Machine Learning per la Manutenzione Predittiva

Nell’era della quarta rivoluzione industriale, un processo sempre più aggressivo sta conducendo ad una produzione industriale automatizzata ed interconnessa. L’industria 4.0 punta allo sfruttamento via via più efficace di Big Data e Internet of Things, che mettono a disposizione di aziende e utenti una gran mole di dati, anche sul cloud. Il modo migliore per valorizzare questa immensa risorsa è di analizzare i dati con l’ottica dell’analisi predittiva o, nel campo dell’industria manifatturiera, della manutenzione predittiva, attraverso il potente strumento del machine learning. In questo panorama di innovazione si posiziona questo lavoro di tesi, che parte da un case study aziendale proprio in ambito manifatturiero. L’obiettivo principale dello studio è stato quello di porre solide basi allo sviluppo di algoritmi di Machine Learning per la manutenzione predittiva, partendo da una situazione ancora vergine da questo punto di vista. Con l’ottica di voler includere in futuro anche un servizio di cloud server e con la volontà di voler inaugurare un database storico riguardo alle condizioni del sistema, si è cercato in primis di rispondere alle domande: quali sono i dati sensibili e indispensabili allo scopo? Con che frequenza occorre campionarli? Data la disponibilità di componenti guasti, si sono dapprima registrati i dati relativi al funzionamento del sistema con componenti nominalmente nuovi, per poi procedere alla sostituzione con quelli guasti. Questo ha permesso una successiva implementazione in ambiente MATLAB di algoritmi di classificazione delle condizioni operative. Si propone il training di tre diversi algoritmi e l’applicazione di diverse tecniche di estrazione e riduzione delle variabili con l’obiettivo di trovare la configurazione ottimale, sulla base del tasso di errore e del tempo di esecuzione.