Studio e applicazione di modelli di Artificial Intellligence per la manutenzione predittiva di componenti meccanici

La manutenzione predittiva è una pratica che viene utilizzata per ottimizzare i piani di manutenzione, attraverso la previsione di guasti, con tecniche che sfruttano la predizione di comportamenti sulla base di dati passati. L’applicazione di questa pratica può portare numerosi vantaggi alle aziende manifatturiere, tra cui, la riduzione dei tempi di inattività e l’aumento della qualità del prodotto. Tuttavia, i modelli su cui si affidano affrontano molteplici sfide, che possono limitarne o impedirne l’utilizzo. L’obiettivo di questa trattazione è quello di applicare un modello che risolva in parte queste difficoltà e, inoltre, fornire linee guida al fine di poter migliorare i modelli ulteriormente. Un dataset composto da segnali di accelerazione relativi a cinghie è utilizzato per valutare i modelli proposti. Il dipartimento di ingegneria industriale dell’università di Bologna ha infatti a disposizione una macchina appositamente realizzata per generare grandi quantità di dati di vibrazione. La macchina è costituita principalmente da un motore elettrico il quale moto è scaricato su di una cinghia. Diverse prove di laboratorio sono state condotte per portare allo stato di guasto le cinghie e per poter raccogliere i dati necessari. I modelli applicati sono moderni algoritmi di Machine Learning che sono stati sviluppati in Python, uno dei linguaggi di programmazione più usati in data science. I modelli di intelligenza artificiale sono stati programmati tramite potenti API (Application Programming Interface) che fanno accedere a moduli preimpostati permettendo di velocizzare lo sviluppo del software. Keras, una API che consente lo sviluppo di modelli di deep learning, viene usata in fase di programmazione per allenare i modelli.