Tecniche di machine learning per applicazioni su macchine automatiche

Questo lavoro di tesi si occupa di diagnostica di malfunzionamenti all'interno di un impianto industriale automatizzato ed è stato svolto presso il LIAM Lab, che offre consulenza su questo tema. Vengono in particolare descritti i vantaggi di praticare una manutenzione predittiva ed i motivi per cui si adotta un approccio model-of-signal based per il rilevamento e l'isolamento di un guasto. Questo metodo è basato sulle tecniche di identificazione dei sistemi che realizzano una stima dei parametri dell'impianto da studiare sulla base delle grandezze che lo caratterizzano. Sono in particolare descritti i modelli autoregressivi ed il metodo ai minimi quadrati utile per risolvere il problema di ottimizzazione associato; viene infine definita la distanza spettrale di Itakura-Saito da calcolare tra un vettore di parametri ed il relativo modello nominale di funzionamento della macchina. Queste tecniche possono inoltre essere combinate con algoritmi di machine learning per risolvere problemi di classificazione come le Support-Vector Machines, che possono anche essere applicate direttamente ai segnali raw. Si valuta infine la possibilità di integrare le tecniche di identificazione dei sistemi all'interno delle piattaforme per l'industria dell'automazione. Tutte i metodi numerici presentati vengono valutati tramite l'elaborazione di dati provenienti da applicazioni reali.