Modeling and Diagnosis of Complex Systems Dynamics by Data-Driven Approaches

Complex systems are found in almost all field of contemporary science, and are associated with a wide variety of financial, physical, biological, information and social systems. Complex systems consist of a large number of nonlinearly interacting components which display collective behaviour that does not follow trivially from the behaviours of the individual parts. Although complex systems have many different properties, the most important are: dimensionality, uncertainty, nonlinearity and coupling between components. The procedures to obtain analytical models are usually classified into physical modeling and identification. These procedures cannot be implemented easily if applied to complex systems because the properties, which arise from these systems, make difficult the modeling. Since a mathematical model is a description of system behaviour, accurate modeling for a complex system is very difficult to achieve in practice. Furthermore, sometimes, it may even be impossible to describe the system by analytical equations. The present dissertation tries to address two issues regarding the modeling and diagnosis of complex systems. The first one deals with the issue of modeling a complex system, in the case the analytical model is not obtainable. The second one deals with the issue of diagnosing the system behaviour. Diagnosis should detect if the complex system is normal or a change is occurring due to abnormal events and in addition, the probable causes of the abnormal events should be detected by means of the diagnosis. Modeling of complex systems is addressed developing data-driven procedures, which are able to learn the complex system dynamics from data that are provided by installed sensors on the system in order to monitor the physical system variables. Diagnosis of complex systems is addressed developing machine learning procedures in order to classify the probable causes of deviations from system normal events. A large amount of attention is paid to the issue of modeling and diagnosis for complex systems with particular attention to real systems, for this different applications are discussed as many case studies. The first application deals with the issue of modeling and diagnose the defects and faults in a Quality Control scenario for electric motors. The second application deals with the issue of modeling and diagnose a complex industrial system as a paper mill plant. The third application deals with the issue of estimating the residual useful life of a turbofan engine and the last deals with the issue of modeling the Electroencephalography signals by data-driven algorithms in order to diagnose the user intentions. This solution addresses the modeling problem in the Brain Computer Interface context. Since the modeling and diagnosis problem is faced by data-driven procedures, the developed algorithms can be applied to a wide class of rotating electrical machines and complex industrial systems, and not only to those mentioned.

I sistemi complessi possono essere rinvenuti in quasi tutti i campi della scienza contemporanea, e possono avere diversa natura: finanziaria, fisica, biologica, informativa, sociale, ecc. I sistemi complessi consistono di un gran numero di componenti che interagiscono non linearmente tra loro e che mostrano un comportamento collettivo non derivante semplicemente dal comportamento delle parti individuali. Sebbene tali sistemi godano di numerose proprietà, le più importanti sono: dimensionalità, incertezza, non linearità e accoppiamento tra i componenti. Le procedure per ottenere modelli analitici di determinati sistemi sono solitamente classificate in modellazione fisica e identificazione. Queste procedure possono essere difficilmente implementabili se applicate a sistemi complessi perché le loro caratteristiche peculiari rendono difficile la modellazione. Poiché un modello matematico è una descrizione del comportamento di un sistema, una modellazione accurata per i sistemi complessi è molto difficile da ottenere in pratica. Per di più, a volte, potrebbe addirittura essere impossibile descrivere il sistema attraverso equazioni analitiche. Alla luce di quanto emerso, la presente trattazione si propone di affrontare due problemi riguardanti la modellazione e la diagnosi dei sistemi complessi: il primo riguarda specificamente la modellazione di un sistema complesso, nel caso in cui il modello analitico non sia ottenibile; il secondo si riferisce alla diagnosi del comportamento del sistema. Quest’ultima attività dovrebbe rilevare se il sistema complesso è normale o se sta avvenendo un cambiamento dovuto a eventi anomali, nonché le cause probabili di tali eventi. La modellazione dei sistemi complessi viene affrontata sviluppando metodi data-driven, che sono capaci di apprendere le dinamiche del sistema complesso direttamente dai dati forniti da sensori installati sul sistema, al fine di monitorarne le variabili fisiche. La diagnosi dei sistemi complessi viene invece affrontata sviluppando metodi di apprendimento automatico in modo da classificare le probabili cause di scostamento da eventi normali del sistema. Nella trattazione ampia attenzione è posta al problema di modellazione e diagnosi di sistemi complessi con riferimento a sistemi reali, presentando diverse applicazioni pratiche e casi di studio. Il primo caso di studio riguarda la modellazione e diagnosi di difetti e guasti di motori elettrici in uno scenario di controllo qualità mentre il secondo si riferisce ad un sistema complesso indusxiii triale, quale quello di una cartiera. Nel terzo caso viene affrontata la questione di stimare la vita utile rimasta di un motore turbofan e l’ultimo tratta il problema di modellare segnali elettroencefalografici attraverso algoritmi basati sui dati. Dato che il problema di modellazione e diagnosi è affrontato attraverso procedure basate sui dati, gli algoritmi sviluppati possono essere applicati ad un’ampia classe di macchine elettriche rotanti e sistemi complessi industriali, e non solo a quelli riportati.