Anomaly Detection in contesti industriali: implementazione di modelli di Machine Learning per la classificazione di errori nei nastri trasportatori.

Questa tesi affronta il problema della rilevazione delle anomalie nei nastri trasportatori industriali attraverso l'applicazione di modelli di machine learning, con un focus su Random Forest e Gradient Boosted Trees. L'obiettivo principale è migliorare l'efficacia dei sistemi di manutenzione predittiva, minimizzando i tempi di inattività e riducendo i costi associati ai guasti imprevisti. Il lavoro è stato svolto in collaborazione con il CNR - STIIMA e una realtà manifatturiera, e si articola in diverse fasi: dal preprocessing dei dati fino all'implementazione e ottimizzazione dei modelli predittivi. Il dataset utilizzato, costituito da dati campionati a 51,2 kHz, è stato ridotto tramite tecniche come il sottocampionamento e il binning statistico per semplificare l'analisi senza perdere informazioni critiche. L'ottimizzazione degli iperparametri dei modelli è stata effettuata utilizzando Grid Search, consentendo di identificare le configurazioni ottimali per massimizzare le prestazioni. I modelli sono stati valutati attraverso metriche come accuratezza, F1-score, precisione e recall. Random Forest ha mostrato un'elevata capacità di rilevamento delle anomalie, raggiungendo un'accuratezza del 99,87% nel caso binario e del 99,2% nel caso multiclassificatore. XGBoost, nonostante tempi di addestramento inferiori, ha ottenuto ottimi risultati, con un'accuratezza del 99,53% nel contesto binario e del 98,4% nel contesto multiclasse. I risultati di questa tesi dimostrano l'efficacia dei modelli di ensemble learning nel rilevamento delle anomalie in ambienti industriali complessi. L'adozione di tali modelli può contribuire significativamente all'ottimizzazione dei processi di manutenzione, migliorando l'efficienza operativa e riducendo i rischi associati ai guasti non pianificati. Le conclusioni suggeriscono sviluppi futuri per l'implementazione in scenari real-time, con potenziali applicazioni per altre infrastrutture industriali.