Sviluppo di un’Applicazione di Machine Learning per la Manutenzione Predittiva di Macchine

Le tecnologie di manutenzione predittiva mirano a rilevare, diagnosticare e prevedere guasti e degrado nei componenti della macchina prima della criticità. Le aziende in genere conducono diagnosi, ispezioni e manutenzione preventiva di routine secondo programmi fissi, il che è un processo costoso e laborioso, intervenendo spesso in modo innecessario, o viceversa, tardivo. L’obiettivo della manutenzione predittiva, invece, è quello di prevenire i tempi di inattività, identificarne le cause e consentire un'efficiente pianificazione e ottimizzazione della manutenzione basata sull'evidenza. Questa tecnologia utilizza sensori per raccogliere dati in tempo reale dalla macchina, i quali vengono elaborati per produrre indicatori di condizione sullo stato di salute della macchina e, attraverso l’utilizzo dell’intelligenza artificiale, processare questi ultimi per prevedere guasti prima che si verifichino. La presente tesi, svolta presso Alma Automotive s.r.l. in collaborazione con Ducati Motor Holding S.p.A. e S.T.M. S.p.A., mira allo sviluppo di un’applicazione in grado di ricavare indicatori di condizione sullo stato di salute della macchina, indipendenti dalla modalità operativa o dal contesto in cui il sistema sta operando. Inoltre, punta ad integrare nell’applicazione un algoritmo che permetta di stimare la vita utile rimanente della macchina, basandosi sugli indicatori di condizione calcolati, avvertendo in caso di criticità. Per raggiungere tali obiettivi si è ricorso all’utilizzo del machine learning e metodologie di analisi dati. L’applicazione è stata testata su tre differenti tipologie di macchine, allo scopo di verificarne il corretto funzionamento: un motore a combustione interna, un motore sincrono a magneti permanenti e un motoriduttore a tre stadi. L’esito di tale campagna di testing ha evidenziato come l’applicazione sia effettivamente in grado di rilevare quali indicatori di condizione presentino criticità e sia efficiente nel prevederne.