Tecniche di rilevazione dei guasti nel CONDITION MONITORING
Nella fase di implementazione di un algoritmo in un sistema basato sul condition monitoring, sono due i fattori di cui tenere conto: il primo è il rilevamento di eventuali guasti, il secondo è la loro diagnostica. Per ognuna di queste due fasi esiste una tecnica di rilevamento: Data-Driven specifica per la fase di rilevamento e Model-Based per la diagnostica.Le tecniche basate sui dati (Data-Driven) non sono correlate al sensore, ma agli input, e forniscono fondamentalmente una metrica di somiglianza tra i dati. Quelle di machine learning possono essere un esempio di tecniche basate sui dati. Per essere implementate richiedono una fase di training, in cui viene definito il set di dati previsto per componenti sani e difettosi, e una fase di test ovvero l'applicazione delle tecniche di machine learning ai nuovi dati di input. Una volta implementate, le tecniche di machine learning non richiedono elevati sforzi computazionali e restituiscono una classificazione veloce dei nuovi dati di input. Per questi motivi, sono particolarmente adatti per il cloud-computing e possono essere utilizzati per il cloud-processing.Le tecniche che si basano sui modelli (Model-Based) possono essere spiegate attraverso la definizione proposta da Venkatasubramanian, professore della Columbia University, per cui queste tecniche richiedono una conoscenza a priori dell'insieme dei guasti e della relazione tra cause ed effetti. Questa relazione viene sviluppata utilizzando modelli dinamici o di frequency-response. Venkatasubramanian inoltre rileva due tipologie di modelli, sviluppati entrambi sulla conoscenza del processo: qualitativi e quantitativi. “Nei modelli quantitativi questa comprensione è espressa in termini di relazioni funzionali matematiche tra gli input e gli output del sistema. - spiega - Al contrario, nelle equazioni del modello qualitativo queste relazioni sono espresse in termini di funzioni centrate su diverse unità del processo”.A causa della complessità e del tempo di calcolo che esigerebbero, le tecniche basate su modelli sono particolarmente adatte per il calcolo off-line di specifici sottoinsiemi di dati. I risultati sono generalmente migliori di quelli ottenuti con tecniche basate sui dati, poiché la descrizione della causa del guasto è meglio identificata. L'analisi basata sui dati è utile per lo sviluppo tecnico delle componenti, al fine di ottimizzare la geometria e massimizzare la durata prevista degli stessi. Un criterio di scelta potrebbe essere il livello di dettaglio richiesto, tuttavia lo sviluppo di una tecnica basata su modelli richiede più tempo di un modello basato sui dati.Non è possibile indicare una metodologia di sviluppo comune che potrebbe essere estesa a un sistema in assoluto, ma è grazie alla letteratura in merito che possono essere approfondite queste tematiche compiendo così la scelta più coerente con il sistema.

Nella fase di implementazione di un algoritmo in un sistema basato sul condition monitoring, sono due i fattori di cui tenere conto: il primo è il rilevamento di eventuali guasti, il secondo è la loro diagnostica. Per ognuna di queste due fasi esiste una tecnica di rilevamento: Data-Driven specifica per la fase di rilevamento e Model-Based per la diagnostica.
Le tecniche basate sui dati (Data-Driven) non sono correlate al sensore, ma agli input, e forniscono fondamentalmente una metrica di somiglianza tra i dati. Quelle di machine learning possono essere un esempio di tecniche basate sui dati. Per essere implementate richiedono una fase di training, in cui viene definito il set di dati previsto per componenti sani e difettosi, e una fase di test ovvero l'applicazione delle tecniche di machine learning ai nuovi dati di input. Una volta implementate, le tecniche di machine learning non richiedono elevati sforzi computazionali e restituiscono una classificazione veloce dei nuovi dati di input. Per questi motivi, sono particolarmente adatti per il cloud-computing e possono essere utilizzati per il cloud-processing.
Le tecniche che si basano sui modelli (Model-Based) possono essere spiegate attraverso la definizione proposta da Venkatasubramanian, professore della Columbia University, per cui queste tecniche richiedono una conoscenza a priori dell'insieme dei guasti e della relazione tra cause ed effetti. Questa relazione viene sviluppata utilizzando modelli dinamici o di frequency-response. Venkatasubramanian inoltre rileva due tipologie di modelli, sviluppati entrambi sulla conoscenza del processo: qualitativi e quantitativi. “Nei modelli quantitativi questa comprensione è espressa in termini di relazioni funzionali matematiche tra gli input e gli output del sistema. - spiega - Al contrario, nelle equazioni del modello qualitativo queste relazioni sono espresse in termini di funzioni centrate su diverse unità del processo”.
A causa della complessità e del tempo di calcolo che esigerebbero, le tecniche basate su modelli sono particolarmente adatte per il calcolo off-line di specifici sottoinsiemi di dati. I risultati sono generalmente migliori di quelli ottenuti con tecniche basate sui dati, poiché la descrizione della causa del guasto è meglio identificata. L'analisi basata sui dati è utile per lo sviluppo tecnico delle componenti, al fine di ottimizzare la geometria e massimizzare la durata prevista degli stessi. Un criterio di scelta potrebbe essere il livello di dettaglio richiesto, tuttavia lo sviluppo di una tecnica basata su modelli richiede più tempo di un modello basato sui dati.
Non è possibile indicare una metodologia di sviluppo comune che potrebbe essere estesa a un sistema in assoluto, ma è grazie alla letteratura in merito che possono essere approfondite queste tematiche compiendo così la scelta più coerente con il sistema.