Stima della vita residua di dispositivi ottici per l'ispezione ferroviaria mediante accelerometri MEMS e Machine Learning

L’attività descritta in questa tesi si inserisce nell’ambito della diagnostica predittiva per infrastrutture ferroviarie, con particolare attenzione all’analisi delle sollecitazioni meccaniche subite da box ottici impiegati nella rilevazione di difetti sulle rotaie. L’obiettivo principale è la progettazione e realizzazione di un sistema di acquisizione e analisi dati finalizzato alla stima della vita utile residua di tali dispositivi, attraverso l’uso di sensori accelerometrici MEMS. Le mansioni svolte includono la programmazione del dispositivo per l’acquisizione affidabile dei dati di accelerazione, la definizione di un piano sperimentale (Design of Experiments) per l’identificazione delle relazioni tra errori di misura e condizioni ambientali (temperatura e umidità), e la progettazione di algoritmi per la pulizia, il filtraggio e la compensazione dei bias nei dati raccolti. Infine, sono stati sviluppati e validati modelli di apprendimento automatico per l’analisi delle sollecitazioni. Il lavoro combina tecniche di programmazione a basso livello, analisi statistica e machine learning, contribuendo allo sviluppo di soluzioni intelligenti per la manutenzione predittiva in ambito ferroviario, o, più in generale, nei cosiddetti severe environments: ambienti caratterizzati da condizioni difficili per materiali, macchinari e sistemi; nel nostro particolare caso, da stress meccanico intenso.