Tra le criticità aperte nel campo degli azionamenti industriali, ce ne è una ancora irrisolta: i modelli matematici su cui si basano i sistemi di controllo convenzionali sono sempre più raffinati, eppure continuano a non catturare completamente le perdite energetiche reali di un sistema in funzione.
Perdite misurabili, ma difficilmente modellabili con precisione. Un gap tra teoria e pratica che si traduce in inefficienze difficili da eliminare con gli approcci tradizionali.
È proprio da questa criticità concreta che nasce la collaborazione tra la Fachhochschule di Salisburgo e B&R, divisione Machine Automation di ABB, sfociata di recente nel deposito di una domanda di brevetto congiunta nel campo del motion control a ottimizzazione energetica.
Reinforcement learning (RL) e motion control: dalla ricerca alla fabbrica
Il cuore dell'innovazione sta nell'applicazione del reinforcement learning (RL) al controllo degli azionamenti industriali - applicati a robot, macchine utensili, linee di produzione automatizzate - dove sequenze di movimento altamente dinamiche (posizionamento, accelerazione, decelerazione, movimenti ciclici) devono essere gestite con elevatissima precisione.
L'idea di fondo è semplice quanto ambiziosa: invece di affidarsi a un modello matematico del sistema, si lascia che un agente software AI apprenda direttamente dal comportamento reale della macchina. L'agente interagisce con il sistema fisico, osserva come i diversi profili di movimento contribuiscono alle perdite energetiche, e adatta autonomamente la strategia di controllo, senza bisogno di un modello completo del sistema.
Il reinforcement learning non è una novità nella ricerca accademica, ma la sua applicazione industriale è sempre stata ostacolata da due limitazioni strutturali: i tempi di apprendimento troppo lunghi e la quantità di dati richiesta.
È qui che entra in gioco l'innovazione brevettata. Una nuova formulazione matematica della strategia di apprendimento che accelera la convergenza riducendo al contempo il fabbisogno di dati. Un risultato che rende il RL tecnicamente ed economicamente praticabile nei sistemi cyberfisici reali.
Il contesto: dal 2020 ad oggi, anni di ricerca applicata
Questo brevetto ha una lunga storia. Le radici del progetto risalgono al 2020, nell'ambito del progetto europeo Interreg KI-Net. Dal 2022 la ricerca è proseguita e approfondita all'interno del Josef Ressel Center for Intelligent and Secure Industrial Automation (JRZ ISIA), con il coinvolgimento di B&R, Copa-Data e altri partner industriali.
"La collaborazione e il brevetto dimostrano concretamente come eccellenza scientifica e pratica industriale si incontrino al Josef Ressel Center", ha dichiarato Stefan Huber, responsabile della ricerca alla FH Salisburgo. "Nel campo dell'intelligenza artificiale, Austria ed Europa hanno bisogno di ricerca alla frontiera tecnologica che produca impatto diretto sulla creazione di valore industriale."
"La stretta cooperazione con la FH Salisburgo ci permette di portare metodi di ricerca innovativi nelle applicazioni industriali reali in una fase ancora precoce", ha aggiunto Martin Haidacher, Innovation Manager di B&R. "È la dimostrazione del valore che si genera combinando ricerca accademica e competenza industriale."
L'importanza del motion control ottimizzato con reinforcement learning
Nel dibattito attuale sull'AI in fabbrica, si parla spesso di visione artificiale, di manutenzione predittiva, di gemelli digitali. Il motion control energeticamente ottimizzato tramite apprendimento automatico è un capitolo meno raccontato, ma potenzialmente ad alto impatto.
Gli azionamenti sono presenti in ogni impianto produttivo, e anche piccoli miglioramenti in termini di efficienza energetica, moltiplicati per milioni di cicli, si traducono in risparmi energetici significativi e in una riduzione concreta dell'impronta ambientale della produzione.
Il fatto che questo lavoro arrivi a brevetto - e non resti confinato alla letteratura accademica - è il segnale che l'approccio ha superato il banco di prova della fattibilità industriale.