Riassunto analitico
La massima efficienza dei processi e dei componenti industriali è sempre stata una preoccupazione delle industrie e sono state intraprese molte iniziative per raggiungere tale obiettivo. Dalla prima rivoluzione industriale alla nuova quarta, l'obiettivo per le industrie è rimasto lo stesso: rendere la produzione più efficiente. Sono state sviluppate molte tecnologie per trasformare le industrie di ieri nelle fabbriche intelligenti di oggi, come sensori intelligenti, robot, macchine automatizzate o architetture software distribuite. Una macchina presente in quasi ogni industria è il motore elettrico, un elemento chiave della produttività di queste industrie. Questo tipo di motore trova un ampio spettro di domini di applicazione, come industria, robotica e automotive. Tuttavia, durante il funzionamento di questa macchina possono verificarsi molteplici guasti, che portano a conseguenze indesiderate. Poiché questi guasti possono avere conseguenze significativamente gravi, è fondamentale identificarli in tempo e prevedere quando la macchina alla fine andrà in guasto. Nel tempo sono state adottate diverse filosofie di manutenzione e il progresso tecnologico ha permesso di passare dalla manutenzione run-to-failure alla manutenzione predittiva. Quest'ultima è caratterizzata dall'uso di sensori intelligenti e di una potente intelligenza artificiale e classifica due tipi di guasti dei cuscinetti, ovvero allentamento e disallineamento dei cuscinetti, su un banco di prova per motori elettrici. L'approccio si basa su una combinazione di un Convolutional Autoencoder (CAE) e di un modello K-means, che migliora la robustezza del risultato. Questa soluzione è particolarmente utile perché consente un maggiore controllo sull'esperimento e una varietà di casi d'uso, rendendola
adatta ad applicazioni quali velocità e temperatura variabili. Il metodo ha dimostrato la sua efficienza nello svolgimento delle attività menzionate.
|
Abstract
The maximum efficiency of industrial processes and components has always been a concern of industries, and many initiatives have been taken to achieve such a goal. From the first industrial revolution to the newly called fourth one, the objective for industries has remained the same: make production more efficient. Many technologies have been developed to transform yesterday’s industries into today’s smart factories, such as smart sensors, robots, automated machines, or distributed software architectures. A machine found in almost every industry is the electric motor, a key element of the productivity of these industries. This type of motor finds a wide spectrum of application domains, such as industry, robotics, and automotive. However, multiple faults can occur during the functioning of this machine, leading to unwanted consequences. Since these faults can have significantly serious consequences, it is crucial to identify them in time and predict when the machine will eventually go to failure. Different maintenance philosophies have been adopted over the time, and the advancement in technology allowed to pass from run-to-failure maintenance to predictive maintenance. The latter is characterized by the use of intelligent sensors and powerful artificial intelligence (AI) algorithms. These models allow not only to detect if there is an anomaly in the motor and the type of anomaly it is, but also to predict the Remaining Useful Life (RUL) of interested components. However, they face multiple challenges, suchas temperature dependence, data quality, domain adaptation, learning transfer,
or scalability. This thesis presents a machine learning-based solution to detect and classify two types of bearing faults, namely bearing looseness and bearing misalignment, on an electric motor test-bench. The approach is based on a combination of a Convolutional Autoencoder (CAE) and a K-means model, which enhances the robustness of the result. This solution is particularly useful because it allows a greater control over the experiment and a variety of use cases, making it suitable for applications such as variable speed and temperature. The method proved its efficiency in carrying out the mentioned tasks.
|
