I temi della tesi sono la manutenzione predittiva, le reti neurali artificiali e la stima della vita utile residua di un macchinario attraverso tre di queste. Nel dettaglio, dapprima, sono state introdotte le varie tipologie di manutenzione, valutandone pro e contro e il meccanismo di funzionamento, arrivando a comprendere che, in talune situazioni, la soluzione predittiva è la migliore. Successivamente sono state introdotte le reti neurali artificiali, e anche in questo caso ne sono state viste varie tipologie: di base (MLP), ricorrente (RNN) e convoluzionale (CNN); in particolare quest'ultima è stata studiata sia in versione 1D che 2D. Successivamente, queste 3 reti (nello specifico per la convoluzionale, la versione 2D) sono state utilizzate per stimare la vita utile residua (RUL) di 2 motori a turboventola diversi appartenenti ad un dataset della NASA. Per fare ciò, è stata utilizzata la piattaforma di MATLAB. Dai risultati si evince come le reti di base e ricorsive diano buoni risultati, ma quella convoluzionale (in versione 2D) dia risultati ampiamente più precisi. Perciò, si riafferma che la manutenzione predittiva è fondamentale, e inoltre grazie alle nuove tecnologie sta divenendo sempre più facile da implementare; infine per la stima della vita utile residua si possono utilizzare con una buona precisione le reti neurali artificiali, e tra queste quella che ha dato risultati migliori è senza dubbio la convoluzionale 2D.

Stima della vita utile residua per la manutenzione predittiva mediante reti neurali

PAOLETTI, LORENZO
2020/2021

Abstract

I temi della tesi sono la manutenzione predittiva, le reti neurali artificiali e la stima della vita utile residua di un macchinario attraverso tre di queste. Nel dettaglio, dapprima, sono state introdotte le varie tipologie di manutenzione, valutandone pro e contro e il meccanismo di funzionamento, arrivando a comprendere che, in talune situazioni, la soluzione predittiva è la migliore. Successivamente sono state introdotte le reti neurali artificiali, e anche in questo caso ne sono state viste varie tipologie: di base (MLP), ricorrente (RNN) e convoluzionale (CNN); in particolare quest'ultima è stata studiata sia in versione 1D che 2D. Successivamente, queste 3 reti (nello specifico per la convoluzionale, la versione 2D) sono state utilizzate per stimare la vita utile residua (RUL) di 2 motori a turboventola diversi appartenenti ad un dataset della NASA. Per fare ciò, è stata utilizzata la piattaforma di MATLAB. Dai risultati si evince come le reti di base e ricorsive diano buoni risultati, ma quella convoluzionale (in versione 2D) dia risultati ampiamente più precisi. Perciò, si riafferma che la manutenzione predittiva è fondamentale, e inoltre grazie alle nuove tecnologie sta divenendo sempre più facile da implementare; infine per la stima della vita utile residua si possono utilizzare con una buona precisione le reti neurali artificiali, e tra queste quella che ha dato risultati migliori è senza dubbio la convoluzionale 2D.
2020
2021-10-12
Remaining useful life estimation for predictive maintenance using neural networks
File in questo prodotto:
File Dimensione Formato  
TESI-V2 (1).pdf

Open Access dal 12/10/2024

Descrizione: Documento di tesi definitivo
Dimensione 687.58 kB
Formato Adobe PDF
687.58 kB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/1333