Scheda programma d'esame
ARTIFICIAL INTELLIGENCE FOR DIAGNOSTICS IN ELECTRICAL ENGINEERING
MAURO TUCCI
Academic year2022/23
CourseELECTRIC ENGINEERING
Code955II
Credits6
PeriodSemester 1
LanguageItalian

ModulesAreaTypeHoursTeacher(s)
INTELLIGENZA ARTIFICIALE PER LA DIAGNOSTICA IN INGEGNERIA ELETTRICAING-IND/31LEZIONI60
MAURO TUCCI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Al termine del corso:

  • lo studente avrà acquisito conoscenze in merito agli strumenti e alle metodologie per la diagnostica ed il monitoraggio di apparati elettrici
  • lo studente avrà acquisito le basi della teoria dei segnali (determinati e stocastici), della teoria dell'identificazione dei sistemi lineari, delle carte di controllo
  • lo studente avrà acquisito le basi dell'apprendimento automatico supervisionato e non supervisionato
  • lo studente sarà in grado di padroneggiare metodologie avanzate di signal processing e machine learning per l'analisi dati e la creazione di modelli complessi
Knowledge

The student who successfully completes the course will demonstrate a solid knowledge of the techniques for the diagnosis and condition monitoring of equipment and electrical systems, as power transformers, rotating electrical machines, power cables etc. These include advanced knowledge of signal processing techniques, and computational intelligence methods as neural networks, fuzzy systems and optimization algorithms. The student will also be able to program algorithms related to the application of the studied methods in the Matlab environment.

Modalità di verifica delle conoscenze

Due prove pratiche:

1) Analisi di un dataset per apprendimento automatico tramite Matlab

2) Approfondimento di un articolo scientifico scelto insieme al docente, riguardante la diagnostica ed il monitoraggio di apparati elettrici.

Prova orale

 

Assessment criteria of knowledge

The student will be assessed on his/her demonstrated ability to discuss the main course contents using the appropriate terminology. With the oral presentation, to be made to the teacher and the other students, the student must demonstrate the ability to approach a circumscribed research problem, and organise an effective exposition of the results. The student must demonstrate the ability to put into practice and to execute, with critical awareness, the activities illustrated or carried out under the guidance of the teacher during the course.

Methods:

  • Final oral exam
Capacità
  • lo studente sarà in grado di padroneggiare metodologie avanzate di signal processing e machine learning per l'analisi dati e la creazione di modelli complessi al fine di progettare sistemi di monitoraggio e diagnostica di apparati elettrici
  • lo studente avrà una buona padronanza del linguaggio Matlab
Skills

the student will be able to master advanced methods of signal processing and machine learning for data analysis and the creation of complex models in order to design systems for monitoring and diagnosing electrical devices the student will have a good command of the Matlab language

Modalità di verifica delle capacità

Durante il corso saranno tenute numerose esercitazioni in ambiente matlab

per verificare la capacità dello studente di programmare in ambiante matlab

facendo riferimento ad applicazioni di signal processing e machine learning

Due prove pratiche:

1) Analisi di un dataset per apprendimento automatico tramite Matlab o Python

2) Approfondimento di un articolo scientifico scelto insieme al docente, riguardante la diagnostica ed il monitoraggio di apparati elettrici.

 

Assessment criteria of skills

During the course many exercises will be held in the matlab environment to verify the student's ability to plan in the matlab environment referring to signal processing and machine learning applications Two practical tests: 1) Analysis of a data set for machine learning using Matlab 2) Deepening of a scientific article chosen together with the teacher, concerning the diagnostics and monitoring of electrical devices.

Comportamenti

 

  • Lo studente acquisirà sensibilità comportamentale per la determinazione delle metodologie più adatte alla soluzione dei problemi riguardanti la diagnostica ed il monitoraggio di apparati elettrici.
  • Saranno quindi acquisite accuratezza e precisione nello svolgere attività di raccolta e analisi di dati sperimentali
Behaviors

The student will acquire behavioral sensitivity for the determination of the most suitable methodologies for solving the problems concerning the diagnostics and monitoring of electrical devices. Accuracy and precision will therefore be acquired in carrying out collection and analysis of experimental data

Modalità di verifica dei comportamenti

I comportamenti saranno verificati tramite opportune sedute di esercitazione in classe e programmazione in ambiente Matlab

Due prove pratiche:

1) Analisi di un dataset per apprendimento automatico tramite Matlab o Python

2) Approfondimento di un articolo scientifico scelto insieme al docente, riguardante la diagnostica ed il monitoraggio di apparati elettrici.

Assessment criteria of behaviors

The behaviors will be verified through appropriate exercises in the classroom and programming in the Matlab environment Two practical tests: 1) Analysis of a data set for machine learning using Matlab 2) Deepening of a scientific article chosen together with the teacher, concerning the diagnostics and monitoring of electrical devices.

Prerequisiti (conoscenze iniziali)

Sono prerequisito di questo corso conoscenze di teoria dei circuiti e di macchine elettriche, oltre alla  analisi matematica, statistica e teoria della probabilità

Prerequisites

This course requires a knowledge of circuit theory and electrical machines, as well as mathematical analysis, statistics and probability theory

Indicazioni metodologiche

Seguire con continuità le lezioni e le indicazioni del docente, reperire e studiare approfonditamente tutto il materiale didattico inidcato.

Teaching methods

Delivery: face to face

Learning activities:

  • attending lectures
  • preparation of oral/written report
  • individual study
  • Practical

Attendance: Advised

Teaching methods:

  • Lectures
  • Seminar
  • Task-based learning/problem-based learning/inquiry-based learning
Programma (contenuti dell'insegnamento)

Esempi di applicazioni di diagnostica, analisi di segnale, classificazione.
Serie di Fourier in forma complessa per segnali periodici. Trasformata di Fourier. Condizioni di Dirichelt. Simmetria della trasformata di Fourier. Trasformata di una rect.
Proprietà della trasformata di Fourier. Trasformata di Fourier di segnali triangolari.
Somma di Poisson.  Esempio in Matlab di ricostruzione di un segnale a onda rettangolare tramite serie di Fourier.
Energia e potenza di un segnale. Delta di Dirac, trasformata di segnali a potenza finita (costanti, periodici). Densità spettrale di energia e autocorrelazione di segnali a energie finita, teorema di Wiener–Khinchin. Teorema dell'energia di Rayleigh. Densità spettrale di potenza. Sistemi Lineari tempo invarianti, risposta impulsiva, risposta in frequenza
Filtro passa basso ideale, filtro causale. Filtri passa basso di Butterworth. Filtri passa basso di Chebychev e filtri ellittici. Esercitazione Matlab: progettazione di filtri analogici e visalizzazione della risposta in frequenza, filtraggio di un segnale con un filtro digitale.
Campionamento ideale. Pettine di delta di Dirac, traformata e serie di Fourier. Trasformata di Fourier di un segnale campionato idealmente, somma di Poisson in frequenza. Teorema di Shannon. Aliasing e filtro anti aliasing, ricostruzione ideale con filtro cardinale. Interpolazione a mantenimento e lineare.
Trasformata di Fourier di una sequenza. Sequenze periodiche e DFT, matrice di Vandermonde. IDFT tramite DFT. Convoluzione tempo discreto, filtraggio lineare tramite DFT, zero padding, simmetria della DFT.
Implementazione in Matlab dell'algoritmo DFT. Relazione tra DFT trasformata continua. Creazione dell'asse fisico delle frequenze.
Densità spettrale di potenza di un segnale periodico, teorema di Parseval per segnali periodici e sequenze periodiche.Introduzione alla teoria delle probabilità, assiomi, funzioni di distribuzione e di densità di probabilità, densità di probabilità congiunta, operatore di aspettazione, valore medio e varianza di variabili aleatorie.
Variabili aleatorie Gaussiane, teorema del limite centrale. Trasformazione integrale di probabilità. Esperimento in Matlab di approssimazione del teorema del limite centrale, programma Matlab per la stima delle funzioni di distribuzione e densità di probabilità.
Covarianza, variabili aleatorie indipendenti e incorrelate. Processi socastici, stazionarietà del primo e del secondo ordine, stazionarietà in senso lato. Funzione di autocorrelazione. Medie temporali ed ergodicità. Densità spettrale di potenza di un processo stocastico. Periodogramma medio di Welch. Relazione di Wiener–Khinchin tra PSD e funzione di autocorrelazione. Interpretazione della funzione di autocorrelazione (valor medio-varianza).
Processi Gaussiani, rumore bianco, rumore colorato, filtraggio del rumore bianco. Implementazione in matlab del metodo di Welch per la stima della PSD di un rumore. Filtraggio di un rumore bianco.
Identificazione non parametrica della risposta in frequenza, metodo ETFE. Progetto di una sessione di identificazione. Cross-correlazione e cross-spettro. Stima della risposta in frequenza con metodo del cross-spettro. Stima parametrica, equazioni alle differenze e polinomi in q, modello ARX, pseudoinversione.
Identificazione parametrica tramite Modello Box Jenkins, modelli FIR, ARMAX e OE. Stima dell'ordine dei polinomi. Esercitazione Matlab: filtraggio di un segnale chirp tramite simulink, identificazione del filtro parametrica e non parametrica tramite.
Introduzione alla diagnostica di trasformatori di potenza. Tecniche di diagnostica innovativa dello stato degli avvolgimenti, risposta in frequenza e tecnica SFRA. Diagnostica dello stato dell'isolante, tecnica PDC.
Tecnica FDS (Frequency Dielectric Spectroscopy) per la diagnosi dello stato globale dell'isolante di trasformatori di potenza. Metodo DIRANA. Esempi di campagne di misura. Indici diagnostici di riferimento. Carte di controllo di Shewart e carta CUSUM.
Monitoraggio di processi multivariati, matrice di covarianza dei dati. Carta di controllo tramite statistica T2 di Hotelling. Analisi alle componenti principali, riduzione della dimensionalità.
Introduzione all'apprendimento automatico. Reti neurali multistrato feedforward. Teorema di approssimazione univarsale. Cenni all'algoritmo di backpropagation. Divisione del dataset per allenamento di una rete neurale. Criterio di stop tramite insieme di validazione, regolarizzazione Bayesiana, metodo di scelta dei meta-parametri tramite k-fold cross-validation.
Algoritmo K-nn (K-nearest neighbours) per regressione e classificazione. Classificazione tramite Support Vector Machines: iperpiano ottimo tramite problema di programmazione quadratica, rilassamento dei vincoli, problema duale e stratagemma del kernel.
Apprendimento supervisionato tramite Ensemble. Apprendimento non supervisionato, clustering, algoritmo k-means, quantizzazione vettoriale, neural gas, self-organizing-maps.
Seminario da parte di i-EM su impianti fotovoltaici, tecnologie di pannello e di impianto, problematiche di impianto. Modellistica, monitoraggio e diagnostica di un impianto fotovoltaico. Diagnostica predittiva. Cenni al Forecast di produzione a breve termine.
Esercitazione Matlab : analisi del dataset IRIS tramite reti neurali (apprendimento supervisionato), divisione del dataset, cross-validation. Analisi non supervisionata del dataset IRIS, visualizzazione dei dati, clustering tramite k-means.

Syllabus

Specific topic/s: The Continuous Fourier Transform. The Discrete Fourier Transform (DFT), FFT algorithm. Stochastic processes, spectral density estimation. Identification of linear and nonlinear systems. Feed forward neural networks. Feature extraction, principal component analysis (PCA). Shewhart control chart, CUSUM chart, Hotelling control chart. Condition monitoring of power transformers: thermal models, thermoelectric analogy, winding frequency response analysis (FRA), winding deformation diagnosis. Dielectric response analysis of transformers and power cables, PDC, FDS, and DIRANA, Partial Discharge. Support Vector Machines, clustering, k-means algorithm. Fuzzy inference systems, FCM. Time-frequency signal representation: Short Time Fourier Transform, wavelet, Hilbert Huang Transform. Introduction to optimization algorithms, direct search, evolutionary algorithms. Laboratory activity: programming signal processing and computational intelligence techniques in Matlab.

Bibliografia e materiale didattico

Slides del docente,

W. H. Tang  Q. H. Wu " Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence", Springer 2011. Peter Tavner, Li Ran, Jim Penman and Howard Sedding "Condition Monitoring of Rotating Electrical Machines", IET POWER AND ENERGY SERIES 56. Marco Luise, Giorgio M. Vitetta, "Teoria dei segnali", Mc graw - Hill S. Haykin, M. Moher:"Introduzione alle telecomunicazioni analogiche e digitali", Casa Editrice Ambrosiana Christopher M. Bishop "Pattern Recognition and Machine Learning (Information Science and Statistics)", Springer Simon Haykin, Neural Networks: A Comprehensive Foundation, Prentice Hall Timothy Ross, Fuzzy Logic with Engineering Applications, Wiley A.E. Eiben, J.E. Smith, Introduction to Evolutionary Computing, Springer

Bibliography

W. H. Tang  Q. H. Wu " Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence", Springer 2011. Peter Tavner, Li Ran, Jim Penman and Howard Sedding "Condition Monitoring of Rotating Electrical Machines", IET POWER AND ENERGY SERIES 56. Marco Luise, Giorgio M. Vitetta, "Teoria dei segnali", Mc graw - Hill S. Haykin, M. Moher:"Introduzione alle telecomunicazioni analogiche e digitali", Casa Editrice Ambrosiana Christopher M. Bishop "Pattern Recognition and Machine Learning (Information Science and Statistics)", Springer Simon Haykin, Neural Networks: A Comprehensive Foundation, Prentice Hall Timothy Ross, Fuzzy Logic with Engineering Applications, Wiley A.E. Eiben, J.E. Smith, Introduction to Evolutionary Computing, Springer

Indicazioni per non frequentanti

Studenti non frequentanti possono contattare il docente per avere informazioni sul materiale didattico necessario a preparare il corso

Non-attending students info

Non-attending students can contact the teacher for information on the teaching material needed to prepare the course

Modalità d'esame

Prova orale

Assessment methods

Oral examination

Updated: 07/08/2022 09:18