polito.it
Politecnico di Torino (logo)

Sviluppo di sistemi di manutenzione predittiva per impianti industriali tramite l’utilizzo di modelli di intelligenza artificiale = Development of predictive maintenance systems for industrial plants through the use of artificial intelligence models

Janira Petruzzi

Sviluppo di sistemi di manutenzione predittiva per impianti industriali tramite l’utilizzo di modelli di intelligenza artificiale = Development of predictive maintenance systems for industrial plants through the use of artificial intelligence models.

Rel. Marco Carlo Masoero. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Energetica E Nucleare, 2021

Abstract:

Nel presente lavoro di tesi sono stati sviluppati ed analizzati diversi casi studio pratici di progetti di manutenzione predittiva negli impianti industriali basati sull’utilizzo di modelli di intelligenza artificiale. Sfruttando il dato storico già disponibile, grazie alla sensorizzazione degli impianti, è stata dimostrata la fattibilità tecnica dell’approccio predittivo data driven nella manutenzione di centrale che permette di monitorare gli asset durante le condizioni di processo, con benefici quantificabili in termini di ore uomo risparmiate, gestione ottimizzata degli asset, aumento dell‘affidabilità, controllo dello stato di salute dei dispositivi e saving energetico. Grazie alla grande disponibilità del dato , sono stati sviluppati algoritmi computazionali performanti, in grado di apprendere le correlazioni tra i dati, senza la necessità di una programmazione tradizionale esplicita. L’allenamento del modello di intelligenza artificiale sui dati storici fornisce informazioni sia diagnostiche che prognostiche, utili nella definizione delle attività manutentive. Alcuni di questi modelli saranno esposti nei prossimi capitoli. La prima parte dello studio descrive gli attuali sistemi di monitoraggio energetico e le differenze sostanziali tra le varie tipologie di manutenzione, descrivendo la migrazione da manutenzione preventiva a predittiva, con particolare attenzione alla manutenzione predittiva di campo ed AI. Nella seconda parte del lavoro sono state analizzate le varie tipologie di algoritmi di machine learning, quali ad esempio reti neurali feed forward, ed è stata delineata la pipeline tipica di un modello di intelligenza artificiale, definendone tutte le possibilità di apprendimento esistenti. Nella terza ed ultima sezione dell’elaborato sono stati analizzati i progetti di manutenzione predittiva applicati a diversi casi studio: impianto a ciclo combinato, per il controllo delle performance e dello stato di salute degli asset esistenti; centrale idroelettrica, per la previsione dell’onda di piena entrante nel bacino mediante l’utilizzo di un modello di intelligenza artificiale, con l’obiettivo di ottimizzare la produzione di energia mediante la gestione controllata delle paratie

Relators: Marco Carlo Masoero
Academic year: 2020/21
Publication type: Electronic
Number of Pages: 85
Additional Information: Tesi secretata. Fulltext non presente
Subjects:
Corso di laurea: Corso di laurea magistrale in Ingegneria Energetica E Nucleare
Classe di laurea: New organization > Master science > LM-30 - ENERGY AND NUCLEAR ENGINEERING
Aziende collaboratrici: MIPU ENERGY DATA SRL
URI: http://webthesis.biblio.polito.it/id/eprint/18825
Modify record (reserved for operators) Modify record (reserved for operators)