A Markov chain model for dependability evaluation and fault prediction on UPS systems

Nowadays, electricity is one of the key assets in most of the activities. Just think of the importance of this power to companies, hospitals, or data warehouses where a blackout of a few minutes could cause injuries, businesses disruptions, or data loss. One of the solutions most used by companies to deal with outages involves the use of Uninterruptible Power Supply (UPS), electrical systems able to provide energy to a load when the input source fails. It is redundant to specify how essential these devices are and how much dependability is crucial to the system. Up to now, this last property is mainly guaranteed by specific and sophisticated design techniques, and by log files generated automatically to keep track of how the system behaves. Usually, the files are manually managed by the maintenance service, that has the purpose of locating and replacing the damaged components. Since this approach is mostly manual and has several limitations in terms of prediction capabilities, the need came to derive automatic techniques for analysing the generated data and creating estimates on how the system will behave in the future. Without any knowledge of the domain and of the system, by using Artificial Intelligence techniques. In this thesis we build a model that tries to capture the events leading to the failures and to predict the happening of malfunctions, allowing an operator to repair the system before it fails. We focus our attention on Markov chain models, and through the thesis, we discuss the operations performed to build the models in our application. In the end, we develop an easy-to-use software program able to compute and display the models.

L’energia elettrica è una delle risorse chiave per la maggior parte delle attività. Basta pensare alla sua importanza per le aziende, gli ospedali o i data warehouse dove un blackout di qualche minuto può causare infortuni, danni economici o perdita di dati. Una delle soluzioni più usate per contrastare le interruzioni di energia elettrica consiste nell’utilizzo dei gruppi di continuità (UPS), sistemi elettrici capaci di fornire elettricità al carico quando la sorgente non funziona. È superfluo specificare come questi dispositivi siano essenziali e come l’affidabilità sia un aspetto fondamentale di questi sistemi. Ad oggi quest’ultima proprietà è garantita da specifiche e sofisticate tecniche di progettazione e da file di registro generati automaticamente per tenere traccia del comportamento del sistema. I file solitamente vengono controllati manualmente dal servizio di manutenzione che ha il compito di sostituire eventuali componenti danneggiati. Dato che queste tecniche manuali hanno diverse limitazioni in termini di previsione dei malfunzionamenti futuri, è sorto il bisogno di creare un metodo automatico capace di analizzare i dati generati e fornire stime di come il sistema si comporterà in futuro. Senza nessuna conoscenza di dominio ed utilizzando tecniche di Intelligenza Artificiale, in questa tesi costruiremo un modello del sistema capace di catturare le dipendenze fra i guasti e prevedere l’arrivo di malfunzionamenti, permettendo quindi ad un operatore di riparare il sistema prima che si guasti. Concentreremo la nostra attenzione sulle catene di Markov e, durante la tesi, descriveremo le operazioni compiute per creare il modello nel caso della nostra applicazione a sistemi UPS. Infine, svilupperemo un programma software capace di generare e visualizzare i modelli.