Strategie ibride per la manutenzione predittiva di macchinari industriali in condizioni di scarsità informativa

Rosa, Simone (2026) Strategie ibride per la manutenzione predittiva di macchinari industriali in condizioni di scarsità informativa, [Dissertation thesis], Alma Mater Studiorum Università di Bologna. Dottorato di ricerca in Meccanica e scienze avanzate dell'ingegneria, 38 Ciclo.
Documenti full-text disponibili:
[thumbnail of rosa_simone_tesi.pdf] Documento PDF (Italiano) - Richiede un lettore di PDF come Xpdf o Adobe Acrobat Reader
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato.
Download (3MB)

Abstract

La manutenzione predittiva è oggi uno strumento chiave per migliorare affidabilità, disponibilità e sostenibilità dei sistemi industriali. La sua applicazione in contesti reali però, è spesso limitata dalla ridotta disponibilità di dati sperimentali, dalla scarsità di esempi di guasto e dalla variabilità delle condizioni operative. In questo quadro, la conoscenza di dominio può contribuire a valorizzare i dati disponibili, rendendo le procedure di diagnosi e stima più robuste e interpretabili. Questa tesi indaga strategie per la manutenzione predittiva in scarsità di dati, integrando approcci data-driven, analisi del segnale e modelli fisici basati sulla conoscenza del dominio. Il lavoro è sviluppato attraverso tre casi studio con complessità crescente: il monitoraggio dello stato utensile in una brocciatrice, la diagnosi di perdite idriche in condotte interrate e l'analisi del gioco in una guida prismatica. Quest'ultimo viene affrontato secondo due formulazioni complementari: la classificazione discreta della severità del gioco mediante metodi supervisionati mutuati dalle applicazioni diagnostiche precedenti e la stima continua del parametro mediante integrazione tra risultati numerici e segnali simulati. I risultati mostrano che, nei problemi di classificazione diagnostica, la rappresentazione del segnale è decisiva. Segmentazione, feature engineering in domini differenti, selezione dei descrittori e costruzione di rappresentazioni derivate consentono di estrarre informazioni utili anche da dataset limitati e rumorosi. Nella stima parametrica, l'integrazione tra modello fisico e dati simulati permette invece di ricostruire una grandezza continua e interpretabile, collegata allo stato di salute del sistema. La tesi evidenzia come approcci data-driven e model-based non siano alternative contrapposte, ma strumenti complementari da combinare in funzione del problema, dei dati disponibili e del livello di interpretabilità richiesto. Il contributo principale consiste nel proporre una lettura unitaria di problemi di fault detection, diagnosi e stima parametrica, mostrando come la conoscenza di dominio possa trasformare dati sperimentali limitati in informazione utile per il monitoraggio industriale.

Abstract
Tipologia del documento
Tesi di dottorato
Autore
Rosa, Simone
Supervisore
Co-supervisore
Dottorato di ricerca
Ciclo
38
Coordinatore
Settore disciplinare
Settore concorsuale
Parole chiave
Condition Monitoring, Condition Based Maintenance, Tool Condition Monitoring, Water Leak Detection, Tool Wear Estimation, Clearance estimation, State estimation, Kalman filter, Machine learning, Classification, Artificial Intelligence, Fault detection, Hybrid approach
Data di discussione
15 Ottobre 2026
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza la tesi

^