Discrete wavelet transform per il monitoraggio dei cuscinetti: ottimizzazione del processo di denoising e classificazione del danneggiamento = Discrete wavelet transform for bearing monitoring: optimization of the denoising process and damage classification

La programmazione della manutenzione è elemento fondamentale nell'industria, dove eccessivi fermi-macchina possono portare a perdite economiche considerevoli. Per tale motivo si utilizzano sempre più sistemi di controllo attivo dei vari componenti e i cuscinetti volventi si possono identificare come una delle possibili cause di guasto sulle linee di produzione. Uno dei metodi più diffusi di monitoraggio è l'analisi delle vibrazioni. I segnali estratti risentono però di fonti di rumore che possono rendere poco chiara la natura degli stessi, per cui l'utilizzo di un metodo di denoising è fondamentale per una corretta identificazione e classificazione dello stato di funzionamento del sistema. Nel presente elaborato di tesi di laurea magistrale è stato sviluppato un algoritmo di ottimizzazione dei parametri necessari alla riduzione del rumore basato sulla decomposizione wavelet e sul processo di thresholding. Sono state confrontate differenti configurazioni di mother wavelet, metodo di valutazione di soglia e funzione di soglia, al fine di ottenere la miglior combinazione per l'identificazione del danneggiamento dei cuscinetti. I segnali elaborati sono stati sottoposti a un processo di classificazione per valutare l'effettiva efficacia dei parametri scelti per la riduzione del rumore.