In the last years, the rapid technological development has led to the definition of new industrial paradigms such as Industry 4.0, which goal is to make modern factories smart by applying intelligent information processing approaches, communication systems and future-oriented techniques based on new technological concepts like the Internet of Things and Cyber-Physical Systems. If on one hand this technological revolution has opened new scenarios and perspectives, on the other hand the high complexity, automation, and flexibility required by such intelligent factories has brought new challenges in terms of reliability and safety. In this regard, the area of intelligent maintenance and diagnostics and prognostics of machinery has been lately looked at with increasing interest. In particular, the concept of Prognostics and Health Management (PHM) has experienced a remarkable diffusion, becoming object of study and attention of many industrial organizations. PHM represents one of the most cutting-edge engineering approaches in the field of the health assessment and maintenance of industrial systems. It consists in the application of suitable techniques that assist in the early prediction of the failure time of the systems of interest and the consequent application of a Condition-Based Maintenance (CBM) strategy, a management philosophy for which the decision of repairing or replacing is based on the current or future condition of assets. Despite the growing interest on PHM methods and the considerable amount of literature on specific techniques, it is a fact that their massive industrial application is still far away. Several key issues, in fact, remain to be addressed in order to make PHM more influential in industrial realities. In particular, it can be stated that currently most of the proposed PHM approaches are application or equipment specific and a clear systematic way to design and implement PHM does not exist. It follows that the development of PHM solutions towards the modern engineered systems, characterized by increasing complexity of the employed technologies and of the interactions among several subsystems, is an issue as it may be highly time- consuming and resources demanding, without the certainty of achieving meaningful results. The goal of this research activity is to propose technical solutions to eliminate the previously mentioned weaknesses in the current scenario which characterizes PHM methods. The first step in doing so is the development of an innovative systematic approach that aims to go beyond a structured and coherent application of PHM and to offer a methodological framework for a correct CBM- oriented product management along the entire life-cycle, from design to disposal. The proposed process starts with the identification of the most critical failure modes and associated mechanisms, which are preparatory to the application of sensors selection and optimization schemes. Finally, the measured signals obtained from the Condition Monitoring systems, defined accordingly to the indications of the previous steps, can be given in input to suitable PHM tools for diagnostic and prognostic scopes. Also for this last step, the choice of the proper algorithms has to be carried out taking into account different factors, such as number and type of monitored signals, computational sources and so on. Different predictive algorithms have been presented as innovative PHM solutions for complex systems. In particular, various Data-Driven (DD) approaches in the class of Machine Learning techniques, such as Artificial Neural Networks, Principal Component Analysis, Auto Associative Kernel Regression, and hybrid approaches based on a mixture of physics-based and statistical models have been explored. The proposed algorithms have been applied to two different case studies, namely Power Circuit Breakers and Photovoltaic (PV) plants, exhibiting very successful diagnostic and prognostic performances. Nevertheless, the employed DD models, relying only on the analysis of collected sensor data and/or statistical data, can be easily adapted to different application cases, making the set of algorithms presented in this work a valuable library of predictive algorithms, in principle applicable for PHM of a large set of heterogenous and complex systems. One of the constitutive pillars of PHM is represented by the prognostic process, whose most valuable output is the estimate of the Remaining Useful Life (RUL), that is how long the system of interest will take until a failure occurs. For this reason. one of the objectives of the research activity is the presentation of two different approaches for the representation and propagation of the uncertainty sources in prognostics. Both methods can be grouped in the class of similarity-based algorithms. Such algorithms are based on the hypothesis that a set of run-to-failure degradation patterns are collected in a reference library. An evaluation of similarity between the test degradation pattern (associated to the test item whose RUL has to be predicted) and the reference trajectory patterns in the database is then performed in order to estimate the RUL of the test item. This approach is particularly promising and suitable in the growing scenario inspired by the Industry 4.0 paradigm, where different machines and devices interact, communicate, learn from each other and share information (enabling modern concepts such as Big Data Analytics, Cloud Computing and Machine-To-Machine). The first proposed prognostic algorithm is a statistical algorithm which relies on the application of Monte Carlo simulations for the propagation over time of the uncertainty about the future degradation profile of the target product. The second prognostic approach, instead, estimates the test product RUL as weighted sum of the RULs of the reference products. The weight assigned to each reference product depends on the distance between their degradation curve and the one of the test item, and in this regard an element of novelty is introduced by handling the measurement uncertainty in a possibilistic framework, namely through a Random-Fuzzy Variable (RFV) approach, which allows to take into account, within the same mathematical framework, both the random and systematic contributions to measurement uncertainty. Another advantage derived from the application of the RFV approach is the possibility to include in the prognostic model also expert opinions and the associated epistemic uncertainty in a unique framework. A further innovation element of the proposed research is the development of a methodology for the reliability assessment of PV modules. The proposed scheme can be defined as a hybrid approach since it incorporates a statistical model and a physical model. The statistical technique relies on Monte Carlo simulations for the propagation of the stochasticity about failure modes occurrence time and their effects on the PV module performances; the physical model, instead, allows to take into account constructive and physical parameters of the module, such as the number of cells and the number of bypass diodes, but also to simulate more complex phenomena. From the literature analysis, it seems that this proposal is the first attempt in developing a model capable to include in the reliability analysis of PV modules both the effects of the environmental conditions (which directly affect the occurrence frequency and effect of failure modes) on their performances and the physics behind their functioning.

Gli ultimi anni sono stati caratterizzati da un rapido sviluppo tecnologico che ha portato alla definizione di nuovi paradigmi industriali. Un esempio è quello dell’Industry 4.0., il cui obiettivo è rendere le industrie intelligenti attraverso l’applicazione di nuovi approcci per l’elaborazione di informazioni, sistemi di comunicazioni e basati su moderni concetti tecnologici quali l’Internet of Things e Cyber-Physical Systems. Se da un lato questa quarta rivoluzione industriale ha aperto nuovi e promettenti scenari, dall’altro lato l’elevato grado di complessità, automazione e flessibilità caratterizzanti le suddette industrie si è tradotto in nuove sfide in termini di richiesta di affidabilità e sicurezza. In particolare, si è registrato un crescente interesse verso il tema di manutenzione intelligente e diagnostica e prognostica di sistemi. A questo riguardo, il concetto di Prognostica and Health Management (PHM) è stato oggetto di una notevole diffusione, diventando tematica di studio e analisi da parte di rilevanti realtà industriali. Le tecniche di PHM costituiscono un approccio ingengneristico all’avanguardia nell’ambito della valutazione dello stato di salute e manutenzione di sistemi industriali. Più specificatamente, esse hanno come obiettivo finale la predizione del tempo di guasto dei sistemi d’interesse. Tale predizione deve avvenire con sufficiente anticipo al fine di programmare in maniera efficace una strategia di manutenzione secondo condizione, meglio nota come Condition-Based Maintenance (CBM), secondo la quale la decisione di riparare o sostituire il sistema (o parte di esso) è basata sulle condizioni attuali o future dello stesso. Nonostante il crescente interesse che circonda i metodi PHM, così come la considerevole quantità di lavori a riguardo in letteratura, è un dato di fatto che la loro applicazione in maniera massiva a livello industriale sia ancora lontana. I fattori che ne limitano l’influenza sono diversi. Primo fra tutti, il fatto che la maggior parte delle proposte siano progettate ad hoc per specifici macchinari e applicazioni industriali, mentre manca un approccio sistematico che faccia da supporto alle fasi di design ed implementazione. Ne consegue che la definizione e sviluppo di soluzioni PHM rivolte ai moderni e complessi sistemi ingegneristici rappresenta una problematica di notevole rilevanza, dato che la loro implementazione potrebbe richiedere considerevoli risorse in termini di costo e tempo, senza tuttavia fornire garanzia di efficacia di risultati. Lo scopo dell’attività di ricerca presentata in questa tesi di dottorato è quello di proporre soluzioni tecniche che mirano alla risoluzione delle carenze caratterizzanti l’approccio PHM ed evidenziate in precedenza. Il primo passo per il raggiungimento di tale obiettivo è lo sviluppo di un innovativo approccio sistematico che vada oltre al raggiungimento di un’applicazione coerente e strutturata del PHM, e che bensì offra una metodologia per una gestione del prodotto, lungo l’intero ciclo di vita, orientata verso la strategia CBM. Il processo proposto inizia da una fase di identificazione dei modi di guasto più critici e dei relativi meccanismi di guasto. Tale step è propedeutico all’applicazione di strategie di selezione ed ottimizzazione del sistema di monitoraggio. Una volta definita la suite di sensori, i conseguenti Key Performance Indicators (KPIs) monitorabili rappresentano gli input per le tecniche di PHM più appropriate per fini diagnostici e prognostici. In particolare, è necessaria una selezione del set ottimale di algoritmi da utilizzare, basata su diversi fattori tra cui, ad esempio, il numero e la natura dei segnali osservati, il potere computazionale richiesto e le performance esibite. Oltre alla mappa procedurale appena descritta, ulteriori studi sono stati fatti per la definizione di innovativi algoritmi predittivi per applicazione di PHM per sistemi complessi. Più specificatamente, diversi approcci Data-Driven (DD) nella classe delle tecniche Machine Learning come Artificial Neural Network, Principal Component Analysis ed Auto Associative Kernel Regression, così come approcci ibridi, generati dalla combinazione di modelli physics-based e modelli statistici data-driven, sono stati esplorati. Gli algoritmi proposti sono stati applicati a due diversi casi studio, ossia interruttori industriali ed impianti fotovoltaici, esibendo notevoli performance sia nel caso diagnostico che in quello prognostico. Inoltre, il set di algoritmi predittivi DD presentati, bassandosi esclusivamente sull’analisi di dati di monitoraggio e/o dati statistici possono essere facilmente adattati a diversi casi applicativi, risultando così un’utile libreria di algoritmi predittivi, applicabili in principio ad un esteso insieme di sistemi complessi ed eterogenei tra loro. Uno dei pilastri costitutivi del PHM è rappresentato dall’attività prognostica, il cui output principale è la stima della vita utile rimanente, meglio nota come Remaining Useful Life (RUL). La RUL consiste nell’intervallo di tempo di vita rimanente dopo il quale si verificherà un guasto del sistema in considerazione, causandone l’impossibilità di operare secondo le modalità prescritte. Questa considerazione ha motivato la definizione nel corso dell’attività di ricerca di due innovativi approcci prognostici atti alla rappresentazione e propagazione delle fonti di incertezza che caratterizzano l’attività prognostica. Entrambe le metodologie proposte appartengono alla classe di algoritmi basati sulla similarità (similarity-based). Questi algoritmi sono fondati sull’ipotesi che un set di curve di degrado di riferimento, riferite a prodotti omogenei rispetto al prodotto di test (cioè quello per cui la stima di RUL è richiesta) sia disponibile. In particolare, le curve di degrado di tali prodotti sono stati monitorate fino al raggiungimento della condizione di guasto, cosicché il relativo tempo di guasto sia noto. Il processo alla base della stima della RUL del prodotto test è proprio la valutazione della similarità tra il suo profilo di degrado e quelli contenuti nel database di riferimento. È subito evidente come questo tipo di approccio si allinei perfettamente allo scenario industriale ispirato dal paradigma Industry 4.0., dove diversi sistemi comunicano, interagiscono e condividono informazioni (ponendo le basi per concetti contemporanei ed in diffusione come Big Data Analytics, Cloud Computing and Machine-To-Machine). Il primo approccio prognostico proposto è un algoritmo statistico che sfrutta l’applicazione di simulazioni Monte Carlo per la propagazione nel tempo dell’incertezza caratterizzante il futuro profilo di degrado del sistema in esame, Il secondo algoritmo prognostico, invece, fornisce una stima della RUL del prodotto test in termini di somma pesata delle RUL dei prodotti di riferimento. Il peso assegnato a ciascuno di tali prodotti dipende dalla distanza intercorrente tra il loro profilo di degrado e quello del prodotto test. L’elemento innovativo introdotto nella suddetta metodologia sta nella modalità di rappresentazione e propagazione dell’incertezza di misura. In particolare, essa viene elaborate all’interno di un contesto possibilistico, più specificatamente attraverso l’approccio delle Random-Fuzzy Variables (RFV). Tale approccio consente di tener conto, all’interno della stessa teoria matematica, di entrambi i contributi all’incertezza di misura, ossia quello casuale e quello sistematico. Un vantaggio aggiuntivo derivante dall’applicazione RFV sta nella possibilità di includere all’interno del modello prognostico anche l’opinione di esperti, la cui incertezza epistemica è rappresentabile in termini di RFV. Un ulteriore elemento di innovazione dell’attività ricerca proposta in questa tesi è lo sviluppo di una metodologia per valutazione dell’affidabilità di moduli fotovoltaici. L’algoritmo proposta rientra nella classe degli approcci ibridi, in quanto incorpora un modello statistico ed un modello fisico. In particolare, il modello statistico è fondato sull’applicazione di simulazioni Monte Carlo per la propagazione della stocasticità che caratterizza il tempo di occorrenza dei modi di guasto più critici associati ad i moduli fotovoltaici, ed i relativi effetti sulle loro performance. Il modello fisico considerato, invece, permetta di tener conto nella modellazione dei parametri costruttivi e fisici dei moduli, quali ad esempio il numero di celle e di diodi di bypass che li compongono, così come la simulazione di fenomeni più complessi. Da un’analisi di letteratura, si evince che la metodologia proposta rappresenta il primo tentativo di sviluppo di un modello che offra la possibilità di tener conto nell’analisi di affidabilità di moduli fotovoltaici sia gli effetti delle condizioni ambientali (che incidono in maniera diretta sulla frequenza di occorrenza e gli effetti dei modi di guasto) sulle loro performance che la fisica alla base del loro funzionamento.

Predictive algorithms for prognostics and health management of complex systems

LEONE, GIACOMO

Abstract

In the last years, the rapid technological development has led to the definition of new industrial paradigms such as Industry 4.0, which goal is to make modern factories smart by applying intelligent information processing approaches, communication systems and future-oriented techniques based on new technological concepts like the Internet of Things and Cyber-Physical Systems. If on one hand this technological revolution has opened new scenarios and perspectives, on the other hand the high complexity, automation, and flexibility required by such intelligent factories has brought new challenges in terms of reliability and safety. In this regard, the area of intelligent maintenance and diagnostics and prognostics of machinery has been lately looked at with increasing interest. In particular, the concept of Prognostics and Health Management (PHM) has experienced a remarkable diffusion, becoming object of study and attention of many industrial organizations. PHM represents one of the most cutting-edge engineering approaches in the field of the health assessment and maintenance of industrial systems. It consists in the application of suitable techniques that assist in the early prediction of the failure time of the systems of interest and the consequent application of a Condition-Based Maintenance (CBM) strategy, a management philosophy for which the decision of repairing or replacing is based on the current or future condition of assets. Despite the growing interest on PHM methods and the considerable amount of literature on specific techniques, it is a fact that their massive industrial application is still far away. Several key issues, in fact, remain to be addressed in order to make PHM more influential in industrial realities. In particular, it can be stated that currently most of the proposed PHM approaches are application or equipment specific and a clear systematic way to design and implement PHM does not exist. It follows that the development of PHM solutions towards the modern engineered systems, characterized by increasing complexity of the employed technologies and of the interactions among several subsystems, is an issue as it may be highly time- consuming and resources demanding, without the certainty of achieving meaningful results. The goal of this research activity is to propose technical solutions to eliminate the previously mentioned weaknesses in the current scenario which characterizes PHM methods. The first step in doing so is the development of an innovative systematic approach that aims to go beyond a structured and coherent application of PHM and to offer a methodological framework for a correct CBM- oriented product management along the entire life-cycle, from design to disposal. The proposed process starts with the identification of the most critical failure modes and associated mechanisms, which are preparatory to the application of sensors selection and optimization schemes. Finally, the measured signals obtained from the Condition Monitoring systems, defined accordingly to the indications of the previous steps, can be given in input to suitable PHM tools for diagnostic and prognostic scopes. Also for this last step, the choice of the proper algorithms has to be carried out taking into account different factors, such as number and type of monitored signals, computational sources and so on. Different predictive algorithms have been presented as innovative PHM solutions for complex systems. In particular, various Data-Driven (DD) approaches in the class of Machine Learning techniques, such as Artificial Neural Networks, Principal Component Analysis, Auto Associative Kernel Regression, and hybrid approaches based on a mixture of physics-based and statistical models have been explored. The proposed algorithms have been applied to two different case studies, namely Power Circuit Breakers and Photovoltaic (PV) plants, exhibiting very successful diagnostic and prognostic performances. Nevertheless, the employed DD models, relying only on the analysis of collected sensor data and/or statistical data, can be easily adapted to different application cases, making the set of algorithms presented in this work a valuable library of predictive algorithms, in principle applicable for PHM of a large set of heterogenous and complex systems. One of the constitutive pillars of PHM is represented by the prognostic process, whose most valuable output is the estimate of the Remaining Useful Life (RUL), that is how long the system of interest will take until a failure occurs. For this reason. one of the objectives of the research activity is the presentation of two different approaches for the representation and propagation of the uncertainty sources in prognostics. Both methods can be grouped in the class of similarity-based algorithms. Such algorithms are based on the hypothesis that a set of run-to-failure degradation patterns are collected in a reference library. An evaluation of similarity between the test degradation pattern (associated to the test item whose RUL has to be predicted) and the reference trajectory patterns in the database is then performed in order to estimate the RUL of the test item. This approach is particularly promising and suitable in the growing scenario inspired by the Industry 4.0 paradigm, where different machines and devices interact, communicate, learn from each other and share information (enabling modern concepts such as Big Data Analytics, Cloud Computing and Machine-To-Machine). The first proposed prognostic algorithm is a statistical algorithm which relies on the application of Monte Carlo simulations for the propagation over time of the uncertainty about the future degradation profile of the target product. The second prognostic approach, instead, estimates the test product RUL as weighted sum of the RULs of the reference products. The weight assigned to each reference product depends on the distance between their degradation curve and the one of the test item, and in this regard an element of novelty is introduced by handling the measurement uncertainty in a possibilistic framework, namely through a Random-Fuzzy Variable (RFV) approach, which allows to take into account, within the same mathematical framework, both the random and systematic contributions to measurement uncertainty. Another advantage derived from the application of the RFV approach is the possibility to include in the prognostic model also expert opinions and the associated epistemic uncertainty in a unique framework. A further innovation element of the proposed research is the development of a methodology for the reliability assessment of PV modules. The proposed scheme can be defined as a hybrid approach since it incorporates a statistical model and a physical model. The statistical technique relies on Monte Carlo simulations for the propagation of the stochasticity about failure modes occurrence time and their effects on the PV module performances; the physical model, instead, allows to take into account constructive and physical parameters of the module, such as the number of cells and the number of bypass diodes, but also to simulate more complex phenomena. From the literature analysis, it seems that this proposal is the first attempt in developing a model capable to include in the reliability analysis of PV modules both the effects of the environmental conditions (which directly affect the occurrence frequency and effect of failure modes) on their performances and the physics behind their functioning.
D'ANTONA, GABRIELE
23-apr-2018
Gli ultimi anni sono stati caratterizzati da un rapido sviluppo tecnologico che ha portato alla definizione di nuovi paradigmi industriali. Un esempio è quello dell’Industry 4.0., il cui obiettivo è rendere le industrie intelligenti attraverso l’applicazione di nuovi approcci per l’elaborazione di informazioni, sistemi di comunicazioni e basati su moderni concetti tecnologici quali l’Internet of Things e Cyber-Physical Systems. Se da un lato questa quarta rivoluzione industriale ha aperto nuovi e promettenti scenari, dall’altro lato l’elevato grado di complessità, automazione e flessibilità caratterizzanti le suddette industrie si è tradotto in nuove sfide in termini di richiesta di affidabilità e sicurezza. In particolare, si è registrato un crescente interesse verso il tema di manutenzione intelligente e diagnostica e prognostica di sistemi. A questo riguardo, il concetto di Prognostica and Health Management (PHM) è stato oggetto di una notevole diffusione, diventando tematica di studio e analisi da parte di rilevanti realtà industriali. Le tecniche di PHM costituiscono un approccio ingengneristico all’avanguardia nell’ambito della valutazione dello stato di salute e manutenzione di sistemi industriali. Più specificatamente, esse hanno come obiettivo finale la predizione del tempo di guasto dei sistemi d’interesse. Tale predizione deve avvenire con sufficiente anticipo al fine di programmare in maniera efficace una strategia di manutenzione secondo condizione, meglio nota come Condition-Based Maintenance (CBM), secondo la quale la decisione di riparare o sostituire il sistema (o parte di esso) è basata sulle condizioni attuali o future dello stesso. Nonostante il crescente interesse che circonda i metodi PHM, così come la considerevole quantità di lavori a riguardo in letteratura, è un dato di fatto che la loro applicazione in maniera massiva a livello industriale sia ancora lontana. I fattori che ne limitano l’influenza sono diversi. Primo fra tutti, il fatto che la maggior parte delle proposte siano progettate ad hoc per specifici macchinari e applicazioni industriali, mentre manca un approccio sistematico che faccia da supporto alle fasi di design ed implementazione. Ne consegue che la definizione e sviluppo di soluzioni PHM rivolte ai moderni e complessi sistemi ingegneristici rappresenta una problematica di notevole rilevanza, dato che la loro implementazione potrebbe richiedere considerevoli risorse in termini di costo e tempo, senza tuttavia fornire garanzia di efficacia di risultati. Lo scopo dell’attività di ricerca presentata in questa tesi di dottorato è quello di proporre soluzioni tecniche che mirano alla risoluzione delle carenze caratterizzanti l’approccio PHM ed evidenziate in precedenza. Il primo passo per il raggiungimento di tale obiettivo è lo sviluppo di un innovativo approccio sistematico che vada oltre al raggiungimento di un’applicazione coerente e strutturata del PHM, e che bensì offra una metodologia per una gestione del prodotto, lungo l’intero ciclo di vita, orientata verso la strategia CBM. Il processo proposto inizia da una fase di identificazione dei modi di guasto più critici e dei relativi meccanismi di guasto. Tale step è propedeutico all’applicazione di strategie di selezione ed ottimizzazione del sistema di monitoraggio. Una volta definita la suite di sensori, i conseguenti Key Performance Indicators (KPIs) monitorabili rappresentano gli input per le tecniche di PHM più appropriate per fini diagnostici e prognostici. In particolare, è necessaria una selezione del set ottimale di algoritmi da utilizzare, basata su diversi fattori tra cui, ad esempio, il numero e la natura dei segnali osservati, il potere computazionale richiesto e le performance esibite. Oltre alla mappa procedurale appena descritta, ulteriori studi sono stati fatti per la definizione di innovativi algoritmi predittivi per applicazione di PHM per sistemi complessi. Più specificatamente, diversi approcci Data-Driven (DD) nella classe delle tecniche Machine Learning come Artificial Neural Network, Principal Component Analysis ed Auto Associative Kernel Regression, così come approcci ibridi, generati dalla combinazione di modelli physics-based e modelli statistici data-driven, sono stati esplorati. Gli algoritmi proposti sono stati applicati a due diversi casi studio, ossia interruttori industriali ed impianti fotovoltaici, esibendo notevoli performance sia nel caso diagnostico che in quello prognostico. Inoltre, il set di algoritmi predittivi DD presentati, bassandosi esclusivamente sull’analisi di dati di monitoraggio e/o dati statistici possono essere facilmente adattati a diversi casi applicativi, risultando così un’utile libreria di algoritmi predittivi, applicabili in principio ad un esteso insieme di sistemi complessi ed eterogenei tra loro. Uno dei pilastri costitutivi del PHM è rappresentato dall’attività prognostica, il cui output principale è la stima della vita utile rimanente, meglio nota come Remaining Useful Life (RUL). La RUL consiste nell’intervallo di tempo di vita rimanente dopo il quale si verificherà un guasto del sistema in considerazione, causandone l’impossibilità di operare secondo le modalità prescritte. Questa considerazione ha motivato la definizione nel corso dell’attività di ricerca di due innovativi approcci prognostici atti alla rappresentazione e propagazione delle fonti di incertezza che caratterizzano l’attività prognostica. Entrambe le metodologie proposte appartengono alla classe di algoritmi basati sulla similarità (similarity-based). Questi algoritmi sono fondati sull’ipotesi che un set di curve di degrado di riferimento, riferite a prodotti omogenei rispetto al prodotto di test (cioè quello per cui la stima di RUL è richiesta) sia disponibile. In particolare, le curve di degrado di tali prodotti sono stati monitorate fino al raggiungimento della condizione di guasto, cosicché il relativo tempo di guasto sia noto. Il processo alla base della stima della RUL del prodotto test è proprio la valutazione della similarità tra il suo profilo di degrado e quelli contenuti nel database di riferimento. È subito evidente come questo tipo di approccio si allinei perfettamente allo scenario industriale ispirato dal paradigma Industry 4.0., dove diversi sistemi comunicano, interagiscono e condividono informazioni (ponendo le basi per concetti contemporanei ed in diffusione come Big Data Analytics, Cloud Computing and Machine-To-Machine). Il primo approccio prognostico proposto è un algoritmo statistico che sfrutta l’applicazione di simulazioni Monte Carlo per la propagazione nel tempo dell’incertezza caratterizzante il futuro profilo di degrado del sistema in esame, Il secondo algoritmo prognostico, invece, fornisce una stima della RUL del prodotto test in termini di somma pesata delle RUL dei prodotti di riferimento. Il peso assegnato a ciascuno di tali prodotti dipende dalla distanza intercorrente tra il loro profilo di degrado e quello del prodotto test. L’elemento innovativo introdotto nella suddetta metodologia sta nella modalità di rappresentazione e propagazione dell’incertezza di misura. In particolare, essa viene elaborate all’interno di un contesto possibilistico, più specificatamente attraverso l’approccio delle Random-Fuzzy Variables (RFV). Tale approccio consente di tener conto, all’interno della stessa teoria matematica, di entrambi i contributi all’incertezza di misura, ossia quello casuale e quello sistematico. Un vantaggio aggiuntivo derivante dall’applicazione RFV sta nella possibilità di includere all’interno del modello prognostico anche l’opinione di esperti, la cui incertezza epistemica è rappresentabile in termini di RFV. Un ulteriore elemento di innovazione dell’attività ricerca proposta in questa tesi è lo sviluppo di una metodologia per valutazione dell’affidabilità di moduli fotovoltaici. L’algoritmo proposta rientra nella classe degli approcci ibridi, in quanto incorpora un modello statistico ed un modello fisico. In particolare, il modello statistico è fondato sull’applicazione di simulazioni Monte Carlo per la propagazione della stocasticità che caratterizza il tempo di occorrenza dei modi di guasto più critici associati ad i moduli fotovoltaici, ed i relativi effetti sulle loro performance. Il modello fisico considerato, invece, permetta di tener conto nella modellazione dei parametri costruttivi e fisici dei moduli, quali ad esempio il numero di celle e di diodi di bypass che li compongono, così come la simulazione di fenomeni più complessi. Da un’analisi di letteratura, si evince che la metodologia proposta rappresenta il primo tentativo di sviluppo di un modello che offra la possibilità di tener conto nell’analisi di affidabilità di moduli fotovoltaici sia gli effetti delle condizioni ambientali (che incidono in maniera diretta sulla frequenza di occorrenza e gli effetti dei modi di guasto) sulle loro performance che la fisica alla base del loro funzionamento.
Tesi di dottorato
File allegati
File Dimensione Formato  
2018_04_PhD_Leone.pdf

non accessibile

Descrizione: Testo della tesi
Dimensione 8.56 MB
Formato Adobe PDF
8.56 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/139602