Paniere multiple Strumentazione per l'automazione

Principi di Affidabilità dei Sistemi Elettro-Meccanici

L 4 1. La "curva a vasca da bagno" descrive il failure rate tipico dei sistemi elettro-meccanici per fault casuali in funzione del tempo di vita

2. La connessione in parallelo di sistemi aumenta il MTTF, ma diminuisce il failure rate

3. Il Mean Time To Failure (MTTF) può essere utilizzato per fornire una misura della reliability

L 5 1. Un sistema è affidabile se è in grado di effettuare le funzioni richieste entro i limiti specificati

2. Safety, dependability e system integrity sono qualità esprimibili in maniera discorsiva o tabellare

3. La Hazard Analysis (HA) è una procedura di base che permette di acquisire consapevolezza e informazioni sui componenti esterni che possono pregiudicare la sicurezza (safety) del sistema

4. La Fault Tree Analysis (FTA) inizia con il failure del sistema (nodo principale) e determina le possibili cause che lo hanno generato (guasti nei componenti)

5. La Failure Mode and Effects Analysis (FMEA) è una procedura formalizzata per

Considerare tutti i componenti, le loro funzioni, i loro possibili guasti e le cause di guasto per l'intero sistema. La Event Tree Analysis (ETA) inizia con l'evento primario (e.g. un evento indesiderato come il guasto di un componente) e continua attraverso tutti gli eventi ad esso collegati per individuare le conseguenze sull'intero sistema. La diagnosi dei guasti basata su modello ha il vantaggio di poter diagnosticare fault non noti a priori. Un guasto di tipo incipiente è tipicamente più difficile da individuare rispetto a un guasto abrupt. Per diagnosticare un guasto su una variabile aleatoria è bene scegliere come parametro/i da valutare il valor medio e la varianza. Per diagnosticare un guasto su una variabile periodica è bene scegliere come parametro/i da valutare l'ampiezza, la frequenza e la fase. Il rilevamento guasti con soglia sulla derivata permette di avere maggiore prontezza rispetto a quello basato sul valore assoluto.Il rilevamento di guasti in linea richiede un numero limitato di misure rispetto a quello fuori linea e, pertanto, risulta mediamente più complicato da portare a termine. Le tecniche basate su "Hypothesis Testing" permettono di calcolare, con un certo margine di errore, se uno dei parametri caratteristici di un segnale aleatorio (eg valor medio, varianza) varia nel tempo. Le tecniche basate su "Hypothesis Testing" non sono utili per rilevare guasti a partire da misure sensoriali marginalmente affette da rumore. Il rilevamento guasti con soglia è il modo più semplice per rilevare un guasto e consiste nel valutare direttamente la grandezza di interesse del componente/apparato/sistema per verificare quando questa esce dai limiti consentiti (ritenuti di normale funzionamento). Le soglie adattative sono così chiamate perché adattano il loro valore a quello del residuo. Il t-test è preferibile allo z-test quando non si conosce la deviazione.è utile per l'identificazione di sistemi LTI in tempo reale6. La tecnica dell'identificazione a modello libero si basa sull'analisi dei dati senza assumere un modello specifico7. La tecnica dell'identificazione a modello libero può essere utilizzata quando non si dispone di informazioni sul sistema da identificare8. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi non lineari9. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con rumore10. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con ritardi11. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non linearità12. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con incertezze13. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con disturbi esterni14. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con variazioni nel tempo15. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con interazioni tra le variabili16. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non stazionarietà17. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non linearità e rumore18. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non linearità e ritardi19. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non linearità e incertezze20. La tecnica dell'identificazione a modello libero può essere utilizzata per identificare sistemi con non linearità e disturbi esterni

permette dinessuna delle altre risposteL 181. L'identificazione di sistemi non lineari dei quali non si conosce la struttura può essere fatta con reti neurali

2. Le reti Radial Basis Function (RBF) sono reti neurali tipicamente caratterizzate da un operatore di ingresso e una funzione di attivazione di Gauss

3. Le reti neurali MLP sono tipicamente caratterizzate da più strati nascosti

4. Indicare quale delle seguenti affermazioni è falsa: le reti neurali MLP hanno caratteristiche locali che decadono esponenzialmente

L 211. Sia dato un sistema modellabile con una fdt del 1° ordine. E' lecito affermare che una variazione del guadagno genera un gradino nei residui

2. Sia dato un sistema modellabile con una fdt del 1° ordine. E' lecito affermare che una variazione della costante tempo genera la variazione dei residui solo durante il transitorio, e questo rende difficile la sua individuazione

3. La generazione di equazioni di parità mediante

l'approccio in spazio di stato è possibile sia per i sistemi SISO sia per i sistemi MIMO⁴. La forma interna di un'equazione di parità permette di esplicitare tutte le grandezze che possono contribuire a causare una variazione del residuo⁵. Per la creazione on-line di residui mediante equazioni di parità è necessario utilizzare la forma computazionale L 221. La generazione di residui strutturati mediante equazioni di parità permette di ottenere residui sensibili solo ad alcuni fault². Per generare residui strutturati a partire da equazioni di parità si moltiplica il residuo per una matrice di generazione (W)³. Residui creati tramite equazioni di parità mediante l'errore di equazione hanno un comportamento passa-basso per cui non comportano problemi di realizzabilità⁴. Un guasto si dice fortemente isolabile se l'errore nella valutazione del residuo non comporta l'isolamento di un fault diverso⁵. Quale tra le

ingresso sconosciuto (UIO) sono utilizzati in ambito diagnostico per generare residui che dipendono dai fault ma non dai disturbi3. La costruzione di un residuo mediante equazioni di parità si basa sulla differenza tra le misure di ingresso e le misure di uscita del sistema, mentre la costruzione di un residuo mediante osservatore dello stato si basa sull'errore di stima o di uscita4. La scelta di utilizzare un filtro di Kalman per generare residui in un sistema LTI affetto da disturbi stocastici è preferibile.

ingresso sconosciuto (UIO) sono utilizzati in ambito diagnostico per individuare guasti sia sui sensori, sia sugli attuatori.

Gli osservatori a ingresso sconosciuto (UIO) sono caratterizzati da una trasformazione delle variabili di stato del sistema originale.

Gli osservatori a ingresso sconosciuto (UIO) sono anche detti osservatori dell'uscita.

Gli osservatori a ingresso sconosciuto (UIO) permettono di stimare l'uscita a patto di conoscere la matrice di ingresso del disturbo nel sistema.

Le tecniche di individuazione dei guasti basate sui dati (o data driven) cercano le ridondanze tra segnali disponibili allo scopo di ridurre la dimensione del problema e generare residui diagnostici utili per l'individuazione del fault.

Il numero di componenti principali da utilizzare per la PCA è scelto utilizzando metodi che valutano la varianza associata alle singole componenti principali.

La Principal Component Analysis trasforma le variabili di partenza in variabili

è una tecnica statistica utilizzata per ridurre la dimensionalità di un dataset, mantenendo al contempo le informazioni più rilevanti. Consiste nel trasformare un insieme di variabili correlate in un nuovo insieme di variabili non correlate, chiamate componenti principali. Durante l'applicazione della PCA, è necessario adottare un criterio per determinare quante componenti principali includere nell'analisi. I criteri più comuni sono il criterio di Kaiser, il criterio di Cattell scree e la percentuale cumulativa. Prima di applicare la PCA, è consigliabile standardizzare le misure nel dataset. Questo significa che le variabili devono avere una media di zero e una deviazione standard normalizzata. La standardizzazione dei dati è importante perché la PCA è sensibile alla scala delle variabili. Se una variabile viene moltiplicata per uno scalare, i risultati della PCA saranno diversi. Pertanto, è necessario standardizzare i dati per garantire che le componenti principali siano indipendenti dall'unità di misura delle variabili originali e dal range di valori che assumono. La PCA è una tecnica con n gradi di libertà, dove n è il numero di variabili nel dataset.

può essere applicata sia online sia offline

La PCA è una tecnica basata sull'analisi dei dati

La PCA può essere utilizzata a livello diagnostico operando un'analisi statistica sulle variabili artificiali, sulle variabili artificiali trasformate nel dominio di partenza, e sulla loro differenza

Le tecniche di rilevamento guasti basate su stima parametrica sono indicate per guasti moltiplicativi

Le tecniche di rilevamento guasti basate su equazioni di parità sono indicate per guasti additivi

Le tecniche di rilevamento guasti basate su osservatori dello stato sono indicate per guasti additivi

I metodi di diagnosi guasti basati su osservatore dello stato o equazioni di parità sono particolarmente adatti per guasti additivi

Dato un sistema di diagnosi è possibile incrementare la velocità di individuazione impattando negativamente sulla robustezza ai disturbi

Un sistema di classificazione opera in due fasi

consecutive: addestramento e test

Un sistema di diagnosi dei guasti dovrebbe essere veloce, robusto e in grado di rilevare guasti non previsti.

Un sistema di diagnosi efficiente richiede sempre una buona rappresentazione della conoscenza, e in tale ottica risulta importante rappresentare in maniera unificata i sintomi.

In un sistema di diagnosi dei guasti è preferibile sfruttare ogni tipo di conoscenza pregressa.

Un sistema di diagnosi dei guasti deve essere in grado di individuare, isolare e identificare i fault.

1. Quali tra i seguenti metodi non è un classificatore albero dei guasti?
2. Il classificatore basato su reti neurali è preferibile nei casi in cui la distribuzione di probabilità è ignota.
3. I cl