Towards the improvement of learning mechanisms for machine energy consumption models

Having a model of a system can be beneficial for several reasons. In particular, having an energy consumption model of a machine can offer many benefits because it can help to improve efficiency, reduce costs, facilitate resource planning and management, plan predictive maintenance, and contribute to reach operational and environmental goals. In scientific literature, over the years, many ways to model the energy consumption of a machine were presented. This thesis applies an existing algorithm, the L*{SHA}, to real-world data, collected from a Computer Numerical Control (CNC) machine, to analyze its weaknesses in this specific case. The result of the algorithm is a Stochastic Hybrid Automaton (SHA), which is a flexible mathematical tool, that does not require much information to build an accurate representation of a system and can adapt well to different cases. However, because of the characteristics of the machining operations, the collected data are variable, so the ones used for learning may not be representative of all the possible cases. This may cause the problem of trace incompatibility. In this work, an analysis of such phenomenon is presented, along with a classification and a generalization of the possible incompatibilities. Some solutions to this problem that would make the automata more flexible and powerful are then proposed. In particular, a first solution that solves incompatibility by acting on the traces instead of on the automaton is reported. This thesis lays the groundwork for future expansions of the algorithm, paving the way for further advancements and improvements.

Avere un modello di un sistema può essere vantaggioso per diverse ragioni. In particolare, avere un modello del consumo energetico di una macchina può offrire numerosi benefici perché può contribuire a migliorarne l'efficienza, ridurre i costi, agevolare la pianificazione e la gestione delle risorse, pianificare la manutenzione predittiva e contribuire al raggiungimento degli obiettivi operativi ed ambientali. Nella letteratura scientifica, nel corso degli anni, sono stati presentati molti modi per modellare il consumo energetico di una macchina. Questa tesi applica un algoritmo esistente, il L*{SHA}, a dati del mondo reale, raccolti da una macchina a controllo numerico (CNC), per analizzarne i punti deboli in questo caso specifico. Il risultato dell'algoritmo è un Automato Ibrido Stocastico (SHA), che è uno strumento matematico flessibile, che non richiede molte informazioni per costruire una rappresentazione accurata di un sistema e si adatta bene a casi diversi. Tuttavia, a causa delle caratteristiche delle operazioni di lavorazione meccaniche, i dati raccolti sono variabili, quindi quelli utilizzati per l'apprendimento potrebbero non essere rappresentativi di tutti i casi possibili. Questo può causare il problema dell'incompatibilità delle tracce. In questo lavoro, viene presentata un'analisi di tale fenomeno, insieme a una classificazione e una generalizzazione delle possibili incompatibilità. Vengono poi proposte alcune soluzioni a questo problema che renderebbero gli automi più flessibili e potenti. In particolare, viene riportata una prima soluzione che risolve l'incompatibilità agendo sulle tracce anziché sull'automa. Questa tesi getta le basi per future espansioni dell'algoritmo, aprendo la strada a ulteriori sviluppi e miglioramenti.