Data-driven methods to monitor systems subjected to degradation

In industrial and civil settings, advanced monitoring strategies are more than ever required to manage complex degradation processes, reduce downtime and ensure safety. This doctoral thesis presents a collection of four scientific articles that develop and evaluate novel data-driven and hybrid methods for monitoring systems subject to wear and other forms of deterioration. The work addresses the core challenges of measuring difficult-to-access process variables, handling inconsistent operating conditions, and ensuring robust, interpretable models. The first study proposes a semi-supervised approach to monitor automated production processes working under highly inconsistent conditions. By integrating neural-network-based soft sensors with anomaly detection, this method accurately identifies non-nominal states even in scenarios with significant variability—an essential feature for modern, high-throughput manufacturing systems. The second article focuses on plastic chain conveyors, introducing a new physical model to characterize wear in chain links and slide rails. Experimental validation demonstrates how vibration and temperature measurements can be leveraged for predictive maintenance decisions, offering a clearer understanding of key failure mechanisms. The third article investigates unsupervised deep-learning methods for detecting anomalies in vibration signals. By transforming raw time-series data into sparse spectrograms, convolutional autoencoders robustly identify subtle faults without requiring a labeled dataset. Finally, the fourth study examines the use of sparse identification of nonlinear dynamics (SINDy) to normalize health monitoring data, highlighting the value of sparse representations for robustness against noise and measurement uncertainties. Taken together, these contributions demonstrate the versatility and effectiveness of data-driven approaches for monitoring systems in industrial and civil engineering settings. By balancing physically based knowledge with advanced learning algorithms, the proposed methods offer interpretable and reliable solutions for real-time degradation detection and health management.

Nei contesti industriali e civili, le strategie avanzate di monitoraggio sono più necessarie che mai per gestire processi di degrado complessi, ridurre i tempi di fermo e garantire la sicurezza. Questa tesi di dottorato presenta una raccolta di quattro articoli scientifici che sviluppano e valutano nuovi metodi basati sui dati e approcci ibridi per il monitoraggio di sistemi soggetti a usura e altre forme di deterioramento. Il lavoro affronta le principali sfide legate alla misurazione di variabili di processo difficili da raggiungere, alla gestione di condizioni operative inconsistenti e alla costruzione di modelli robusti e interpretabili. Il primo studio propone un approccio semi-supervisionato per il monitoraggio dei processi produttivi automatizzati che operano in condizioni altamente variabili. Integrando sensori “software” basati su reti neurali con tecniche di rilevamento delle anomalie, questa metodologia permette di identificare con precisione stati non nominali anche in presenza di elevata variabilità, un aspetto essenziale per i moderni sistemi di produzione ad alto rendimento. Il secondo articolo si concentra sui trasportatori a catena in plastica, introducendo un nuovo modello fisico per caratterizzare l’usura nei collegamenti delle catene e nei binari di scorrimento. La validazione sperimentale dimostra come le misurazioni di vibrazione e temperatura possano essere utilizzate per prendere decisioni sulla manutenzione predittiva, offrendo una comprensione più chiara dei principali meccanismi di guasto. Il terzo articolo esplora l’uso di metodi di deep learning non supervisionati per il rilevamento di anomalie nei segnali di vibrazione. Trasformando i dati temporali grezzi in spettrogrammi sparsi, gli autoencoder convoluzionali identificano in modo robusto difetti sottili senza la necessità di un dataset etichettato. Infine, il quarto studio analizza l’impiego dell’identificazione sparsa delle dinamiche non lineari (Sparse Identification of Nonlinear Dynamics - SINDy) per la normalizzazione dei dati di monitoraggio della salute dei sistemi, evidenziando il valore delle rappresentazioni sparse nella resistenza al rumore e alle incertezze di misurazione. Complessivamente, questi contributi dimostrano la versatilità ed efficacia degli approcci basati sui dati per il monitoraggio dei sistemi in ambito industriale e ingegneristico civile. Bilanciando conoscenze fisiche con algoritmi avanzati di apprendimento, i metodi proposti offrono soluzioni affidabili e interpretabili per il rilevamento in tempo reale del degrado e la gestione della salute dei sistemi.