| KEYWORD |
Neuronics (Artificial Neural Networks)
Design of a digital twin of an electrical drive using Machine Learning
Parole chiave CONTROLLO AUTOMATICO, DIGITAL TWIN, MACCHINE ELETTRICHE, MACHINE LEARNING, ARTIFICIAL NEURAL NETWORKS, MACHINE LEARNING, DEEP LEARNING, OTTIMIZZAZIONE, MATLAB, PYTHON, TURBINE EOLICHE
Riferimenti EROS GIAN ALESSANDRO PASERO, VINCENZO RANDAZZO
Gruppi di ricerca Neuronics (Artificial Neural Networks)
Tipo tesi SPERIMENTALE, SPERIMENTALE APPLICATA, SPERIMENTALE E DI SIMULAZIONE, SPERIMENTALE E MODELLISTICO
Descrizione La tesi mira a sviluppare una metodologia di controllo innovativa di azionamenti elettrici e convertitori di potenza basata sul Digital Twin (DT) e sul machine learning e/o sull'intelligenza artificiale (ML/AI) in grado di fornire diverse funzioni di controllo avanzate, come il monitoraggio dello stato, la stima dei parametri di incertezza, manutenzione predittiva, rilevamento e gestione dei guasti.
Il modello digitale in tempo reale riceve dati dal sistema fisico, come ambienti operativi, funzionalità, condizioni di lavoro, dati dei sensori e così via, attraverso interfacce o protocolli di comunicazione.
Il modello digitale in tempo reale elabora questi dati, utilizzando il machine learning e/o l’intelligenza artificiale (ML/AI), per aggiornarsi in tempo reale e inviare alcuni comandi di controllo per fornire ottimizzazione e supporto decisionale per i sistemi fisici. Monitorando continuamente i componenti in tempo reale, è possibile agire con una strategia diversa (es. manutenzione preventiva) in caso di stress improvviso del componente che porterebbe a rotture improvvise. Inoltre, nella prospettiva di un uso pervasivo di dispositivi di potenza ad ampio bandgap (Sic e Gan), l’approccio proposto consente di operare a tensioni, frequenze e temperature molto più elevate rispetto a quelle convenzionali. In effetti, l’apprendimento automatico è uno strumento molto potente per riconoscere modelli nei dati
(es. anomalie) e per rilevare (diagnosi) e prevenire (prognosi) guasti alla macchina. In questo senso è possibile evitare o ridurre la frequenza dei controlli periodici dei componenti, il che rappresenta un grande vantaggio soprattutto nei parchi eolici offshore dove la distanza rappresenta uno dei costi maggiori.
La metodologia proposta verrà implementata e applicata ad un caso reale come quello delle applicazioni eoliche offshore, fornendo il grande vantaggio di ridurre la manutenzione periodica del sistema di conversione di potenza. Grazie a ciò è possibile evitare o ridurre la frequenza dei controlli periodici dei componenti dei convertitori di potenza, il che rappresenta un grande vantaggio soprattutto nelle applicazioni eoliche offshore dove le distanze rappresentano uno dei costi maggiori. Il metodo proposto può essere facilmente applicato ad altri settori, quali quello automobilistico, aerospaziale, ferroviario, navale, marino, dove la progressiva evoluzione dalla distribuzione idropneumatica a quella elettrica ha posto severi requisiti sull'affidabilità dei componenti elettronici di potenza. sistema.
Conoscenze richieste passione per il lavoro di tesi. se avete comptenze di reti neurali, deep learning e macchine elettriche può essere utile. altrimenti forniremo noi tutto il materiale
Scadenza validita proposta 23/02/2025
PROPONI LA TUA CANDIDATURA