Advanced methods for health and usage monitoring systems: from smart materials to data-driven prognostics

The development of advanced methods for Structural Health Monitoring (SHM) and Health and Usage Monitoring System (HUMS) is presented in this PhD thesis. The aim of both SHM and HUMS is real-time monitoring; thus, modern strategies rely on machine learning frameworks to process large volumes of data and support real-time operations. For this reason, the research focuses on two main aspects: data availability and algorithms. Data availability is addressed in three different ways: self-sensing materials, high-fidelity models, and transfer learning. Transfer learning and high-fidelity models can address data scarcity by adapting prior knowledge to new applications and generating new data, respectively. Instead, self-sensing materials can be embedded in composite structures during manufacturing, reducing the need for external sensors and enabling monitoring of hard-to-access areas. The algorithmic part focused on machine learning methods and filtering techniques for damage detection, localisation, diagnosis, and prognosis. The methods have been developed, tested and validated against traditional approaches, experimental programmes and numerical simulations within the structural engineering framework. Thus, this thesis provides a comprehensive overview of the advanced research directions driving the development of SHM and HUMS systems and their application to real-world scenarios.

Lo sviluppo di metodi avanzati per il Structural Health Monitoring (SHM) e per l’Health and Usage Monitoring System (HUMS) è oggetto di ricerca in questa tesi di dottorato. L’obiettivo sia dello SHM sia dell’HUMS è il monitoraggio in tempo reale; pertanto, le strategie moderne si basano su framework di apprendimento automatico per elaborare grandi volumi di dati e supportare operazioni in tempo reale. Per questa ragione, la ricerca si concentra su due aspetti principali: la disponibilità dei dati e gli algoritmi. La disponibilità dei dati viene affrontata in tre modi differenti: materiali self-sensing, modelli ad alta fedeltà e transfer learning. Il transfer learning e i modelli ad alta fedeltà possono affrontare la scarsità di dati adattando conoscenze pregresse a nuove applicazioni e generando nuovi dati, rispettivamente. I materiali self-sensing, invece, possono essere integrati nelle strutture composite durante la fase di produzione, riducendo la necessità di sensori esterni e consentendo il monitoraggio di aree difficilmente accessibili. La parte algoritmica si è concentrata su metodi di apprendimento automatico e su tecniche di filtraggio per il rilevamento, la localizzazione, la diagnosi e la prognosi del danno. I metodi sono stati sviluppati, testati e validati rispetto ad approcci tradizionali, a programmi sperimentali e a simulazioni numeriche nell’ambito dell’ingegneria strutturale. Pertanto, questa tesi fornisce una panoramica completa delle direzioni di ricerca avanzate che guidano lo sviluppo dei sistemi SHM e HUMS e della loro applicazione in scenari reali.