I modelli fondativi alla prova dei dati di fabbrica

I modelli fondativi per serie temporali prevedono le misure dei sensori senza un addestramento dedicato a ogni macchina. Potrebbero così semplificare la gestione dei dati di impianto. Quattro studi del 2026 li hanno messi alla prova. Nella previsione dei consumi energetici i modelli fondativi hanno raggiunto un'accuratezza paragonabile a quella dei modelli specifici, addestrati sui dati dell'impianto. Nella stima della vita utile residua li hanno superati. Sui segnali di una fresatrice e nell'individuazione delle anomalie sono stati invece più accurati i modelli specifici. Tra gli sviluppi indicati dagli stessi studi ci sono l'elaborazione congiunta dei segnali di sensori diversi e previsioni accompagnate dal loro grado di affidabilità, che potrebbe aiutare a riconoscere anomalie e misure mancanti.

Prevedere le misure dei sensori senza un modello per ogni sensore

In un impianto industriale migliaia di sensori rilevano valori in modo continuo e ad alta frequenza (Varverakis et al., 2026). Ogni sensore produce una serie temporale, cioè una sequenza di misure registrate a intervalli regolari, come la temperatura di un motore misurata ogni secondo. Prevedere l'andamento di queste serie serve a stimare i consumi energetici, a pianificare la manutenzione e a riconoscere i comportamenti anomali di una macchina.

Di norma si addestra e si aggiorna un modello specifico per ogni sensore, cioè un programma di calcolo che ne stima i valori futuri a partire dalle misure registrate in passato. Secondo Varverakis et al. (2026), con migliaia di sensori questa impostazione richiede troppe risorse di calcolo e diventa difficile da gestire.

I modelli fondativi per serie temporali si ispirano ai grandi modelli linguistici (Varverakis et al., 2026), come quelli alla base degli assistenti conversazionali, addestrati su ampie raccolte di testi e impiegati poi per rispondere a domande nuove. Allo stesso modo, un modello fondativo è addestrato una sola volta su grandi insiemi di serie temporali di settori diversi e viene poi applicato a problemi di previsione nuovi. Un esempio è Chronos-2, sviluppato da Amazon Web Services con alcune università europee e statunitensi (Ansari et al., 2025).

Nella previsione zero-shot il modello stima l'andamento di una serie mai vista durante l'addestramento, a partire dalle sole misure recenti e senza alcuna modifica (Ansari et al., 2025). Per un sensore ciò significa ottenere una stima dei valori futuri senza addestrare un modello specifico. In alternativa, un modello fondativo si può adattare a un impianto con un addestramento supplementare sui suoi dati (Calisir, Leszek, 2026).

Secondo Varverakis et al. (2026), durante l'addestramento un modello fondativo apprende andamenti generali, come la stagionalità, la tendenza e la variabilità dei valori, e li individua poi in serie nuove. Per chi gestisce i dati di un impianto la previsione zero-shot semplificherebbe quindi l'elaborazione delle misure, ridurrebbe il lavoro di installazione e manutenzione dei modelli e permetterebbe di integrare in tempi brevi nuovi sensori.

Test di riferimento e dati di fabbrica

Per valutare questi vantaggi occorre sapere quanto i modelli fondativi siano accurati sulle misure di un impianto. Di norma le loro prestazioni si misurano su test di riferimento, cioè raccolte comuni di serie temporali su cui si confrontano sistemi diversi. Uno di questi è GIFT-Eval, che comprende oltre 144.000 serie di sette settori (Aksu et al., 2024).

Gli autori di GIFT-Eval segnalano che alcuni modelli, tra cui Chronos, predecessore di Chronos-2, erano già stati addestrati su una parte delle serie del test. Il loro risultato può quindi apparire migliore di quanto sarebbe su serie nuove. Tra i settori di GIFT-Eval, inoltre, non figura la manifattura (Aksu et al., 2024).

Per sapere come si comportano questi modelli su impianti e macchine servono prove su dati industriali. Nel 2026 quattro studi ne hanno condotte, affiancando ai dati di fabbrica alcuni casi affini, come i consumi di edifici e i segnali di motori simulati. Due studi, uno dell'Università tecnica di Berlino (Calisir, Leszek, 2026) e uno dell'Università di Nicosia (Varverakis et al., 2026), hanno superato la revisione tra pari. Si tratta della valutazione di altri ricercatori che precede l'uscita su una rivista o negli atti di un convegno. Gli altri due, dell'ateneo di Erlangen-Norimberga (El-Ghoussani et al., 2026) e della National Taiwan University of Science and Technology (Wen, Chen, 2026), sono preprint, cioè lavori diffusi sull'archivio arXiv prima di questo esame.

Consumi energetici e vita utile residua

Il primo aspetto che incide sulla scelta tra un modello fondativo e un modello specifico è che cosa si vuole prevedere. Lo studio di Berlino, di Calisir e Leszek (2026), confronta tre modelli fondativi a codice aperto con modelli specifici statistici o di apprendimento automatico, cioè algoritmi che ricavano dagli esempi le regole di previsione. I casi esaminati sono un'acciaieria e una fresatrice a controllo numerico.

Nell'acciaieria i modelli dovevano prevedere il consumo energetico del giorno successivo. L'errore di previsione è lo scostamento medio tra valori previsti e misurati. Senza alcun adattamento, Chronos-2 e GTT, quest'ultimo addestrato anche su serie temporali industriali, hanno avuto un errore minore di quello dei modelli specifici che utilizzano solo i consumi passati. Con un adattamento ai dati dell'impianto, l'errore dei due modelli fondativi si è ridotto ancora (Calisir, Leszek, 2026).

Foto: DDEKK, Wikimedia Commons (CC0).

Il confronto cambia se il modello specifico riceve anche informazioni note in anticipo, come l'ora del giorno e il giorno della settimana. In questo caso CatBoost, un modello specifico di apprendimento automatico, ha registrato un errore minore di quello di Chronos-2 senza adattamento (Calisir, Leszek, 2026).

Un risultato simile a quello di Chronos-2 e GTT nell'acciaieria emerge fuori dalla fabbrica, sui consumi elettrici orari di 12 contatori di edifici, nello studio di Taiwan di Wen e Chen (2026). Il modello fondativo TimesFM, senza adattamento, ha previsto il consumo dell'ora successiva con l'errore minore, davanti a un modello specifico di apprendimento automatico addestrato sui dati dei contatori.

Lo studio di Erlangen-Norimberga riguarda la vita utile residua, cioè i giorni che mancano al prossimo guasto. Si basa sulle misure reali di due dispositivi, ciascuno con decine di grandezze rilevate, forniti da Nokia Solutions and Networks, per cui lavora uno degli autori (El-Ghoussani et al., 2026).

Per questa stima viene impiegato Chronos-2 senza adattamento. Il modello condensa le misure delle ultime ore di ciascun dispositivo in una sintesi numerica del loro andamento. Una piccola rete neurale, cioè un modello di apprendimento automatico, viene addestrata sulle date dei guasti riportate nei registri di manutenzione e stima poi da questa sintesi i giorni residui. Sul primo dispositivo l'errore medio è di 44 giorni, la metà degli 88 del migliore dei modelli specifici messi a confronto. Sul secondo dispositivo, dove il modello specifico più accurato ha un errore medio di 95 giorni, l'errore è di 64. Secondo El-Ghoussani et al. (2026) l'approccio è una valida alternativa ai modelli specifici addestrati da zero.

Lavorazioni meccaniche e anomalie

Sui segnali della fresatrice dello studio di Berlino i risultati si invertono. I modelli dovevano prevedere la corrente assorbita dal mandrino durante la lavorazione di blocchi di cera. Senza altre informazioni, solo GTT, dopo l'adattamento ai dati della macchina, ha registrato un errore minore di quello di una previsione che ripete il valore medio. Quando CatBoost riceve anche i parametri di lavorazione impostati sul controllo numerico, come velocità programmate, avanzamento e pressione di serraggio, il suo errore è inferiore di oltre un terzo a quello di GTT adattato. Secondo gli autori, il risultato di GTT, addestrato anche su serie industriali, indica che dati di addestramento affini al settore possono essere decisivi (Calisir, Leszek, 2026).

Lo studio di Taiwan ha esaminato anche l'individuazione delle anomalie, cioè dei comportamenti che si discostano dal funzionamento normale di una macchina. Il modello fondativo MOMENT, impiegato senza adattamento, è stato confrontato con piccoli modelli specifici addestrati sulle sole misure di funzionamento normale. Le prove sono state condotte su registrazioni sonore di pompe industriali integre o guaste e su motori aeronautici simulati dall'agenzia spaziale statunitense (NASA). Per i motori sono considerati anomali gli ultimi 30 cicli di funzionamento prima del guasto. In entrambi i casi i modelli specifici sono stati più accurati. Gli autori osservano che versioni più grandi di MOMENT o un suo adattamento potrebbero cambiare l'esito, e nel complesso giudicano limitati i vantaggi dei modelli fondativi nel loro studio (Wen, Chen, 2026).

Continuità delle misure

Contano anche le informazioni disponibili prima della previsione, come l'orario o i parametri di lavorazione. Le misure reali di un impianto sono spesso incomplete o disturbate. I sensori si guastano o restano senza alimentazione, la rete perde alcuni dati rilevati e le interferenze elettromagnetiche producono picchi anomali (Varverakis et al., 2026). Nelle procedure abituali, prima della previsione, si possono ricostruire i valori mancanti e filtrare quelli disturbati, operazioni che gli autori dello studio di Nicosia giudicano onerose. Se un modello fondativo restasse accurato anche con le misure grezze, questa fase si potrebbe semplificare.

Per verificarlo, Varverakis et al. (2026) hanno fornito a tre modelli fondativi non adattati misure con valori eliminati o alterati di proposito, senza ricostruirli. Le misure sono state raccolte su un banco di prova industriale per la circolazione dell'acqua, con otto sensori che rilevano un valore al secondo. Ogni previsione riguarda il minuto successivo e si basa sugli ultimi 10 minuti di misure. Una parte delle registrazioni contiene guasti reali del processo.

Rispetto alle previsioni con misure complete, la perdita casuale fino al 20% delle misure e i picchi isolati, cioè singoli valori anomali, aumentano l'errore medio al massimo del 3%. Un'interruzione di 400 misure consecutive corrisponde a quasi sette dei 10 minuti su cui si basa la previsione. In questo caso l'errore medio sugli otto sensori aumenta tra il 7,8% e l'11,1% nelle registrazioni senza guasti. Per TimesFM il peggioramento è maggiore nelle registrazioni con guasti reali e su un sensore con valori poco variabili. Per le interruzioni prolungate gli autori ritengono quindi giustificato ricostruire le misure mancanti prima della previsione (Varverakis et al., 2026).

Lo stesso gruppo ha valutato anche gli intervalli di previsione, cioè le fasce di valori entro cui la misura reale dovrebbe rientrare, in questo caso otto volte su dieci. Due modelli su tre forniscono fasce affidabili, mentre quelle di Chronos-2 risultano troppo strette sui segnali stabili e privi di guasti (Varverakis et al., 2026).

Risorse di calcolo

La scelta tra i due tipi di modello dipende inoltre dalle risorse di calcolo richieste. Nello studio di Taiwan MOMENT impiega in mediana 13,4 millisecondi per elaborare un blocco di misure consecutive, un piccolo modello specifico 0,3 millisecondi. Il file del modello specifico occupa 14 kilobyte, quello di MOMENT 138 megabyte. Gli autori avvertono che il rapporto tra i due tempi non va considerato un valore stabile (Wen, Chen, 2026).

Secondo Calisir e Leszek (2026), per i sistemi di controllo che richiedono previsioni ad alta frequenza i modelli che richiedono meno risorse di calcolo possono rappresentare un compromesso migliore tra accuratezza e tempi di elaborazione.

Risultati emersi e prossimi sviluppi

Impiegati senza adattamento, i modelli fondativi hanno raggiunto un'accuratezza paragonabile a quella dei modelli specifici nella previsione dei consumi energetici. Chronos-2, abbinato a una piccola rete addestrata sulle date dei guasti, ha registrato l'errore minore nella stima della vita utile residua dei due dispositivi (El-Ghoussani et al., 2026). I modelli specifici sono stati più accurati quando disponevano di informazioni note in anticipo, come l'orario nell'acciaieria e i parametri di lavorazione nella fresatrice, e nell'individuazione delle anomalie (Calisir, Leszek, 2026; Wen, Chen, 2026). Nello studio di Taiwan richiedevano inoltre meno tempo di elaborazione e meno memoria, e i suoi autori giudicano limitati i vantaggi dei modelli fondativi nelle loro prove.

Le perdite sparse di dati hanno inciso poco sull'accuratezza dei modelli fondativi, mentre le interruzioni prolungate l'hanno ridotta in modo più marcato. Due dei tre modelli valutati hanno fornito intervalli di previsione affidabili (Varverakis et al., 2026).

Una prima direzione di ricerca indicata dagli studi è l'elaborazione congiunta dei segnali di sensori diversi tra loro. El-Ghoussani et al. (2026), che hanno già impiegato decine di grandezze misurate, ne fanno un obiettivo dei lavori futuri. Varverakis et al. (2026) hanno analizzato ogni sensore separatamente e segnalano questo limite. Chronos-2, uno dei modelli del loro studio, è già progettato per trattare insieme più serie e informazioni note in anticipo (Ansari et al., 2025).

La seconda riguarda gli intervalli di previsione. El-Ghoussani et al. (2026) puntano a stimare in modo più affidabile l'incertezza delle previsioni. Varverakis et al. (2026) intendono verificare se dagli intervalli si possa riconoscere un'interruzione delle misure o un'anomalia.

La terza riguarda la preparazione delle misure. Varverakis et al. (2026) studieranno una ricostruzione meno onerosa dei valori mancanti, avviata solo quando il sistema rileva un'interruzione prolungata.

Fonti

Ansari, A. F. et al. (2025): Chronos-2: From Univariate to Universal Forecasting, preprint arXiv 2510.15821, 17 ottobre 2025

Aksu, T. et al. (2024): GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation, preprint arXiv 2410.10393, versione dell'11 novembre 2024

Calisir, C., Leszek, S. (2026): A comparison of open time-series foundation models for industrial manufacturing applications, atti di ESANN 2026, Bruges, aprile 2026

Wen, G.-H., Chen, K.-Y. (2026): Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study, preprint arXiv 2608.22968, 24 agosto 2026

El-Ghoussani, A., De Vita, M., Naumann, R., Belagiannis, V. (2026): Time-Series Foundation Model Embeddings for Remaining Useful Life Estimation, preprint arXiv 2606.11990, versione dell'11 agosto 2026

Varverakis, E., Michael, P., Trihinas, D. (2026): Evaluating the Robustness of Zero-Shot Time Series Models Against Data Degradation in Industrial Sensor Streams, Future Internet, 18(10), 550, 13 ottobre 2026