Riassunto analitico
Analisi e confronto di casi studio in cui veniva stimato il tempo di vita residua di un componente meccanico attraverso l'utilizzo del metodo matematico del modello nascosto di Markov.
Il presente lavoro di tesi affronta lo studio di metodi basati sull’utilizzo del cosiddetto modello nascosto di Markov (Hidden Markov Model, HMM) per definire in una maniera attendibile stato di salute e vita utile residua (Remaining Useful Life, RUL) di componenti meccanici mediante manutenzione predittiva e machine learning.
Nella prima parte viene descritta la manutenzione predittiva, cercando di mettere in risalto la sempre crescente importanza che questa tecnica sta assumendo nel mondo industriale contemporaneo dei Big Data e dell’Industria 4.0.
Per realizzare un quadro generale, vengono prima descritte le principali tecniche utilizzate nel monitoraggio dei componenti, e poi vengono illustrate le fasi per un corretto processo di manutenzione predittiva, senza tralasciare i possibili benefici derivanti da tale processo in ambito economico e di produttività.
Nella seconda parte vengono proposti alcuni casi studio presi in esame, descrivendone la metodologia, ovvero le fasi di cui si compone ciascuno studio, gli strumenti adottati e i relativi fondamenti teorici. Infine, vengono presentati i risultati raggiunti, discutendone la validità nel calcolo della stima della RUL.
Dai risultati degli studi presentati emerge chiaramente il motivo per cui il modello nascosto di Markov sta guadagnando sempre più popolarità nel settore della manutenzione predittiva. Questo è dovuto alle sue caratteristiche e peculiarità, tra cui la capacità eccellente di gestire grandi volumi di dati che descrivono lo stato di salute e le condizioni operative dei componenti. Grazie alla possibilità di essere modellato e addestrato, il modello fornisce informazioni precise sull’integrità o meno degli impianti, rilevando tempestivamente la presenza di eventuali guasti e malfunzionamenti imminenti.
Inoltre l’HMM, se implementato correttamente, risulta essere molto flessibile e adattabile alla diverse e sempre mutevoli condizioni operative del sistema (Es. Case Study 1: MoG-HMM; Case Study 2: DD-HSMM).
Gli studi mostrano come il modello nascosto di Markov venga applicato in condizioni stazionarie (la probabilità di transizione tra i diversi stati e la probabilità di emissione di osservazione di ciascuno stato restano costanti nel tempo) a distribuzioni di probabilità Gaussiane e non-Gaussiane, così da garantire l’adattabilità del modello considerato alle diverse tipologie dei dati (Es. Case Study 1 & Case Study 2: Distribuzione Gaussiana).
Nella parte finale del lavoro di tesi vengono riportate alcune considerazioni sulla validità dell’applicazione del modello nascosto di Markov nelle moderne tecniche manutentive ed eventuali accorgimenti da adottare.
|
