Design of the HUMS of a military vehicle based on a digital twin and artificial intelligence algorithms

Modern machinery systems are manufactured with increasing precision, it becomes critical to ensure reliability and operational safety. To guarantee long-lasting and reliable equipment it is required to improve the monitoring of its behavior during the operational life. Modern monitoring methods use a sensor network installed on the system, the signals are fed to a health and usage monitoring system (HUMS) to detect, diagnose and prognose damages. A HUMS delivering damage diagnosis and prognosis may then serve to implement condition-based maintainance (CBM) policies rather than the corrective or time-based ones. The use of CBM reduces the maintainance cost of the equipment and increases its availability since, thanks to the HUMS that estimates the residual useful life of a system, it is possible to schedule maintainance during non-productive periods. Aim of the thesis is to implement a model-based HUMS by using a digital twin (DT) for damage modelling and artificial intelligence (AI) algorithms for damage detection and diagnosis on the tower of the Centauro vehicle. To design a model-based HUMS a tool for modelling the effects of a structural damage on the monitored signals is needed. A DT replicates the output of the sensor network in both undamaged and in damaged conditions. A wide range of techniques for modelling the effects of structural damages on some features (Fast Fourier Transform (FFT), mean value) of the monitored signals are developed. The effects of different damages on some features of the monitored signals are simulated with the DT: • Bearing fault effect on the FFT of the current signal in the electric motor (EM) • Bearing lubricant wear effect on the mean value of the current signal in the EM • Gear pitting effect on the torsional stiffness of the gear coupling • Wear in the slots of a Geneva drive effect on the shape of the current signal in the EM By using the DT, a database relating the presence of a damage with signals’ features is obtained, this allows to estabilish a relationship among damage and monitored signals. The database is then used to train the HUMS for damage detection and diagnosis, to do so regression models and AI algorithms for pattern recognition are used.

I moderni sistemi meccanici sono prodotti con crescente qualità, diventa pertanto fondamentale garantirne una maggiore affidabilità e sicurezza. Per garantire sistemi affidabili e longevi è necessario migliorarne il monitoraggio durante la vita operativa. I moderni metodi di monitoraggio utilizzano una rete di sensori installata sul sistema, i segnali monitorati vengono inviati a un health and usage monitoring system (HUMS) per rilevare, diagnosticare e prognosticare i danneggiamenti. Un HUMS che fornisce diagnosi e prognosi del danno può essere usato per implementare strategie di condition-based maintainance (CBM) al posto di strategie correttive o time-based. L’uso della CBM riduce i costi di manutenzione del sistema e ne aumenta la disponibilità poiché, grazie all’ HUMS che stima la vita utile residua di un sistema, è possibile programmare la manutenzione durante periodi non produttivi. Scopo della tesi è l’implementazione di un HUMS basato su modelli fisici utilizzando un digital twin (DT) per la modellazione degli effetti dei danneggiamenti e algoritmi di intelligenza artificiale (IA) per il rilevamento e la diagnosi dei danneggiamenti sulla torre del veicolo Centauro. Per progettare un HUMS basato su modelli è necessario uno strumento per simulare gli effetti di un danno strutturale sui segnali monitorati. Un DT replica l’output della rete di sensori in condizioni sia sane che danneggiate. Una vasta gamma di tecniche è sviluppata per modellare gli effetti dei danneggiamenti su alcune features (Fast Fourier Transform (FFT), valore medio) dei segnali monitorati. Gli effetti di diversi danneggiamenti su alcune features dei segnali monitorati sono simulati con il DT: • Effetto di un danneggiamento sul cuscinetto sulla FFT del segnale corrente nel motore elettrico (ME) • Effetto dell’usura del lubrificante della ralla sul valore medio del segnale corrente nel ME • Effetto del pitting degli ingranaggi sulla rigidezza torsionale degli ingranaggi • Effetto dell’usura nelle asole della croce di Malta sulla forma del segnale corrente nel ME Utilizzando il DT si ottiene un database che correla la presenza di un danneggiamento con le features dei segnali. Il database viene quindi utilizzato per addestrare l’HUMS per il rilevamento e la diagnosi dei danni, per fare ciò vengono utilizzati modelli di regressione e algoritmi di IA.