Spiegazioni AI per il monitoraggio della forza di crimpatura: evidenze di accuratezza e comprensione

Un allarme di «trefoli mancanti» compare sullo schermo, che evidenzia in rosso una parte della curva di forza di crimpatura. Questo può aiutare un ingegnere a decidere da dove iniziare i controlli. Non risponde ancora a due domande: se nel prodotto manchino davvero dei trefoli e se la zona rossa aiuti una persona a intervenire correttamente.

Questa analisi si rivolge agli ingegneri della qualità e di processo che valutano il monitoraggio della forza di crimpatura con AI. Prendendo come esempio uno studio pubblico di Hofmann e colleghi, esaminiamo separatamente i risultati della classificazione, le spiegazioni del modello e gli effetti sugli utilizzatori. Individuiamo denominatori e condizioni di confronto utilizzabili direttamente in una valutazione tecnica. L’articolo è stato pubblicato il 31 marzo 2026; la versione definitiva reca la data del 10 aprile. Si tratta di una lettura tematica di uno studio esistente. Articolo originale

Distinguere i tre oggetti della valutazione

È possibile stabilire gradualmente un legame tra i tre aspetti, ma nessuno sostituisce gli altri. Per la valutazione consigliamo di esaminare prima la direzione degli errori, poi il modo in cui è stata verificata la spiegazione e infine i compiti pratici svolti dagli utilizzatori. Le sezioni seguenti seguono questo ordine usando le evidenze disponibili nell’articolo.

Da una curva a quattro fasi colorate: cosa fa il modello

Lo studio utilizza una foresta casuale per classificare le curve di forza di crimpatura preelaborate in tre categorie: normale, trefoli mancanti e isolamento crimpato nella zona di crimpatura del conduttore. Una foresta casuale comprende più alberi decisionali. Ogni albero formula una valutazione in base alle caratteristiche in ingresso; le valutazioni vengono poi combinate nell’uscita del modello. In questo studio, gli ingressi sono punti di campionamento consecutivi lungo la curva, anziché un singolo picco scelto da una persona. TreeExplainer di SHAP calcola quindi il contributo di ogni punto all’uscita relativa a una determinata classe. Articolo, sezione 3; Documentazione ufficiale della foresta casuale

La catena di elaborazione si legge così:

1. Acquisizione e preelaborazione→
2. La foresta casuale restituisce una classe→
3. TreeSHAP spiega l'uscita per quella classe→
4. I contributi vengono aggregati per fase di processo→
5. I colori vengono visualizzati sulla curva originale

Questo schema descrive le relazioni tra i passaggi del metodo. La classificazione precede la visualizzazione dei colori; questi non aggiungono un controllo qualità indipendente.

Non si può considerare ogni sistema attuale di monitoraggio della forza di crimpatura come limitato al confronto di un singolo picco. La descrizione del produttore del BB07i4 citata nell’articolo comprende il confronto con curve di riferimento, la gestione della deriva e più impostazioni di riferimento. Il contributo esaminato qui collega una classificazione appresa alle spiegazioni per fase. L’articolo non offre un confronto uniforme sufficiente a quantificare una «superiorità rispetto a tutti i sistemi di monitoraggio tradizionali». Descrizione del BB07i4 del produttore

L’articolo suddivide la curva in quattro fasi: allineamento, avvolgimento, compressione e ritorno elastico. Corrispondono rispettivamente all’inizio del contatto e dell’allineamento delle alette del terminale con il punzone, all’avvolgimento delle alette verso il conduttore, alla compattazione del conduttore e del terminale e al recupero elastico dopo la risalita del punzone. Lo studio usa gli indici di separazione 75, 150, 345 e 500. Sono posizioni di questo metodo di elaborazione dei dati. Non sono direttamente utilizzabili come tempi, corse o parametri universali di segmentazione per un’altra macchina. Articolo, sezioni 2.1 e 3.5, equazione 4

L’aggregazione per fase presenta un dettaglio facile da trascurare: l’equazione 6 dell’articolo calcola la media dei valori SHAP all’interno di ciascuna fase, poi normalizza il risultato per formare le bande cromatiche. Non trasforma ciascuna delle quattro fasi in una «probabilità di guasto», né si limita a sommare tutti i contributi assoluti della fase.

Consideriamo un esempio puramente aritmetico. Due punti della stessa fase hanno contributi pari a +0,02 e -0,02. La media con segno è 0; la media dei valori assoluti è 0,02. La prima mantiene il rapporto tra contributi che spingono e si compensano, mentre la seconda descrive l’entità dei contributi. Le due aggregazioni rispondono a domande diverse. Questi valori non sono misure dell’articolo. Nel leggere o riprodurre una mappa cromatica, occorre conservare insieme la classe spiegata, i segni, il metodo di aggregazione e le regole di normalizzazione del colore. Altrimenti cambia il significato della «zona più rossa».

TreeSHAP spiega come l’uscita del modello differisca dal suo valore di riferimento. Richiede inoltre di scegliere come gestire le dipendenze tra le caratteristiche in ingresso. I punti consecutivi della curva sono correlati: anche la versione del software, i dati di riferimento e le opzioni relative alla dipendenza tra caratteristiche fanno quindi parte delle condizioni della spiegazione. Conservare solo una mappa cromatica non rende lo stesso colore un indicatore invariabile tra versioni. Documentazione ufficiale di TreeExplainer

Quali errori compongono il risultato del 95,9%?

Lo studio ha registrato 1.617 curve da due abbinamenti filo–terminale, con fili da 0,50 mm² e 0,35 mm². I ricercatori hanno preparato intenzionalmente i campioni con trefoli mancanti e isolamento incluso nella crimpatura. Hanno suddiviso casualmente i dati in 1.293 campioni di addestramento e 324 campioni di prova. Non si tratta di registrazioni di spedizioni campionate secondo la prevalenza dei difetti di una linea produttiva reale. Articolo, sezione 3.2

Gli autori riportano un’accuratezza della classificazione a tre classi del 95,9%. Qui la correttezza è riferita alle etichette degli autori. L’etichetta di un difetto preparato intenzionalmente va comunque distinta dalla non conformità determinata rispetto ai requisiti del prodotto. Si parte separando le direzioni degli errori:

Le percentuali della tabella sono valori descrittivi calcolati dai conteggi dell’articolo e arrotondati. I denominatori sono rispettivamente il numero di campioni etichettati normali e quello dei campioni etichettati difettosi. Non rappresentano né il tasso di errore complessivo né la proporzione di difetti tra i campioni classificati normali dal modello. Una matrice di confusione deve indicare chiaramente quale asse rappresenti le etichette di riferimento e quale le classi previste. Altrimenti la stessa cella può facilmente essere interpretata come risposta a una domanda diversa. Articolo, sezione 4.1; Definizione della matrice di confusione

Esiste anche una piccola discrepanza tra il valore riportato e i conteggi descritti nel testo. I conteggi danno 6 + 4 + 3 = 13 classificazioni errate. Ricalcolando su un totale di 324, l’accuratezza a tre classi è circa il 96,0%, che non coincide esattamente con il 95,9% degli autori. Manteniamo quindi il valore riportato dagli autori ed elenchiamo separatamente conteggi e denominatori, senza affermare che il ricalcolo dia un risultato esattamente coincidente.

Per una valutazione della qualità, la distinzione più importante è tra confondere i due tipi di difetto e classificare normale un campione difettoso. Il primo errore influisce sulla direzione della diagnosi; il secondo riguarda la capacità del modello di rilevare i difetti. Riducendo il compito a due classi, normale e difettoso, i 3 scambi tra classi di difetto non contano più come errori e la metrica cambia. Anche questo spiega perché non si possano confrontare direttamente accuratezze relative a compiti di classificazione diversi.

Cosa dimostrano le prove di perturbazione

Per verificare l’utilità delle spiegazioni per fase, i ricercatori hanno azzerato alcune fasi, le hanno sostituite con valori casuali oppure le hanno eliminate, quindi hanno riaddestrato i modelli con lo stesso metodo. Le combinazioni di una, due e tre fasi hanno prodotto 42 modelli perturbati, confrontati con il riferimento non perturbato. Si confronta ciò che un modello riaddestrato senza le informazioni di una determinata zona riesce ancora a fare. Non si tratta semplicemente di mascherare una volta l’ingresso del modello originale. Articolo, sezioni 3.7 e 4.2

Nella tabella 4, perturbare soltanto la fase di compressione produce un’accuratezza di 0,861 con ciascuno dei tre trattamenti, inferiore al riferimento di 0,959 riportato dagli autori. Perturbare soltanto l’avvolgimento o il ritorno elastico dà in ogni caso risultati di 0,954. Questo sostiene una conclusione precisa: con questi dati e questo metodo di confronto, la fase di compressione contiene informazioni di classificazione più difficili da compensare con le altre zone.

La prova non dimostra direttamente che la zona rossa sia la causa fisica del difetto. Il calo delle prestazioni dopo il riaddestramento dipende dalla quantità di informazioni eliminate, dalla capacità compensativa delle altre fasi, dal modello e dal metodo di suddivisione dei dati. L’articolo riconosce inoltre che le fasi contengono numeri diversi di punti di campionamento. Eliminare una fase più lunga può causare una perdita maggiore; la sola entità del calo non dimostra che ogni punto sia più importante.

Se il passo successivo consiste nel confrontare due metodi di spiegazione, si può proporre una prova aggiuntiva più mirata. Ciascun metodo seleziona lo stesso numero di punti o intervalli della stessa lunghezza; il confronto usa poi identici metodi di sostituzione, impostazioni di addestramento e insieme di prova. La proposta mira a ridurre il fattore confondente costituito dall’«eliminare di più». Non è un risultato già ottenuto nell’articolo.

L’accordo degli ingegneri sulla spiegazione non dimostra un miglioramento operativo

Nella parte dedicata ai fattori umani, due esperti di processo hanno valutato l’influenza di ciascuna fase su curve la cui classe di qualità era già indicata. Le loro valutazioni sono state poi confrontate qualitativamente con le visualizzazioni. Questo permette di verificare se le spiegazioni siano nel complesso coerenti con le conoscenze professionali. Non fornisce l’accuratezza di prove in cieco con operatori di più turni, i tempi di gestione degli allarmi o le variazioni delle azioni errate prima e dopo l’aggiunta delle bande cromatiche. Articolo, sezione 4.3

Le due domande possono essere verificate separatamente:

• Per verificare la plausibilità di una spiegazione per fase, chiedere agli ingegneri quale zona della curva dovrebbe essere influenzata da un determinato difetto, quindi confrontarla con quella evidenziata dal modello.
• Per verificare se l’interfaccia aiuti a intervenire, far esaminare agli utilizzatori registrazioni di cui non conoscono le risposte. Osservare i loro giudizi guardando prima la curva originale, poi l’indicazione della classe e infine la spiegazione per fase. È utile registrare anche «impossibile decidere»; non bisogna obbligare a indicare sempre una causa.

Nel secondo confronto sarebbe opportuno mantenere costanti la difficoltà dei campioni e le informazioni disponibili, tenendo conto dell’apprendimento dovuto all’ordine di presentazione. Altrimenti una seconda risposta più rapida può dipendere soltanto dall’aver già visto la stessa curva. Conservare anche le schermate delle spiegazioni dei campioni non rilevati o classificati male: una spiegazione chiara può comunque spiegare una previsione errata.

Cosa è disponibile oggi e cosa manca per il trasferimento

L’articolo è disponibile integralmente e rimanda al Crimp Force Curve Dataset di Harvard Dataverse e a un articolo di Scientific Data su acquisizione, etichettatura e validazione tecnica. La versione attuale del dataset è V3.0. Il dataset completo contiene 2.439 curve, diverse dal sottoinsieme di 1.617 usato in questo studio. I dati conservano sia le etichette manuali sia le valutazioni CFM, comprese registrazioni in cui divergono. Prima della valutazione, specificare quali etichette di riferimento si useranno e determinare la conformità effettiva con metodi applicabili al progetto. Questi materiali pubblici consentono di valutare i metodi offline; l’accesso a un dataset non equivale a un software di monitoraggio online validato. DOI del dataset; Articolo descrittivo dei dati

Gli autori mettono inoltre a disposizione il repository cfc-analysis. Il collegamento è fissato al commit cf20535 del 22 agosto 2025, che contiene file di preelaborazione, validazione e rappresentazione grafica dei dati. Offre un punto di accesso per comprenderli. Non dimostra che siano stati pubblicati il codice completo della foresta casuale, quello di TreeSHAP e quello dell’interfaccia di questo studio del 2026.

Per questa analisi non abbiamo scaricato ed eseguito il dataset completo, né ottenuto ed eseguito il pacchetto completo di codice per addestramento, suddivisione e visualizzazione dello studio SHAP. Per affermare una riproduzione esatta occorrerebbe ancora verificare insieme:

• la versione dei dati e gli ID dei campioni effettivamente usati;
• la preelaborazione e gli intervalli di scalatura;
• l’assegnazione ad addestramento/prova e i semi casuali;
• le versioni delle dipendenze e le opzioni SHAP;
• i confini delle fasi e le regole di visualizzazione.

Non si può presumere che un unico addestramento con i parametri dell’articolo dia lo stesso risultato.

Se la valutazione riguarda nuovi terminali, fili o apparecchiature, si possono preparare le evidenze nell’ordine seguente. Sono proposte di valutazione, non criteri di rilascio in produzione.

1. Stabilire anzitutto come si ottengono le etichette di riferimento. Registrare come vengono preparati e confermati i trefoli mancanti e l’isolamento incluso nella crimpatura, e come si distinguono anomalie lievi e condizioni accettabili. Conservare queste informazioni insieme agli ID dei campioni. Se le etichette sono confuse, migliorare il punteggio del modello non risolve la definizione della qualità.
2. Riservare le nuove condizioni a una prova realmente esterna. Per dimostrare l’utilizzo tra lotti, escludere interi lotti dall’addestramento. Per dimostrare l’utilizzo dopo un cambio di apparecchiatura o terminale, riservare alla prova quelle condizioni. Suddividere casualmente dati della stessa origine risponde solo in parte a queste domande. Neppure i difetti sconosciuti sono automaticamente coperti da un risultato a tre classi.
3. Confrontare il sistema con il monitoraggio attuale sugli stessi campioni. Rispetto alle etichette di riferimento, contare separatamente i falsi allarmi sui campioni normali, i difetti non rilevati e le indicazioni errate del tipo di difetto, conservando i denominatori reali. Non confrontare l’accuratezza dell’articolo con il tasso di allarme di un altro insieme di pezzi. Quando cambia la prevalenza dei difetti nel prodotto, esaminare anche separatamente i gruppi previsti difettosi e normali per determinare quante anomalie di ciascuno siano confermate con i metodi del progetto.
4. Valutare infine se la spiegazione modifica le azioni. Nel quadro della procedura di intervento esistente, verificare se le bande cromatiche riducano i controlli nella direzione sbagliata o aiutino gli ingegneri a riconoscere quando il modello non è affidabile. Se emerge solo che le spiegazioni per fase risultano più intuitive, limitare la conclusione alla loro plausibilità e mantenere la necessità di verificare le azioni delle persone.

La prima pagina più utile per una valutazione tecnica può contenere soltanto tre righe: direzioni degli errori e denominatori nelle nuove condizioni; confronto per perturbazione usato per verificare la spiegazione; compiti di giudizio effettivamente svolti dagli utilizzatori. La foresta casuale, TreeSHAP e le bande cromatiche per fase dello studio offrono una combinazione da approfondire per le prime due righe. Per la terza servono ancora evidenze provenienti dall’ambiente di lavoro previsto.

Per proseguire la preparazione di una valutazione della qualità della crimpatura, leggere cosa mostrano altezza di crimpatura, forza di trazione e sezioni trasversali, distinguendo l’utilità delle curve di processo da quella dell’ispezione del prodotto finito. Altre analisi di frontiera e guide pratiche sono disponibili nella biblioteca delle risorse.

Fonti e note di lettura

Studio principale: Hofmann, B., Bründl, P., Nguyen, H. G. e Franke, J., Transparent machine learning for crimp force monitoring using phase-based SHAP explanations, Industrial Artificial Intelligence 4, 2 (2026), DOI: 10.1007/s44244-026-00028-6. L’analisi in cinese e le proposte di valutazione sono state scritte indipendentemente a partire dal testo integrale pubblico; nessuna figura originale è riprodotta. L’articolo originale è distribuito con licenza CC BY 4.0. L’esempio aritmetico e le prove aggiuntive proposte in questa analisi non sono risultati misurati dagli autori, né rappresentano una riproduzione o una validazione su linea produttiva effettuata da MTTJ.

Fonti consultate il 7 ottobre 2026. Se gli autori pubblicheranno successivamente il codice, rivedranno i risultati o diventerà disponibile una validazione indipendente su apparecchiature diverse, occorrerà aggiornare prima le condizioni di implementazione e la valutazione del trasferimento.

L’AI ha assistito nell’organizzazione delle fonti e nella stesura di questo articolo.