Sviluppo di un modello di Machine Learning per il rilevamento e la classificazione di guasti in un nastro trasportatore

l monitoraggio delle condizioni operative e la diagnosi dei guasti nei nastri trasportatori sono fondamentali per l'ottimizzazione delle operazioni industriali. Questa tesi si propone di sviluppare un modello di machine learning basato su Random Forest per il rilevamento e la classificazione di guasti in un nastro trasportatore. La metodologia prevede l'utilizzo di sensori posizionati strategicamente lungo il nastro per raccogliere dati relativi ad accelerazioni, vibrazioni, rumori e correnti elettriche. I dati raccolti sono stati elaborati e puliti, quindi suddivisi in modo da prevenire l'overfitting. Il modello proposto è suddiviso in due fasi: il primo modello identifica gli errori generici, classificando le istanze in condizioni nominali o di errore, mentre il secondo modello distingue tra problemi specifici alla catena, ai cappi e alle cravatte. Durante la fase di test, il modello ha dimostrato una precisione del 90%, classificando correttamente 54 file su 60. Tuttavia, sono emerse difficoltà nella classificazione accurata dei guasti relativi ai cappi e alle condizioni nominali, suggerendo la necessità di ulteriori affinamenti nella soglia di decisione e nella qualità dei dati. La ricerca futura potrebbe beneficiare dell'integrazione di ulteriori dati reali e diversificati, migliorando così la capacità predittiva del modello e permettendo una diagnosi più dettagliata e accurata dei guasti. In sintesi, questa tesi contribuisce allo sviluppo di un sistema robusto e affidabile per il monitoraggio e la gestione dei nastri trasportatori, con implicazioni significative per l'efficienza operativa e la manutenzione predittiva in contesti industriali.