Deep learning for fault detection in complex mechanical systems

This work aims to identify anomalous working conditions in various types of complex mechanical systems. The thesis explores different approaches for addressing this challenge. The first one is the model-based approach, which involves employing a mathematical representation of the system, by integrating a physical understanding of the system within the monitoring framework. In contrast, data-driven approaches rely on signal processing techniques and do not require explicit models. In particular, Machine learning algorithms play a crucial role in leveraging this data across different domains to improve fault detection and prediction capabilities. Hence, the primary focus of this work is to develop a methodology that combines and overcomes the limitations of both the model-based and data-driven approaches. The goal is to create a unified framework that incorporates the strengths of both methods, allowing for a more comprehensive and effective approach to anomaly detection.

Questo lavoro mira a identificare condizioni di funzionamento anomale in vari tipi di sistemi meccanici complessi. La tesi esplora diversi approcci per affrontare questa sfida. Il primo è l'approccio basato sul modello, che prevede l'impiego di una rappresentazione matematica del sistema, integrando una comprensione fisica dello stesso all'interno del quadro di monitoraggio. Gli approcci basati sui dati, invece, si basano su tecniche di elaborazione del segnale e non richiedono modelli espliciti. In particolare, gli algoritmi di apprendimento automatico svolgono un ruolo cruciale nello sfruttare questi dati in diversi domini per migliorare le capacità di rilevamento e previsione dei guasti. Pertanto, l'obiettivo principale di questo lavoro è sviluppare una metodologia che combini e superi i limiti degli approcci basati su modelli e di quelli guidati dai dati. L'obiettivo è creare un quadro unificato che incorpori i punti di forza di entrambi i metodi, consentendo un approccio più completo ed efficace al rilevamento delle anomalie.