A machine learning-based framework for automatic and interpretable health and usage monitoring of safety-critical air and ground vehicles

In the last decades, mechanical and electronic advancements have led to more and more sophisticated vehicles, providing unquestionable benefits. However, the complexity of these systems, often characterized by nonlinear dynamics, makes it harder to design effective health and usage monitoring systems. This is particularly true when dealing with detecting anomalies characterized by nonstationary behavior and transients. The lack of reliable models affects these systems' diagnostics and prognostics monitoring platforms, preventing failure detection and the transition to a condition-based maintenance scheduling. Even if this consideration is valid for any complex system, it is vital when dealing with vehicles, as their failures directly compromise people's safety. ewline Within this context, this thesis presents a set of methods to produce data-driven interpretable health and usage monitoring platform that rely on advanced machine- and deep- learning techniques. Different case studies dealing with air and ground vehicles' health and usage monitoring problems have been considered, yielding valuable insights into their logical decision-making process. In more detail, three vehicles have been tackled: helicopters, electric scooters, and motorcycles. For each of them, a specific monitoring platform has been produced, recognizing risky conditions such as component failure, extreme usage, and accidents. ewline Motivated by the experimental expertise, also, a novel methodological contribution is provided, defined as a Mixture of Experts. It allows to combine data-driven and physics-based models of the system to describe its behavior optimally. Moreover, a Mixture of Expert is ad-hoc designed to autonomously learn the confidence attribute, at each instant, to each included model based on the system operating conditions. The produced Mixture of Experts improves interpretability as it is also composed of physics-based models while still leveraging data-driven ones to cover all the operational envelope with a reliable reconstruction of the output of interest.

Gli sviluppi tecnologici degli ultimi decenni hanno permesso di realizzare veicoli sempre più sofisticati, sia da un punto di vista meccanico che elettronico. Nonostante questo abbia portato indiscutibili vantaggi, la crescente complessità che ne deriva, spesso caratterizzata da dinamiche fortemente non lineari, ha reso più difficile realizzare sistemi efficaci per il monitoraggio dello stato di salute ed usura di tali veicoli. Questo è particolarmente vero in circostanze anomale, come il verificarsi di un guasto o di un incidente, poichè i fenomeni in gioco compromettono l'attendibilità dei tradizionali approcci basati su modelli matematici della dinamica veicolo. La mancanza di sistemi efficaci compromette quindi lo sviluppo di diagnostica e prognostica, impedendo, in paritcolare, una transizione da una pianificazione degli interventi di manutazione basata sul tempo ad una basata sulle reali condizioni delle componenti. In questo contesto va ad inquadrarsi il lavoro presentato in questa tesi, che propone una serie di metodi per la diagnostica e la prognostica del veicolo capaci di accurate prestazioni avvalendosi di un approccio non basato su modelli matematici del sistema, ma direttamente sui dati misurati. In particolare, avanzate tecniche di apprendimento automatico, sia supervisionato che non supervisionato, sono state scelte, in base al problema approcciato, per realizzare sistemi affidabili per il monitoraggio dello stato di salute ed usura dei veicoli. Come casi di studio, sono stati considerati sia veicoli aerei, nel caso specifico gli elicotteri, che terrestri, in particolare monopattini elettrici e motocicli. Per ciascuno scenario, è stata quindi progettata una piattaforma di monitoraggio che ha dimostrato di essere accurata e precisa nel riconoscere condizioni anomale, come quelle che si verificano in presenza di un guasto e dinamiche pericolose, ad esempio quelle che precedono un incidente. Di seguito, viene anche presentato un contributo metodologico innovativo che vuole porsi come anello di congiunzione tra gli approcci tradizionali, basati su modelli matematici del veicolo o di suoi sottosistemi, e quelli più recenti, basati su avanzate tecniche di apprendimento automatico. In particolare, viene presentata una nuova formulazione di mistura di esperti, in grado di includere anche uno o più modelli matematici del sistema, qualora disponibili. Tale mistura è pertanto in grado di combinare sia modelli matematici che appresi dai dati, inferendo inoltre in modo autonomo il peso da attribuire alla predizione di ciascuno in funzione delle condizioni operative del sistema. La mistura presentata migliora considerabilmente l'interpretabilità del processo decisionale, grazie all'inclusione di modelli matematici, ma alcontempo garantisce elevate prestazioni poichè ricorre all'utilizzo di modelli data-driven in condizioni dove i primi falliscono o diventano inaccurati.