Manutenzione predittiva: analisi e comparazione di modelli di Deep Learning per la stima della vita utile residua

Tenendo in considerazione le sfide della PHM (Prognostic and Health Management), questo studio cerca di capire il potenziale delle reti ricorrenti Long-Short Term Memory (LSTM) nella stima della Remaining Useful Life (RUL) di un componente. Dopo una parte introduttiva al mondo manutentivo e dell’intelligenza artificiale, viene presentato il caso studio in esame in cui si cercano di comparare i risultati previsionali di quattro modelli su due differenti dataset. Il primo di questi è il C-MAPSS, rilasciato da NASA e largamente utilizzato nella letteratura scientifica in questo campo; il secondo è il dataset costruito raccogliendo dati vibrazionali relativi ad una cinghia di un prototipo presente in laboratorio all’Università di Bologna. L’approccio utilizzato prevede l’utilizzo del metodo statistico Z-test per il rilevamento del punto First Predicting Time (FPT). I buoni risultati ottenuti su C-MAPSS, confrontati con gli scarsi ottenuti sul dataset UNIBO, mettono in luce diverse problematiche che si devono affrontare nello sviluppo di questa tecnologia, come la mancanza di dati reali e la difficoltà generale di portare la prognostica in un vero contesto industriale.