ETD

• data reconciliation
• estimation
• robust bayesian inference
• sensor failures detection

Performance estimation in an industrial plant is essential to
guarantee compliance with design requirements and as a map to plan
whether and where to proceed with improving actions.
In order to accomplish reliable performance analysis the first manda-
tory step is the accurate and precise estimation of quantities involved in
the plant considered.
The first attempt to have an estimate of quantities involved is using
appropriate sensors to measure each one.
However, sensor are far from being ideal, they are subject to systematic
errors and random errors. While systematic errors could be corrected or
prevented with calibration and maintenance, random errors could not be
avoided as they are due to the reality of the sensor device. Moreover not
every quantity can be always measured with a sensor both for technical
and economical reasons; some quantities need to be estimated without a
direct measurement of them.
For these motivations basing the estimation only on the sensor reading
cannot be enough.
In spite of relying only on sensor readings the common general idea is
to integrate sensor information with the knowledge of the plant.
In this thesis firstly it has been done a model of a complex compression
train system and then it has been proposed a novel data reconciliation archi-
tecture with particular focus on robustness to sensor failures and possible
lack of measurements.
In the end it has been presented results of the data reconciliation and
failure detection applied to the complex compression trains system.
The present work provides a retrace of the state of the art of data reconciliation
in chapters 2 and 3.
There are two main families of data reconciliation in scientific litterateur;
the reconciliation as a least square weighed constrained optimization problem and as bayesian rec-
onciliation. It has been shown from a theoretical point of view the statistical
interpretation of the two approaches, differences between them and their be-
havior when a sensor failure or lack occurs. In chapter 2 it has been also proposed
a novel robust architecture for data reconciliation.
One of interesting instruments of the robust novel data reconciliation has
been taken from the theory of robust bayesian inference; the students’ s distri-
bution. Chapter 2 provides a general view of such probability density functionand reasons why
it is useful in case of robust inference.
Following chapters describes methodologies employed to apply both tradi-
tional, bayesian and novel architecture theoretical instruments to the case study
of complex trains. It has been examined in depth specific solutions and algo-
rithms employed to implement all data reconciliation methods.
In the end it has been provided results of each data reconciliation framework
applied to the case study highlighting different behaviors to sensor failures.

La stima delle performance in un impianto industriale è essenziale per garantire conformità coi requisiti di progetto e come guida per pianificare le azioni di miglioramento dei processi.
Per una stima di performance affidabile il primo step obbligatorio è l'accurata e precisa stima delle quantità rilevanti nell'impianto considerato.
La prima soluzione per avere una stima delle grandezze interessate è usare sensori appropriati per ciascuna.
Tuttavia, i sensori sono dispositivi reali e quindi soggetti a errori sia casuali che sistematici. Mentre gli errori sistematici possono essere evitati mediante calibrazione e mantenimento dei sensori, gli errori casuali non sono evitabili poiché derivano proprio dalla non idealità del dispositivo che fa da sensore.
Inoltre non ogni quantità può essere misurata sia per ragioni tecniche che economiche; alcune grandezze devono necessariamente essere stimate senza disporre di una loro misura diretta.
Per questi motivi basare la stima solo sulle letture dei sensori non può essere sufficiente.
Invece di affidarsi solo alle letture dei sensori l'idea generale della stima è quella di aggregare le informazioni dei sensori e quelle dovute alla conoscenza dell'impianto.
In questa tesi per prima cosa è stato fatto un modello di un treno complesso di compressione e successivamente è stata proposta una nuova architettura di riconciliazione dei dati con particolare attenzione alla robustezza rispetto ai guasti dei sensori e possibile assenza di misure.
Alla fine sono stati presentati i risultati della riconciliazione dei dati e rilevamento guasti dei sensori applicata al sistema treno di compressione complesso.
Il lavoro presente ripercorre lo stato dell'arte della riconciliazione dei dati nei capitoli 2 e 3.
Ci sono due famiglie principali di tecniche di riconciliazione dei dati nella letteratura scientifica;
riconciliazione come problema dei minimi quadrati pesato vincolato e come riconciliazione bayesiana.
E' stato mostrato da un punto di vista teorico l'interpretazione statistica dei due approcci, le loro differenze e il loro comportamento in caso di guasto o mancanza di un sensore.
Nel capitolo 2 è stato anche proposta una nuova architettura robusta per la riconciliazione dei dati.
Uno degli strumenti matematici usati per la nuova architettura robusta è stato preso dalla teoria dell'inferenza bayesiana robusta.
Il capitolo due fornisce un punto di vista generale di questa densità di probabilità e le ragioni per cui è utile in caso di inferenza robusta.
I capitoli seguenti descrivono le metodologie utilizzate per applicare gli strumenti teorici sia della riconciliazione tradizionale, bayesiana e robusta al caso studio del treno di compressione.
Sono state esaminate in profondità le soluzioni specifiche e gli algoritmi utilizzati per implementare tutti i metodi di riconciliazione.
Alla fine sono stati forniti i risultati di ogni metodo di riconciliazione dei dati applicati al caso studio evidenziando le differenze di comportamento in caso di guasto dei sensori.