L’attività si propone di sviluppare una metodologia innovativa per la manutenzione predittiva delle macchine agricole, basata sull’analisi dei dati sensoriali raccolti dal CAN-bus dei trattori. L’obiettivo è identificare tempestivamente guasti e comportamenti anomali, migliorando l’affidabilità dei mezzi e riducendo i fermi macchina.

La metodologia utilizza modelli di deep learning (autoencoder), specializzati in base al tipo di terreno e all’attività svolta (ad esempio aratura, spostamento, svolta, inattività), capaci di riconoscere deviazioni sottili e contestuali nei segnali.

Per superare la scarsità di dati reali di guasti, è stato creato un innovativo workflow multi-agente basato su Large Language Models (LLM), che genera anomalie sintetiche realistiche (come surriscaldamento del motore, instabilità di coppia o calo della tensione della batteria). Queste anomalie sono validate automaticamente e integrate nei dataset per testare l’affidabilità del sistema.

I risultati ottenuti mostrano un’elevata capacità di classificazione delle attività operative e un’efficace rilevamento delle anomalie, anche quelle rare e difficili da osservare in condizioni reali.

Questa soluzione avanzata e scalabile:

• Migliora l’affidabilità e riduce i tempi di fermo macchina

• Consente di testare i modelli anche in assenza di dati reali di guasto grazie alle anomalie sintetiche generate da LLM

• Supporta l’adozione di pratiche di agricoltura di precisione in ambienti complessi e con risorse limitate