IDENTIFICAZIONE DI GUASTI TRAMITE ALGORITMI DI CLASSIFICAZIONE & CLUSTERING per applicazioni di Manutenzione Predittiva in Scenari di Industria 4.0

L'elaborato della presente tesi tratta l'applicazione dei modelli di Machine Learning all'interno di un banco di test per assali elettrici; una soluzione dedicata al mondo dell'Industria 4.0. Il progetto di tesi prevede l'utilizzo di modelli di Classificazione (Logistic Regression, SVM: Support Vector Machine, Naive Bayes, Decision Tree e Random Forest) e di Clustering (K-Means e Agglomerative) per l'identificazione dei comportamenti normali e attesi durante la fase di test. L'obiettivo finale della trattazione è dunque quello di riuscire ad ottenere un modello capace di identificare situazioni di guasto dai dati generati dal banco di test. L'elaborato è diviso in 4 capitoli: "Stato dell'Arte", "Progettazione", "Implementazione" e "Conclusioni e sviluppi futuri".