Rotor loads prediction via virtual sensors : blending physics and AI

This thesis work presents a novel approach for rotor loads prediction via virtual sensors that blend physics-based modelling and artificial intelligence (AI) techniques. The novelty in the proposed approach is to reconstruct the loads (in this work the lead-lag damper load) by means of merging AI predictions of aeromechanical parameters such as rotor trim with the rotor damper physical model coming from [75]. As we may know, rotor mechanical components are subjected to degradation, causing progressive damage and loss of functionality. And this is mainly driven by, loads, vibratory and relative displacements that these system experience. In order to estimate the component's residual useful life and current state of wear, prognostics plays a key role. However, in order to achieve the prognostics, knowledge of the causes of such degradation is required. The mentioned knowledge can be qualified by sensing loads and displacements of components. An estimation of these parameters could be obtained by installing conventional sensors in key areas that however could be difficult to reach. Moreover, the implementation of such sensors is also costly and time-consuming, coming into conflict with the original purpose to optimize maintenance operations. Virtual sensors enable a theoretical implementation of such technology by means of a reconstruction of loads and displacements. Implementing a data-driven approach has shown to be a viable path as demonstrated in previous studies. Additionally, the use of physics-informed prediction of these quantities allows a more reliable explanation with the ultimate scope to enable in the future not just a theoretical, but a practical and certifiable implementation of prognostics. The physics-based models capture the fundamental principles of rotorcraft component mechanics, while the AI algorithms learn from historical data to improve the prediction accuracy of blade displacements. The thesis work provides a detailed description of the virtual sensor development process, including the selection of input variables, model formulation, and parameter estimation. The effectiveness of the proposed approach will be demonstrated through simulation results, which show that virtual sensors can predict rotor component loads. The work concludes by highlighting the advantages of blending physics-based modelling and AI techniques in virtual sensor development for rotor loads prediction.

Questo lavoro di tesi presenta un approccio innovativo per la previsione dei carichi del rotore tramite sensori virtuali che combinano modellazione basata sulla fisica e tecniche di intelligenza artificiale (AI). La novità nell'approccio proposto consiste nel ricostruire i carichi (in questo lavoro il carico del dispositivo di smorzamento lead-lag) mediante la fusione delle previsioni AI dei parametri aeromeccanici come l'assetto del rotore con il modello fisico del dispositivo di smorzamento del rotore proveniente da [75]. Come ben sappiamo, i componenti meccanici del rotore sono soggetti a degradazione, che causa danni progressivi e perdita di funzionalità. Ciò è principalmente causato dai carichi, dalle vibrazioni e dagli spostamenti relativi che questi sistemi subiscono. Per stimare la vita utile residua del componente e il suo stato attuale di usura, la prognosi svolge un ruolo chiave. Tuttavia, per ottenere la prognosi, è necessaria la conoscenza delle cause di tale degradazione. La menzionata conoscenza può essere ottenuta mediante il rilevamento dei carichi e degli spostamenti dei componenti. Una stima di tali parametri potrebbe essere ottenuta installando sensori convenzionali in aree chiave, che potrebbero risultare tuttavia difficili da raggiungere. Inoltre, l'implementazione di tali sensori è costosa e richiede tempo, entrando in conflitto con l'obiettivo originale di ottimizzare le operazioni di manutenzione. I sensori virtuali consentono un'implementazione teorica di tale tecnologia mediante una ricostruzione dei carichi e degli spostamenti. L'implementazione di un approccio basato sui dati ha dimostrato di essere un percorso praticabile, come dimostrato da studi precedenti. Inoltre, l'uso di previsioni basate sulla fisica di tali quantità consente una spiegazione più affidabile con lo scopo ultimo di consentire in futuro non solo un'implementazione teorica, ma anche pratica e certificabile della prognostica. I modelli basati sulla fisica catturano i principi fondamentali della meccanica dei componenti dell'elicottero, mentre gli algoritmi AI apprendono dai dati storici per migliorare l'accuratezza delle previsioni degli spostamenti delle pale. Il lavoro di tesi fornisce una descrizione dettagliata del processo di sviluppo dei sensori virtuali, compresa la selezione delle variabili di input, la formulazione del modello e la stima dei parametri. L'efficacia dell'approccio proposto sarà dimostrata attraverso i risultati delle simulazioni, che mostrano che i sensori virtuali possono prevedere i carichi dei componenti del rotore. Il lavoro si conclude evidenziando i vantaggi della combinazione di modellazione basata sulla fisica e tecniche di AI nello sviluppo di sensori virtuali per la previsione dei carichi del rotore.