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.

Ultime news

05/07/2022
Consigli per un e-commerce di successo.

Il numero di consumatori che decide di acquistare online è in costante crescita: ormai i consumatori si sentono a loro agio a usare Internet per fare acquisti, la fiducia verso il digitale è aumentata, perciò curare ogni aspetto del proprio sito e-commerce è importante per crearsi una forte presenza online e favorire il buon andamento delle vendite.Ecco perché vanno tenute a mente queste best practices per aumentare le conversioni del proprio e-commerce:Comprendere i clienti e personalizzare la loro esperienza, attraverso l’analisi della buyer personasCreare un’interfaccia utente semplificata per consentire agli utenti di passare facilmente da un prodotto all’altroOttimizzare il sito per i dispositivi mobile dato che la tendenza ad acquistare attraverso essi è in aumentoUsare immagini accattivanti e video dimostrativi del prodotto per coinvolgere gli utentiAggiungere la barra di ricerca per consentire agli utenti di filtrare le ricerche in base alle loro preferenzeAbilitare la visualizzazione dei “prodotti visti di recente” in modo che si possano dare anche consigli sui prodotti da acquistare simili o correlati ad essiOffrire opzioni come spedizione gratuita per acquisti superiori ad un importo specifico e/o campioni di prodotti gratuiti per presentare la gamma di prodotti e per attirare i clienti su un determinato prodottoCurare il check-out dell’e-commerce per migliorare il tasso di conversione ed evitare l’abbandono dei carrelliCreare programmi fedeltà per motivare le persone a registrarsi al sito e diventare clienti abitualiCreare una pagina FAQ per rispondere ai dubbi dei clienti riguardo le politiche di spedizione e resoFornire un servizio clienti disponibile via telefono, email e chat dal vivoAbilitare le recensioni dei clienti, in modo che possano valutare i prodotti e invogliare altri ad acquistare dall'e-commerceDare priorità alla SEO per raggiungere la vetta delle classifiche di Google in base alle ricerche relative ai prodotti venduti sull'e-commerce