PRESENTAZIONE

Il corso fornisce le basi per una progettazione robusta di sistemi di interesse ingegneristico e relative procedure di monitoraggio e diagnostica, attraverso approcci deterministici e stocastici. Esempi pratici vengono derivati dai settori dell'ingegneria meccanica e dei sistemi energetici.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il modulo si propone di illustrare come la progettazione in condizioni di incertezza può aiutare nella modellazione e progettazione dei sistemi energetici. Nella prima parte del corso verranno trattati i fondamenti necessari della statistica. Successivamente verranno presentati diversi metodi di quantificazione dell'incertezza, partendo dal metodo di campionamento come Monte Carlo e proseguendo con diversi metodi approssimati, verrà presentata una panoramica della progettazione robusta, concentrandosi sull'applicazione del metodo di quantificazione dell'incertezza nei problemi di ottimizzazione. Nella seconda parte del corso verranno presentate le tecniche avanzate per il monitoraggio Data Driven. Entrambi i metodi verranno applicati a diversi casi di studio.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso ha lo scopo di illustrare i metodi di progettazione e di monitoraggio delle prestazioni in condizioni di incertezza, con casi applicativi specifici a sistemi meccanici ed energetici. La prima parte del corso coprirà i fondamenti necessari della statistica. Verranno quindi presentati diversi metodi di quantificazione dell'incertezza, partendo da un metodo di campionamento come Monte Carlo e proseguendo con diversi metodi approssimati. Verrà quindi presentata una panoramica del cosiddetto "robust design", concentrandosi sull'applicazione del metodo di quantificazione dell'incertezza nei problemi di ottimizzazione. Nella seconda parte del corso verranno presentate le tecniche avanzate per il monitoraggio basato sui dati. Sia i metodi di robust design che i metodi di diagnostica e monitoraggio saranno applicati a diversi casi studio.
 

Alla fine del corso lo studente sarà in grado di:

- affrontare e quantificare le incertezze che incidono su uno specifico problema di progettazione

- utilizzare metodi matematici per stimare l'incertezza nei risultati di progettazione

- condurre una progettazione sistematica dell'esperimento e trattare i problemi di progettazione in condizioni di incertezza

- applicare solide tecniche di progettazione a problemi di ingegneria

- riconoscere le strategie di diagnostica e di monitoraggio più comuni

- progettare un sistema di monitoraggio selezionando i parametri più rilevanti

- selezionare l'approccio di modellazione più promettente sulla base delle informazioni disponibili sul sistema

PREREQUISITI

capacità analitiche di base, gestione delle equazioni, capacità di programmazione informatica di base

MODALITA' DIDATTICHE

Lezioni frontali svolte dai docenti per spiegare concetti teorici e mostrare la loro applicazione a casi di studio ingegneristici e statistici.

Svolgimento, individuale o in gruppo, di esercitazioni al PC con l'ausilio dei software Microsoft Excel e MATLAB.

La frequenza non è obbligatoria.

Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente di Scuola per la disabilità all’inizio dell’insegnamento per concordare eventuali modalità didattiche che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali. I contatti del docente e referente di Scuola per la disabilità sono disponibili al seguente link Comitato di Ateneo per l’inclusione delle studentesse e degli studenti con disabilità o con DSA | UniGe | Università di Genova

PROGRAMMA/CONTENUTO

Parte A - Progettazione robusta di sistemi

Lezioni 1-2 - Introduzione, motivazioni e definizioni

Presentazione del corso: struttura e argomenti del corso, modalità di esame
Introduzione alla probabilità e alla statistica: definizioni, algebra degli insiemi, spazi probabilistici, variabili casuali (continue e discrete), funzione di densità di probabilità, funzione di massa di probabilità, aspettativa e varianza, distribuzioni discrete (uniformi) e continue (uniformi, normali, Weibull), concetti multivariati (vettori casuali, covarianza, probabilità congiunta, teorema di Bayes, indipendenza).

Lezione 3 - Stima dell'incertezza

Incertezza, sensibilità e analisi della varianza: definizioni (verifica e convalida, errori, tipi di incertezze), motivazioni, sfide e applicazioni della quantificazione dell'incertezza (UQ), analisi di sensibilità, analisi della varianza (partizionamento della somma dei quadrati, test F).

Lezione 4 - Quantificazione dell'incertezza e simulazioni Monte Carlo

Quantificazione dell'incertezza e simulazione Monte Carlo: analisi UQ diretta e inversa, metodi intrusivi e non intrusivi, campionamento e metodi approssimativi, simulazioni Monte Carlo, analisi dell'evoluzione dell'errore quadratico medio puro (MSPE).

Lezione 5 - Esercizio sulla simulazione Monte Carlo e sull'analisi MSPE

Applicazione su una trave a sbalzo in Matlab.

Lezione 6 - Approccio alla progettazione robusta

Metodi approssimati per l'UQ: analisi di sensibilità della risposta (RSA), RSA approssimativa, approssimazioni numeriche di media, varianza e sensibilità, scelta del passo di perturbazione, caos polinomiale.

Lezione 7 - Esercizio sulla RSA approssimata e sull'analisi di sensibilità

Applicazione su una trave a sbalzo in Matlab.

Lezione 8 - Progettazione di esperimenti e progettazione robusta

Progettazione di esperimenti (Design of Experiment - DoE), tecniche DoE (fattoriale completo, fattoriale frazionario, composito centrale, ipercubo latino), metodologia della superficie di risposta (RSM), ottimizzazione deterministica, algoritmi di ottimizzazione deterministica (ricerca lineare generica, regione di fiducia, Newton, quasi Newton, simplex), ottimizzazione vincolata, metodi di ottimizzazione vincolata (moltiplicatori di Lagrange, funzione di penalità, funzione di barriera), tecniche di risoluzione, ottimizzazione stocastica, ottimizzazione multi-obiettivo, fronte di Pareto, algoritmi di ottimizzazione stocastica (sciame di particelle, evolutivo e genetico), analisi di progettazione robusta, ottimizzazione di progettazione robusta multi-obiettivo, analisi di affidabilità.

Lezione 9 - Esercizio su progettazione di esperimenti e superfici di risposta
Applicazione su trave a sbalzo in Matlab.

Lezione 10 - Presentazione dei compiti finali
Presentazione dei compiti finali da svolgere per il superamento dell'esame.

Part B – Monitoraggio e Diagnostica

Lecture 1: Presentazione del processo di monitoraggio e diagnostica: obiettivi, ostacoli e metodi

Definizioni generali, strategie di manutenzione, applicazioni di monitoraggio, interazione tra sistemi di monitoraggio e controllo, progettazione di monitoraggio dei processi: laboratorio vs campo industriale

Lezione 2: Approcci industriale al monitoraggio e alla diagnostica

Definizioni secondo ISO 13372 2012: monitoraggio delle condizioni e diagnostica delle macchine; Monitoraggio delle condizioni; Diagnosi e prognosi; Sistemi esperti per il monitoraggio e la diagnosi di macchine rotanti

Lezione 3: Gestione dell'errore di misura: riconciliazione dei dati e rilevamento degli errori non-random

Introduzione agli errori di misurazione; Confronto dei metodi di validazione dei dati; Teoria DR e GED; formulazione del problema; Nuova tecnica contro approccio tradizionale; Esercizio VDI 2048

Lezione 4: Esercizio sulla riconciliazione dei dati

Soluzione per esercizio VDI 2048: soluzione lineare con moltiplicatore di Lagrange; Soluzione non lineare con programmazione quadratica sequenziale.

Lezione 5: Selezione della strategia di monitoraggio: osservazione rilevamento:

Modelli fisici e modelli basati sui dati; Esempio di approcci di rilevamento e identificazione dei guasti; Simulazione guasti;

Lezione 6: Gestione di data base di dimensioni elevate: analisi dei componenti principali

Teoria PCA; PCA per riduzione dimensionale; Esempi di PCA come modello di regressione.

Lezione 7: Selezione dei modelli di regressione

Esempi di modelli di regressione; Selezione di modelli e funzioni, tecnica per applicazioni basate sui dati; Valutazione della bontà di adattamento; Underfitting vs Overfitting; Esercizio su set di dati

Lezione 8: Gestione dei rischi in tempo reale abilitata dall'industria 4.0

Industria 4.0; Internet delle cose industriale; Digital twin; Digital Factory; Gestione del rischio nell'età dell'IIoT; Stato dell'arte dei controlli di sicurezza; Metodi di valutazione del rischio; Gestione del rischio in tempo reale.

TESTI/BIBLIOGRAFIA

• Spiegel, M.R., Schiller, L.J.(1999), Statistics, McGraw Hill, NYC
• Montgomery, D.C. (2000), Design and Analysis of Experiments, John Wiley & Sons, New York
• Ralph C. Smith (2013), Uncertainty Quantification: Theory, Implementation, and Applications
• T.J. Sullivan (2015), Introduction to Uncertainty Quantification”, Springer
• Ghanem, Higdon, Owhadi, (2017), Handbook of Uncertainty Quantification, Springer
• Souza de Cursi, Sampaio, (2015), Uncertainty Quantification and Stochastic Modeling with Matlab, ISTE Press – Elsevier
• L. Eriksson, E. Johansson, N. Kettaneh-Wold, C. Wikström, and S. Wold (2001), Design of Experiments
• Marler, R. T., and Arora, J. S., 2004 “Survey of Multi-Objective Optimization Methods for Engineering” Structural and Multidisciplinary Optimization, 26(6), pp.269.295
• Myers, R. H., and Montgomery, D. C., 2002, “Response Surface Methodology: Process and Product Optimization Using Designed Experiments” John Wiley & Sons Inc, USA.
• Law, A.l., Kelton, W. D., 1991, “Simulation Modeling and Analysis”, Mc Graw Hill
• Mäkelä, M., 2017, “Experimental Design and Response Surface Methodology in Energy Applications: A Tutorial Review” Energy Conversion and Management, 151(May), pp. 630–640.
• Kleijnen, J. P. C., 2005, “An Overview of the Design and Analysis of Simulation Experiments for Sensitivity Analysis” Eur. J. Oper. Res., 164(2), pp. 287–300.
• Tagushi, G., Yokoyama, Y., and Wu, Y., 1993, “Taguchi Methods: Design of Experiments”
• K. Kim, M.R. von Spakovsky, M. Wang, D.J. Nelson, 2012. “Dynamic optimization under uncertainty of the synthesis/design and operation/control of a proton exchange membrane fuel cell system, Journal of Power Sources, 205, pp. 252–263
• Navarro, M., Witteveen, J., Blom, J., 2014. “Polynomial chaos expansion for general multivariate distributions with correlated variables”
• Seshadri, P., Narayan, A., Mahadevan, S., 2016. “Effectively Subsampled Quadratures For Least Squares Polynomial Approximations”. ArXiv e-prints
• Giunta, A.A., Eldred, M.S., Castro, J.P., 2004. “Uncertainty quantification using response surface approximations”, 9th ASCE Specialty Conference on Probabilistic Mechanics and Structural Reliability
• M. Cavazzuti, Optimization Methods: From Theory to Design, DOI: 10.1007/978-3-642-31187-1_3, Springer-Verlag Berlin Heidelberg, 2013.

DOCENTI E COMMISSIONI

Commissione d'esame

LUCA MANTELLI (Presidente)

ANDRIY VASYLYEV

ALESSANDRO SORCE (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/en/node/190294

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

La parte di progettazione robusta prevede la consegna di due relazioni scritte che descrivano analisi svolte dagli studenti con l'ausilio di codici di programmazioni forniti a loro durante il corso.

La parte di monitoraggio e diagnostica prevede un esame orale.

Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente di Scuola per la disabilità all’inizio dell’insegnamento per concordare eventuali modalità didattiche che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali. I contatti del docente e referente di Scuola per la disabilità sono disponibili al seguente link Comitato di Ateneo per l’inclusione delle studentesse e degli studenti con disabilità o con DSA | UniGe | Università di Genova

MODALITA' DI ACCERTAMENTO

La verifica dell'apprendimento avviene tramite la valutazione delle relazioni scritte (per la parte di progettazione robusta) e dell'esame orale (per la parte di monitoraggio e diagnostica). Ogni risultato di apprendimento sarà verificato attraverso domande specifiche e discussione di casi studio, con particolare attenzione alla chiarezza espositiva, all'uso della terminologia tecnica e alla capacità di applicare i metodi appresi a problemi reali.

Calendario appelli

ALTRE INFORMAZIONI

Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.