Sviluppo di modelli di diagnosi per cuscinetti volventi mediante Simscape e Machine Learning = Development of diagnostic models for roller bearnigs utilizing Simscape and Machine Learning

La diagnosi intelligente dei guasti richiede una grande quantità di dati per addestrare gli algoritmi, il che può risultare impegnativo quando si affrontano scenari complessi come i cuscinetti a rotolamento. Creare grandi dataset da sistemi reali è spesso un processo laborioso e costoso. In alternativa, è possibile sviluppare modelli matematici per simulare le condizioni di funzionamento effettive e generare segnali che riproducano fedelmente le caratteristiche dell’equivalente fisico. L'obiettivo di questa tesi è la creazione di un modello digitale di un cuscinetto a rulli orientabile utilizzando la simulazione multibody. Il modello è in grado di rappresentare sia condizioni di funzionamento normali che di danneggiamento, modificando il modello di contatto, il quale usa un metodo a penalità per generare forze dalle compenetrazioni tra point cloud e superfici. Dalla simulazione vengono estratti dati di accelerazione in modo da replicare l'uso di un accelerometro su un macchinario. Questi dati vengono poi elaborati sia nel dominio del tempo che in quello della frequenza e classificati utilizzando un insieme di funzioni indicatore. Il dataset risultante viene utilizzato per addestrare una Macchina a Vettori di Supporto (SVM), che viene testata su dati sperimentali.