Il progetto
Descrizione
Gli obiettivi
- Selezionare i sensori adatti per tipologia di componente monitorato
- Costruire algoritmi di Data Fusion che integrino segnali eterogenei velivoli
- Sviluppare tecniche di Machine Learning per il monitoraggio, diagnosi e prognosi velivoli integrando tecniche di Data Fusion
- Sviluppare il Digital Twin del velivolo che integri un modello agli elementi finiti, un modello a parametri concentrati del sistema di trasmissione e un modello di controllo del moto in diverse condizioni di volo
Piano delle attività
Il progetto si articola in diverse fasi:
Scelta e installazione della sensoristica aggiuntiva: analisi del sistema per identificare i sensori da integrare a quelli già on-board per acquisire tutti i dati necessari al monitoraggio esaustivo del velivolo.
Integrazione dei dati sperimentali tramite tecniche di Data Fusion: i segnali monitorati sono eterogenei, poiché acquisiti tramite sensori di diversa natura, e devono pertanto essere elaborati per ottenere un dataset omogeneo sul quale applicare efficacemente gli algoritmi di classificazione.
Sviluppo delle tecniche di Machine Learning: definizione di algoritmi di classificazione e di indicatori ad-hoc in grado di monitorare e diagnosticare lo stato di salute del velivolo, basandosi su feature rappresentative.
Creazione del Digital Twin del velivolo: modelli matematici avanzati, utilizzati per simulare il velivolo in diversi domini, vengono integrati per creare un Digital Twin del velivolo. Questo consentirà di eseguire simulazioni real-time per diagnosticare e prognosticare problemi strutturali, simulare danneggiamenti e ottimizzare il design.
Allestimento del banco prova: l'efficacia e l’affidabilità delle tecniche e dei sistemi sviluppati sono validate tramite test effettuati su un banco prova appositamente realizzato come mockup semplificato dell’elicottero eletto a caso di studio.
Risultati del progetto
- Sensorizzazione del velivolo
- Sviluppo algoritmi di Machine Learning per monitoraggio e diagnosi basati su feature costruite tramite Data Fusion
- Sviluppo Digital Twin del velivolo
- Realizzazione banco prova prototipale e Digital Twin validato del banco prova
- Creazione dataset simulato di segnali in presenza di componenti danneggiati
- Sviluppo sistema di diagnosi e prognosi real-time basato su Digital Twin
- Applicazione metodologia progettuale per l’ottimizzazione del design velivolo ai fini dell’alleggerimento e riduzione consumi
