• active magnetic bearings (AMB)
• augmented PID control
• automatic tuning
• convolutional neural network (CNN)
• fault detection and diagnosis (FDD)
• robust control design
• rotordynamic system

L'integrazione dei cuscinetti magnetici attivi (Active Magnetic Bearings, AMB) nelle turbomacchine ha introdotto sfide nel progetto dei controllori, nella dinamica del rotore e nella rilevazione dei guasti. Questa tesi di dottorato presenta una serie di innovazioni che affrontano queste problematiche, con un focus sulle applicazioni nell'industria del petrolio e gas. La ricerca di dottorato è stata supportata e finanziata da Baker Hughes, uno dei maggiori produttori di turbomacchine con AMB, le cui strutture sono state utilizzate per la sperimentazione. L'obiettivo principale di questa tesi è stato sviluppare un nuovo approccio per il tuning automatico dei controllori Proporzionale-Integrale-Derivativo (PID) aumentati utilizzati negli impianti Baker Hughes, garantendo un livello minimo di prestazioni e robustezza. Questo è stato ottenuto seguendo un approccio basato su modello che utilizza metodi di ottimizzazione non-smooth per soddisfare gli obiettivi prestazionali in presenza di incertezze multiple del sistema.
Per migliorare i risultati dell'approccio model-based per la progettazione del controllore di sistemi AMB, è stato sviluppato un metodo di aggiornamento del modello che sfrutta le misurazioni della risposta in frequenza per migliorare l’accuratezza del modello del sistema, con l'obiettivo di aumentare la robustezza e le prestazioni del controllore per rotori complessi.
Inoltre, è stato studiato un metodo combinato che effettua il tuning di alcuni parametri sia meccanici del rotore che dei controllori, per superare le limitazioni di osservabilità e controllabilità dei modi di vibrazione che limitano le prestazioni dei sistemi AMB. Per migliorare ulteriormente le prestazioni, è stata anche proposto un nuovo controllore Multiple-Input Multiple-Output (MIMO) a basso ordine per i sistemi AMB, che migliora la soppressione delle vibrazioni e la robustezza nelle applicazioni reali.
In termini di rilevamento dei guasti, questa dissertazione sviluppa un metodo innovativo basato su tecniche di machine learning, tra cui reti neurali convoluzionali, per rilevare e classificare guasti elettrici "soft" nei sistemi AMB. Creando un dizionario dei guasti a partire da immagini ricavate dai segnali del sistema, il metodo identifica con precisione in tempo reale i guasti dei sensori e degli attuatori, raggiungendo un'accuratezza di classificazione del 93%. Inoltre, è stato proposto un approccio basato sul deep learning per diagnosticare i guasti di sbilanciamento del rotore, comuni nelle turbomacchine, utilizzando i dati dei sensori degli AMB. Questo approccio raggiunge un'accuratezza del 98% e offre uno strumento efficiente per l'identificazione dei guasti, che potrebbe essere integrato nella rete neurale convoluzionale sviluppata in precedenza.
Il progetto del controllore è stato ulteriormente migliorato tenendo conto delle forze aerodinamiche stimate che agiscono sulle giranti del rotore, che influenzano il consumo di corrente e il comportamento del sistema. Considerando queste forze, il controllore riduce il consumo di corrente mantenendo stabilità e prestazioni, portando a miglioramenti in termini di efficienza energetica e affidabilità operativa.
In conclusione, questa tesi di dottorato presenta contributi significativi nel campo delle turbomacchine supportate da AMB, introducendo metodi innovativi per il tuning automatico dei controllori, l'ottimizzazione della dinamica del rotore e la rilevazione avanzata dei guasti. Questi sviluppi non solo riducono lo sforzo manuale in fase di progetto e migliorano l'affidabilità dei sistemi di controllo, ma aumentano anche le prestazioni del sistema in diverse condizioni operative. Integrando tecniche di machine learning e ottimizzazione basata su modello, questa ricerca fornisce un quadro completo che migliora la robustezza, la sicurezza e l'efficienza delle turbomacchine nell'industria del petrolio e del gas, aprendo la strada a applicazioni industriali più affidabili e ad alte prestazioni.


The integration of Active Magnetic Bearings (AMBs) in turbomachinery has introduced challenges in controller design, rotor dynamics, and fault detection. This doctoral thesis presents a series of innovations addressing these areas, with a focus on applications in the oil and gas industry. The PhD research has been supported and financed by Baker Hughes, one of the largest manufacturers of turbomachinery supported by AMBs, whose facilities were used for experimentation. The main goal of this doctoral thesis was to develop a novel approach for the automatic tuning of augmented Proportional-Integral-Derivative (PID) controllers used in Baker Hughes plants, ensuring a minimum level of performance and robustness. This was achieved by following a model-based approach that employs non-smooth optimization to meet performance objectives in the presence of multiple system uncertainties. Expanding on this, to improve the results of the model-based approach developed to design the controller for an AMB system, a model updating method leveraging frequency response measurements was developed to enhance the system model accuracy with the aim of improving controller robustness and performance for complex rotors.
Furthermore, a combined method that tunes both rotor structures and controllers was studied to overcome limitations in observability and controllability of vibrational modes that limit the performance of AMB systems. Moreover, to additionally improve the performance, a new low-order Multiple-Input Multiple-Output (MIMO) controller structure for AMB systems was proposed, which enhances vibration suppression and robustness in real-world applications.
In terms of fault detection, this dissertation develops an innovative method based on machine learning techniques, including convolutional neural networks, to detect and classify soft electrical faults in AMB systems. By creating a fault dictionary from simulated system signals, the method accurately identifies sensor and actuator failures, achieving a classification accuracy of 93%. Additionally, a deep learning-based approach is proposed for diagnosing rotor unbalance faults, which are common in turbomachinery, using sensor data from AMBs. This approach reaches an accuracy of 98% and offers a computationally efficient tool for fault identification and could be extended into the previous convolutional neural network.
Furthermore, the control design was enhanced by integrating estimated aerodynamic forces acting on rotor impellers, which impact current consumption and system behavior at various frequencies. By accounting for these forces, the controller minimizes current usage while maintaining stability and performance, leading to improvements in both energy efficiency and operational reliability.
In conclusion, this doctoral thesis presents significant contributions to the field of turbomachinery supported by AMBs, introducing innovative methods for automated controller tuning, rotor dynamics optimization, and advanced fault detection. These developments not only reduce design manual effort and enhance the reliability of control systems but also improve system performance across varying operational conditions. By integrating machine learning techniques and model-based optimization, this research provides a comprehensive framework that enhances the robustness, safety, and efficiency of turbomachinery in the oil and gas industry, paving the way for more reliable and high-performance industrial applications.