Machine Learning per la Manutenzione Predittiva

Pretelli, Sara (2019) Machine Learning per la Manutenzione Predittiva. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria elettronica e telecomunicazioni per l'energia [LM-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (27MB) | Contatta l'autore

Abstract

Nell’era della quarta rivoluzione industriale, un processo sempre più aggressivo sta conducendo ad una produzione industriale automatizzata ed interconnessa. L’industria 4.0 punta allo sfruttamento via via più efficace di Big Data e Internet of Things, che mettono a disposizione di aziende e utenti una gran mole di dati, anche sul cloud. Il modo migliore per valorizzare questa immensa risorsa è di analizzare i dati con l’ottica dell’analisi predittiva o, nel campo dell’industria manifatturiera, della manutenzione predittiva, attraverso il potente strumento del machine learning. In questo panorama di innovazione si posiziona questo lavoro di tesi, che parte da un case study aziendale proprio in ambito manifatturiero. L’obiettivo principale dello studio è stato quello di porre solide basi allo sviluppo di algoritmi di Machine Learning per la manutenzione predittiva, partendo da una situazione ancora vergine da questo punto di vista. Con l’ottica di voler includere in futuro anche un servizio di cloud server e con la volontà di voler inaugurare un database storico riguardo alle condizioni del sistema, si è cercato in primis di rispondere alle domande: quali sono i dati sensibili e indispensabili allo scopo? Con che frequenza occorre campionarli? Data la disponibilità di componenti guasti, si sono dapprima registrati i dati relativi al funzionamento del sistema con componenti nominalmente nuovi, per poi procedere alla sostituzione con quelli guasti. Questo ha permesso una successiva implementazione in ambiente MATLAB di algoritmi di classificazione delle condizioni operative. Si propone il training di tre diversi algoritmi e l’applicazione di diverse tecniche di estrazione e riduzione delle variabili con l’obiettivo di trovare la configurazione ottimale, sulla base del tasso di errore e del tempo di esecuzione.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Pretelli, Sara
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Industria 4.0,MATLAB,Machine Learning,Manutenzione Predittiva,Algoritmi di classificazione
Data di discussione della Tesi
13 Marzo 2019
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^