Sviluppo di una metodologia per manutenzione predittiva real-time di un componente meccanico in ambito automotive = Development of a methodology for real-time predictive maintenance of a mechanical component in the automotive sector

Il seguente lavoro di tesi mira allo sviluppo di una metodologia per effettuare manutenzione predittiva in tempo reale di componenti comunemente impiegati in ambito automotive. Durante il funzionamento, gli elementi di un sistema meccanico sono sollecitati da carichi che differiscono per tipologia e intensità. Pertanto, in fase progettuale vengono opportunamente dimensionati affinché possano resistere agli sforzi attesi. In generale, i componenti di un assieme meccanico non possiedono una vita illimitata ed è opportuno eseguire delle ispezioni di controllo per verificare la corretta funzionalità delle varie parti e prevenire eventuali guasti. Le vetture odierne monitorano contemporaneamente lo stato di più gruppi meccanici, come ad esempio motore, impianto frenante, sospensioni e trasmissione. Infatti, le auto sono dotate di numerosi sensori per acquisire i dati provenienti da ciascun sistema, che una volta elaborati dai sistemi di controllo software embedded consentono di produrre una risposta adeguata alle richieste di potenza del conducente. Le diverse ECU (Electronic Control Unit) sono collegate ai trasmettitori e tra loro mediante il CAN-bus (Controller Area Network), ossia la rete informatica interna al veicolo (standard seriale per bus di campo). La crescente connettività dei dispositivi installati a bordo di un’automobile, le tecnologie IoV (Internet of Vehicles) e IoT (Internet of Things) rivoluzioneranno l’esperienza di guida. Evidentemente, l’idea di applicare tecniche di manutenzione predittiva ai componenti degli autoveicoli nasce dalla constatazione di una progressiva e inarrestabile digitalizzazione del settore automotive. In questo contesto, i dati raccolti da sensori IoT possono divenire gli input di modelli analitici o di algoritmi di intelligenza artificiale, che a partire dalle informazioni ricevute permettono di valutare lo stato di salute di un elemento meccanico. Di seguito si riassume brevemente il contenuto dell’elaborato di tesi. Nel capitolo iniziale si introduce il tema della manutenzione predittiva e si mostra la procedura seguita per la scelta del componente utilizzato come use-case per il progetto (la molla della sospensione di un veicolo di prova). Si prosegue descrivendo le caratteristiche del sensore laser impiegato per l’acquisizione dati. In aggiunta, si riporta uno schema dei cablaggi effettuati. In seguito, si presentano i modelli agli elementi finiti realizzati per simulare il componente staticamente e a fatica. Dopo aver elencato le principali tecniche di intelligenza artificiale, si illustra il procedimento adottato per costruire una rete neurale profonda capace di prevedere il danno subito dalla molla durante il funzionamento. Il modello surrogato viene addestrato attraverso un database ricavato dalla correlazione delle grandezze di input con quelle di output delle analisi agli elementi finiti. Infine, si riporta un esempio numerico in cui viene stimato il danneggiamento del componente a partire da uno spettro di carico irregolare acquisito mediante il trasmettitore laser. Si precisa che il disegno tridimensionale della sospensione è realizzato con NX Siemens, mentre i software utilizzati per le simulazioni agli elementi finiti sono Altair HyperMesh, Altair Optistruct e FEMFAT. D’altra parte, i codici per l’automatizzazione dei processi e per il training delle reti neurali sono scritti nel linguaggio di programmazione Python.