Fault Detection in Industry 4.0 with Deep Learning Approaches

Con il costante aumento dell'utilizzo di macchinari automatici in ambito industriale, nasce la ricerca della creazione di sistemi in grado garantire ottime prestazioni e tolleranza ai comportamenti anomali di essi. L'obbiettivo di questa tesi è la realizzazione di modelli di Machine Learning in grado di svolgere operazioni di Anomaly Detection per la classificazione di comportamenti sbagliati da parte di questo tipo di macchinari mediante l'utilizzo di un AutoEncoder con un approccio di Semi-Supervised learning. Attraverso i risultati di questi modelli sarà poi possibile svolgere un'ampia analisi sulle ragioni di questi comportamenti errati e fare predizioni di essi in modo da avere una tolleranza maggiore ai guasti sulla macchina.