo. Per analizzare grandi database di forme d’onda, i ricercatori di Keysight hanno dovuto sviluppare nuove tecniche di apprendi- mento automatico ottimizzate a tale scopo. Questa nuo- Alan Wadsworth Business Development Manager - Precision and Power Products Masaharu Goto Principal Research Engineer Keysight Technologies