1 - Sviluppo di un framework di Condition Monitoring e Manutenzione Predittiva (CM-PdM) per sistemi meccanici.
L'obiettivo di questo filone di ricerca è la definizione e la validazione di una metodologia algoritmica scalabile per la diagnosi precoce dei guasti (Early Fault Diagnosis). Il lavoro si concentra sull'integrazione di tecniche avanzate di Signal Processing con modelli di Machine Learning non supervisionati (es. Local Outlier Factor, One-Class SVM, Isolation Forest). Operando in un regime di Novelty Detection, il framework mira a modellare il comportamento nominale della macchina per identificare anomalie e generare Indici di Salute (Health Indices) continui. Il fine ultimo è massimizzare il tempo di preavviso prima del cedimento funzionale (intervallo P-F), fornendo strumenti decisionali robusti anche in assenza di uno storico di dati di guasto etichettati.
2 - Integrazione multi-sensoriale e diagnosi precoce per riduttori meccanici industriali.
La ricerca affronta le sfide diagnostiche dei sistemi di trasmissione heavy-duty ad alta complessità cinematica. Un contributo chiave è lo sviluppo di un approccio "ibrido" basato sulla fusione di dati eterogenei: l'utilizzo dell'analisi online dei detriti nell'olio per "supervisionare" in modo oggettivo la definizione del baseline di salute, e la successiva applicazione di algoritmi di rilevamento anomalie su segnali vibrazionali e ultrasonici (strutturali) ad alta frequenza. Particolare enfasi è posta sull'analisi degli ordini (Order Tracking) e sulla demodulazione dei segnali ultrasonici eterodinati per isolare le deboli firme energetiche di difetti incipienti su cuscinetti e ingranaggi, validando i modelli su test di durabilità run-to-failure fino all'ispezione fisica (teardown).
3 - Implementazione di strategie diagnostiche e modelli in tempo reale per Powertrain Elettrici ad alte prestazioni.
Nel contesto della mobilità elettrica (EVs), la ricerca si sposta sull'analisi di sistemi altamente integrati, operanti a regimi di rotazione estremi e sottoposti a cicli di carico severi (test di durabilità accelerata, End-of-Line, sovraccarico). L'obiettivo è lo sviluppo di modelli di Anomaly Detection multivariati capaci di fondere dati meccanici, elettrici e fluidodinamici (es. monitoraggio del circuito di lubrificazione e raffreddamento). Un aspetto fondamentale di questo tema è la validazione dell'implementabilità di tali algoritmi su architetture hardware embedded (Edge Computing), per garantire un monitoraggio continuo e a bassa latenza direttamente a bordo dei banchi prova o, in prospettiva, a bordo veicolo.
