Damage diagnosis and prognosis of a naval vessel propeller shaft line using surrogate modeling, Monte Carlo Markov Chain and particle filter

This work aims to implement Bayesian Approaches in the Field of Structural Health Monitoring (SHM) and Prognostics Health Management (PHM), with the final objective to create a Digital Twin – DT – to perform structural diagnosis and residual life predictions of a Naval Vessel Shaft Line. Additionally, this implementation highlights huge potential in the development of smart Predictive Maintenance strategies. A set of cracks has been modelled in the Shaft Line using Abaqus. Following, Multibody Simscape Simulations have been run using Reduced Order Model – ROM – matrixes obtained from FEM frequency analysis and the Craig-Bampton technique. This Layout allowed to obtain synthetic measurements to run the algorithms. A first approach, used to perform damage identification, involved the Monte Carlo Markov Chain – MCMC, which was implemented to compute an approximation of the posterior distribution of the damage hidden state: the crack depth. As for the Prognosis objective, a Sequential Monte Carlo algorithm was used to perform predictions: the Particle Filter – PF. This method was provided sequential measurements created via Simscape Simulations. Predictions of the Remaining Useful Life of the structure were computed via Particle Swarm. For the purposes of allowing real-time execution, a computational fast Surrogate Model have been created by using Multi-Layer Perceptron ANNs. It was successfully trained on damage sensitive Features which were carefully selected after an accurate Feature Analysis phase. The DT Diagnosis capabilities resulted to be accurate, providing high level of precision and accuracy. Similarly, PF successfully reached the Prognosis objective for the DT: the Residual Life predictions trend clearly follows the real RUL with remarkable accuracy. Additionally, different metrics have been computed to analyse the Prognosis Performance. What resulted is an accurate RUL estimation, increasing in accuracy as more measures are processed and damage grows. Even though the results have not been validated experimentally, the results are considered very promising, considering the performance metrics computed.

Questo lavoro di tesi mira a implementare Metodi Bayesiani con l’obiettivo di progettare un Digital Twin – DT – in grado di effettuare diagnosi strutturale e prognosi sulla vita utile residua di un albero motore di una nave militare; il tutto con il calcolo dell’incertezza associata a ciascuna previsione. Inoltre, questo lavoro evidenzia l’alto potenziale di questi metodi per lo sviluppo di un’efficiente strategia di manutenzione di tipo predittiva. Un set di cricche è stato prima modellato sull’albero motore usando Abaqus. Successivamente, sono state eseguite simulazione Multibody Simscape usando matrici di ordine ridotto – ROM – ottenute dall’analisi FEM in frequenza e usando il metodo Craig-Bampton. Questo procedimento ha permesso di ottenere le misure necessarie per eseguire gli algoritmi implementati successivamente. Per sviluppare il DT in grado di effettuare diagnosi strutturale, è stato implementato l’algoritmo Monte Carlo Markov Chain per calcolare l’approssimazione della distribuzione a posteriori dello stato nascosto di danneggiamento: la profondità di cricca. Per quanto riguarda la Prognosi, è stato implementato un metodo Sequential Monte Carlo, noto anche come Particle Filter – PF. A questo algoritmo sono state fornite misure sequenziali ottenute mediante simulazioni Multibody Simscape. La stima della vita residua utile – RUL - è stata calcolata mediante Particle Swarm. Per ridurre il costo computazionale e permettere un’esecuzione real-time, entrambi gli algoritmi si avvalgono di un Modello Surrogato progettato usando reti neurali di tipo Multi-Layer Perceptron – MLP. Queste sono state allenate usando indicatori di danneggiamento, noti come Features, scelti opportunamente dopo un’accurata fase di Feature Analysis. La diagnostica mediante MCMC risulta essere promettente, fornendo alti livelli di precisione ed accuratezza nella stima dello stato di danneggiamento. Allo stesso modo, i risultati da PF soddisfano gli obiettivi di prognosi: le previsioni risultano essere fedeli al vero valore di RUL, ripercorrendone l’andamento con una buona accuratezza. Pur essendo stati validati solo numericamente, i risultati risultano essere molto promettenti viste le metriche di performance calcolate.