B2405 - PREDICTIVE MAINTENANCE

Conoscenze e abilità da conseguire

The course aims to provide the conceptual, methodological, and practical bases for the Predictive Maintenance of industrial equipment. At the end of the course, the student is able to apply the most advanced techniques based on Machine Learning and Neural Networks, characterizing Industry 4.0, of Condition Monitoring and Predictive Maintenance. Finally, significant cases related to industrial machines will be analyzed.

Contenuti

MACHINE LEARNING INDUSTRIAL AUTOMATION

MACHINE LEARNING per la DIAGNOSI DI GUASTI e la MANUTENZIONE PREDITTIVA degli Impianti e Macchinari Industriali

• Fondamenti di Machine Learning: principali algoritmi come Support Vector Machine, Random Forest, Naive Bayes e loro applicazione al learning di tipo Bagging, Boosting and Blended .
• Applicazione del Machine Learning all’Automazione Industriale
• Condition Monitoring (CM) e Manutenzione predittiva (MP) Inell’ambito della Smart Factory
• Sensorizzazione per ottenere Big Data degli impianti per il CM la MP: misurazione in tempo reale dati meccanici, elettronici, elettrici, dati su usura, surriscaldamento e consumi
• Applicazione ai Big Data di algoritmi di Machine Learning per il CM e la MP
• Fault Detection and Isolation, Remaining Useful Life (RUL) prediction
• Fault tolerant Control: mitigazione degli affetti dei guasti
• Illustrazione del pacchetto di Predictive Maintenance di Matlab/SImulink: programmazione, esempi e utilizzo sinergico del Toolbox di Machine Learning di Matlab
• Applicazione di tecniche di Machine Learning alla diagnosi di guasti nei cuscinetti a sfera mediante l'uso di accelerometri (dati reali): analisi del vibrazioni, spectrum e Envelope Spectrum delle vibrazioni, incremento del rapporto segnale/rumore mediante Kurtogramma, Support Vector Machine based classification of the fault (inner and/or outer race fault). Programmazione in Matlab/Simulink
• Applicazione di Tecniche di Machine Learning alla diagnosi di Guasti ed alla predizione del tempo di vita utile rimanente di una Pompa Idraulica mediante misure di pressione (dati da digital twin). Programmazione in Matlab/Simulink

DEEP LEARNING

• Convolutional Neural Network
• Transfer Learning: use of Google Net and Squeezenet
• Condition Monitoring by Deep Learning
  
• Application to Rolling Element Bearing Fault Diagnosis

NEURAL NETWORK INTELLIGENT CONTROL

Neuro Adaptive Control

• Fondamenti sulle reti Neurali: Radial Basis Function Neural Networks
• Fondamenti di Feedback Error Learning Control
• Fondamenti Sliding Mode Control

Applicazioni di Machine Vision ai Sistemi Industriali

• “Machine Vision” e “Imaging Transformations”
• “Multi Cameras-Based Visual Servoing for Industrial Robots”
• “Distributed Filtering for Sensorless Control”

Testi/Bibliografia

• Pedro Larrañaga et al, Industrial Applications of Machine Learning. Editore: Chapman & Hall/CRC Data Mining and Knowledge Series

Metodi didattici

Lezioni in presenza. Software Matlab/Simulink. Software CAM.

Modalità di verifica e valutazione dell'apprendimento

Colloquio orale con lo studente. Eventuale tesina facoltativa su argomento concordato con lo studente.

Il colloquio orale può avvenire anche on-line su piattaforma TEAMS o ZOOM

Strumenti a supporto della didattica

Computer in aula e laboratorio didattico

Visite didattiche in industrie locali del settore.

Orario di ricevimento

Consulta il sito web di Paolo Castaldi